基于PCA与OLPP混合方法的化工过程故障检测

对于复杂的工业过程,采集到的过程数据能反映出生产过程的内在变化和运行状况。本文提出一种新的多变量统计过程监测策略,数据建模过程包含主元分析(Principal Component Aanlysis,PCA)与正交局部保持投影(Orthogonal Locality PreservingProjection,OLPP)两步。首先利用PCA在不丢失任何信息的前提下将原始数据旋转成不相关的潜变量,然后再作OLPP以提取能表征过程正常数据内在局部近邻结构的特征用于故障检测。利用T~2和SPE(或Q)统计量以及核密度估计方法确定的控制限进行化工过程的在线监测,TE过程仿真实验验证了该混合方法的有效性和优越性。     

基于潜变量自回归算法的化工过程动态监测方法

从建立潜变量自回归(AR)模型的角度出发,提出了一种基于潜变量自回归(LVAR)算法的化工过程动态建模与监测方法,旨在提取动态潜变量的同时给出各潜变量的AR模型。LVAR算法在最小化潜变量的AR模型残差的约束下,通过同时搜寻投影变换向量与AR系数向量,实现了对动态潜变量的特征提取及其AR模型的建立。此外,LVAR算法通过先提取动态潜变量后提取静态成分信息的方式,有效地区分了采样数据中的自相关性与交叉相关性。在对比实验中,通过比较分析LVAR方法与其他三种典型的动态过程监测方法在经典化工过程对象上的故障监测结果,验证了LVAR方法在动态过程监测上的优越性与可靠性。关键词:主成分分析;故障检测;缺失数据;过程系统     

基于缺失数据的误差生成策略及其在故障检测中的应用

误差生成是基于机理模型故障检测方法的核心本质,但鲜有应用于统计过程监测方法中.为此,提出一种基于缺失数据的误差生成策略,将能反映出采样数据对统计模型拟合程度的误差作为新的被监测对象实施故障检测.所提出的基于缺失数据的主元分析(MD-PCA)方法通过逐一假设各变量测量数据缺失后,利用缺失数据处理方法推测出相应缺失数据的估计值,并对缺失数据的实际值与估计值之间的误差实施基于PCA模型的故障检测.利用误差实施故障检测的优势在于,生成的误差能在一定程度上降低原测量变量的非高斯性程度,而且误差体现的是对应缺失变量中与其他测量变量不相关的成分信息,更能揭示各测量变量的本质.通过在TE过程上的实验充分验证了所提出方法的优势,以及MD-PCA方法用于故障检测的可行性与优越性.     

基于潜变量自回归算法的化工过程动态监测方法

从建立潜变量自回归（AR）模型的角度出发，提出了一种基于潜变量自回归（LVAR）算法的化工过程动态建模与监测方法，旨在提取动态潜变量的同时给出各潜变量的AR模型。LVAR算法在最小化潜变量的AR模型残差的约束下，通过同时搜寻投影变换向量与AR系数向量，实现了对动态潜变量的特征提取及其AR模型的建立。此外，LVAR算法通过先提取动态潜变量后提取静态成分信息的方式，有效地区分了采样数据中的自相关性与交叉相关性。在对比实验中，通过比较分析LVAR方法与其他三种典型的动态过程监测方法在经典化工过程对象上的故障监测结果，验证了LVAR方法在动态过程监测上的优越性与可靠性。     

基于DPCA-IM的动态过程监测方法

动态主成分分析(DPCA)通过增广矩阵或向量的方式来挖掘采样数据间的时序自相关性。然而,DPCA对自相关的特征成分与残差直接实施监测是不合理的,故其故障检测效果较差。为了剔除采样数据的自相关性以提高故障检测效果,提出一种基于估计误差的动态过程监测方法。首先,通过逐个假设各个过程变量的测量数据缺失,并在已建立的DPCA模型中引入迭代方法(IM)计算得到相应变量缺失数据的估计值。由于该估计值在仅缺失一个变量数据的条件下能较大程度地逼近原测量数据,两者之差(即估计误差)不再存在显著的自相关性,而且该估计误差的变化可直接反映出采样数据变化情况的异常,所以可利用估计误差监测动态过程。最后,通过两个动态过程实例,即动态数值仿真过程与田纳西—伊斯曼(TE)标准测试平台的仿真结果表明,该方法能剔除采样数据间的自相关性,并能有效地提高故障检测效果,验证了该方法不仅可行,而且具有良好的优越性。     

基于互信息的分散式动态PCA故障检测方法

对现代大型复杂动态过程来讲,不同测量变量会存在不同的序列相关性,而且变量间的相互影响会体现在不同的采样时刻上。为此,结合利用分散式建模的优势,提出一种基于互信息的分散式动态过程故障检测方法。该方法在对每个测量变量都引入多个延时测量值后,利用互信息为每个变量区分出与其相关的测量值,并建立起相应的变量子块。这种变量分块方式使每个变量子块都能充分地获取与之相对应的自相关性与交叉相关性信息,较好地处理了数据的动态性问题。然后,利用主元分析（PCA）算法对每一变量子块进行统计建模从而建立起适于大规模动态过程的多模块化的故障检测模型。最后,通过实例验证该方法用于动态过程监测的可行性和有效性。     

正交信号校正的自回归模型及其在动态过程监测中的应用

针对采样数据的自相关性, 提出一种基于自回归(AR) 模型的动态过程建模方法. 首先, 利用正交信号校正(OSC) 消除用于AR模型回归的两数据集间的正交不相关信号; 然后, 在处理过的数据上进行偏最小二乘(PLS) 回归建模. 该方法对模型潜隐成分和残差信息同时进行在线监测, 并借鉴贝叶斯推理方法将多个监测指标进行融合, 以易化触发故障警报的决策过程. 最后通过在田纳西-伊斯曼(Tennessee Eastman, TE) 过程上的仿真实验验证了所提出方法的有效性.

     

变量加权型主元分析算法及其在故障检测中的应用

传统主成分分析（PCA）算法旨在挖掘训练数据各变量间的相关性特征,已在数据驱动的故障检测领域得到了广泛的研究与应用。然而,传统PCA方法在建模过程中通常认为各个测量变量的重要性是一致的,因此不能有效而全面地描述出变量间相关性的差异。为此,提出一种变量加权型PCA（VWPCA）算法并将之应用于故障检测。首先,通过对训练数据进行加权处理,使处理后的数据能够充分体现出变量间相关性的差异。然后,在此基础上建立分布式的PCA故障检测模型。在线实施故障检测时,则通过贝叶斯准则将多组监测结果融合为一组概率指标。VWPCA方法通过相关性大小为各变量赋予不同的权值,从而将相关性差异考虑进了PCA的建模过程中,相应模型对训练数据特征的描述也就更全面。最后,通过在TE过程上的测试验证VWPCA方法用于故障检测的优越性。     

基于互信息的PCA方法及其在过程监测中的应用

主元分析(PCA)是一种经典的特征提取方法,已被广泛用于多变量统计过程监测,其算法的本质在于提取过程数据各变量之间的相关性。然而,传统PCA算法中定义的相关性矩阵局限于计算变量间的线性关系,无法衡量两个变量间相互依赖的强弱程度。为此,提出一种新的基于互信息的PCA方法(MIPCA)并将之应用于过程监测。与传统PCA所不同的是,MIPCA通过计算两两变量间的互信息来定义相关性,将原始相关性矩阵取而代之为互信息矩阵,并利用该互信息矩阵的特征向量实现对过程数据的特征提取。在此基础上,可以建立相应的统计监测模型。最后,通过实例验证MIPCA用于过程监测的可行性和有效性。     

基于缺失变量估计误差的工业过程监测方法

传统主元分析(principal component analysis, PCA)算法在实施投影变换挖掘潜在特征成分时,不同投影变换方向对原始数据不同测量变量赋予了不同的权重值。而从故障检测的角度出发,各个测量变量的重要性程度是等同的。因此,传统PCA方法的过程监测性能还有待商榷。为克服这一缺陷,借鉴基于机理模型故障检测方法生成误差的思路,提出一种基于缺失变量估计误差的工业过程监测方法。首先,通过逐一假设每个测量变量缺失后,利用PCA模型中处理缺失变量的迭代算法(iterativealgorithm,IA)推测出相应缺失变量的估计值。然后,以缺失变量的实际值与估计值之间的误差作为被监测对象实施在线故障检测。通过逐一假设变量缺失的方式,等同地对待了每个测量变量。而利用误差实施监测则可以在缺失变量前提下,通过监测误差的变化反映出该缺失变量对PCA模型中特征成分的影响程度。最后,通过在TE过程上的对比验证了该方法的优越性与可行性。