间歇过程多变量统计过程控制的理论与方法

统计过程控制技术作为一种用统计分析方法保证产品质量和生产稳定性的手段,在现代工业生产中的应用日益广泛。阃歇生产过程因其过程变量的时间相关性和变量之间大多存在强非线性关系的特点,采用传统的统计过程控制方法难以满足其对产品高质量的要求。通过多元投影的方法压缩过程变量的维数,在较低维的主元空间对过程进行监控。可以较好的解决上述矛盾。针对间歇过程运行的特点,分析了线性和非线性多元统计过程控制技术的理论和方法。     

间歇过程多变量统计过程控制的理论与方法

统计过程控制技术作为一种用统计分析方法保证产品质量和生产稳定性的手段,在现代工业生产中的应用日益广泛。间歇生产过程因其过程变量的时间相关性和变量之间大多存在强非线性关系的特点,采用传统的统计过程控制方法难以满足其对产品高质量的要求。通过多元投影的方法压缩过程变量的维数,在较低维的主元空间对过程进行监控,可以较好的解决上述矛盾。针对间歇过程运行的特点,分析了线性和非线性多元统计过程控制技术的理论和方法。     

分段多向核主元分析的啤酒发酵过程故障检测

基于主元分析的故障诊断模型应用在非线性时变过程中具有局限性。基于间歇过程具有周期性这一特点,在非线性空间的数据提取中,将核变换理论引入其中,提出了一种改进的多向核主元分析故障诊断模型,该方法对于过程数据的非线性问题的解决和非线性信息的充分提取表现出很好的性能,使得非线性主元能够在高维特征空间中被快速提取。 对比实验结果表明,该方法对于缓慢时变的间歇过程具有很好的准确性与实时性。     

基于PCA多变量统计的故障检测与诊断

主元分析(PCA)是一种能够对过程生产进行监测和质量控制的有效方法,在保证数据信息丢失最少的情况下,大大降低了原始数据空间的维数。为了更好地进行故障检测与诊断,介绍了基于PCA多变量统计的故障检测与诊断,给出了广泛应用在多变量统计过程上的T2和Q(或SPE)统计量。利用PCA分析建模可以消除变量间的非线性关联,降低噪声影响。用田纳西-伊斯曼过程TEP(Tennessee-Eastman Process)平台产生仿真数据,并利用Matlab软件建立故障检测与诊断模型。通过T2和Q(或SPE)统计量与其阈值的判断,进行对系统的故障检测与诊断。实验表明,基于PCA的故障诊断方法能够对过程的非正常变化做出反应,也能较正确地找出发生故障的原因以及相应环节。     

基于主元分析的多变量统计理论在过程监控中的应用

在连续重整加热炉等设备的过程生产中,应用多变量统计中的主元分析方法,可以从集散控制系统自身所带的大量数据中提取有用的信息,建立数学模型,来监控整个生产过程,及时发现和预防故障的产生。     

基于统计差分LPP的多模态间歇过程故障检测

针对工业过程数据存在的非高斯和多模态特性,提出一种基于统计差分LPP的多模态间歇过程故障检测方法。首先将统计模量分析的方法应用到间歇过程训练数据集中,计算统计过程变量的均值和方差,将不等长的批次变成等长的统计量,保证统计模量近似服从高斯分布;然后运用差分算法使多模态变为单模态,最后运用LPP算法进行降维和特征提取,计算样本的T2统计量,并利用核密度估计确定控制限。对于新来的测试样本数据统计差分处理后,向LPP模型上进行投影,计算新数据的T2统计量并与控制限比较进行故障检测。最后通过半导体过程数据的仿真结果表明,该算法的故障检测效果最好,验证了所提方法的有效性。     

基于改进主元分析方法的化工生产过程的故障检测

针对化工生产过程中出现的对于过程影响较小的故障,提出一种改进主元分析方法,该方法引入了主元子空间之间的差别的概念.仿真研究中,将该方法与传统的主元分析方法同时应用于TE过程中,结果表明改进主元分析方法比传统的主元分析方法(PCA)能更好的检测出对于过程影响较小的故障.     

基于PCA的滚动轴承故障检测方法

针对滚动轴承故障检测数据处理的问题,由于机械轴承损坏引起机器的故障,为保障安全,要进行检测.现提出了一种主元分析PCA与统计相结合的方法.首先介绍了基于PCA的滚动轴承故障检测方法的相关理论知识,利用PCA算法将滚动轴承振动信号数据建立模型,并将降维后获得的数据用统计方法即T2和SPE进行处理,从而检测出轴承故障.为了研究上述方法对不同情况下滚动轴承的故障检测效果,选取不同直径、不同采样频率、不同转速、不同负载四种情况下的故障进行实验.实验结果表明,方法能较好地分辨出轴承的正常和故障状态,可以较好地解决滚动轴承故障检测数据处理的问题.     

基于统计特征的不等长间歇过程故障诊断研究

为了提高不等长间歇过程故障诊断的性能, 同时降低算法的复杂度, 提出了一种基于统计特征的不等长间歇过程故障诊断算法。首先计算每个不等长批次的均值、方差、偏度、峭度和任意两个变量间的欧氏距离, 并将这些统计特征组合成一个等长的特征向量; 然后运用主元分析(PCA)进行过程监视。半导体工业实例的仿真结果表明, 与传统的多向主元分析(MPCA)方法相比, 基于统计特征的不等长间歇过程故障诊断算法的故障诊断率提高15%, 故障检测时间减少了0. 002 s, 因此该算法具有很好的故障诊断性能。     

多段MPCA法监测间歇过程的故障

多向主元分析(MPCA)是监测间歇生产过程故障的较为有效的方法,但由于其自身的线性化特点,故在复杂的非线性动态系统的监测中便不能及时、准确地发现故障。本文就MPCA法的这一缺点提出新的多段MPCA法,根据过程本身的动态特性,将间歇过程分成多阶段,用多个MPCA模型来描述。此法应用于监测青霉素发酵的过程,比普通MPCA能更及时、准确地检测到故障。     

基于多尺度核主元分析的非线性过程监控方法研究

针对化工过程数据的多尺度性和非线性特性,提出了一种多尺度核主元分析方法(MSKPCA)监控过程的运行状态。使用小波变换在不同尺度下分解测量信号．然后借助于核函数对分解后的数据进行非线性变换,在变换后的线性空间中用主元分析(PCA)提取过程数据的主要特征,构造监控统计量T2和Q来检测故障。在此基础上,提出了一种贡献图方法．计算过程变量对故障的贡献量,用于故障变量的分离。在TE过程上的监控结果表明,MSKPCA可以比PCA和动态PCA更迅速地检测到过程故障,贡献图方法能够正确地分离故障变量。     

基于核主元分析–主元分析的多阶段间歇过程故障监测与诊断

具有过渡特性的多阶段间歇过程故障监测是一个复杂的问题,既需要考虑稳定阶段下的故障监测,也需要考虑不同阶段间的过渡故障监测.为克服传统硬划分方法导致误警和漏报率高的缺陷,同时也为实现更加精确、有效的故障监测与诊断,提出一套完整的基于核主元分析-主元分析(KPCA-PCA)的多阶段间歇过程故障监测与诊断策略.该方法依据数据相似度实现阶段划分,定义模糊隶属度辨识相邻阶段间的过渡,最后对稳定阶段和过渡过程分别建立具有时变协方差的PCA和KPCA故障监测与诊断模型.通过对青霉素发酵过程的仿真平台及工业应用研究表明,该方法具有更可靠的监控性能,能及时、准确的检测出过程中存在的异常情况.     

基于主成分分析和奇偶向量的动态检测方法

导航系统中冗余IMU传统故障检测方法由于数学模型过于复杂,计算量大,存在较大延时,难以实现实时故障检测,而主成分分析法仅仅应用于静态情况下的故障检测与隔离,针对主成分分析法无法在动态情况下对冗余IMU进行故障检测的缺点,提出了一种基于奇偶空间法改进主成分分析的故障检测算法,该方法利用奇偶向量隔离车辆的动态变量,以消除动态变量对故障检测的影响,再用PCA方法检测数据以实现对车辆传感器信息的实时检测,通过将原始数据集转置到特征平面来形成图案,实现了IMU传感器正常与故障模式的准确分离,提高了冗余IMU故障检测的结果精确性和可靠性。实验结果表明,该方法能够较好检测动态状态下冗余IMU的故障,提高了主成分分析的故障检测性能,可有效消除导航系统运动的负面影响。     

基于广义主成分分析的重构故障子空间建模方法

在线故障诊断是工业过程中十分重要的问题.相比传统贡献图而言,基于重构的故障诊断受到特别关注.传统的主元分析方法没有考虑故障数据中同时包含正常工况信息和故障信息,因而提取出故障子空间对故障的描述准确性不足.为提高故障子空间的准确性,提出一种基于广义主成分分析的重构故障子空间建模方法.首先,同时考虑正常工况数据和故障数据,...     

基于改进PCA的正常工况改变与过程故障识别方法

针对传统的主元分析(PCA)的T~2和平方预测误差(SPE)检验所提供的信息并不一致的缺陷,提出一种改进的PCA方法。该方法采用主元相关变量残差(PVR)和一般变量残差(CVR)统计量代替SPE统计量用于过程监测。将此改进的PCA方法应用到双效蒸发过程的仿真监测,与传统的PCA方法相比,新PCA方法能够有效地识别正常工况改变与过程故障引起的T~2图变化,避免了SPE统计量的保守性,能够提供更详细的过程变化信息,提高了对过程变化的分析与诊断能力。     

基于Q统计量的工业过程监控实例分析

将多变量统计过程控制应用于过程监控与诊断,在学术研究中已经较为普遍,但在工业实践方面还未充分施行。本文用一个化工过程的实例,讨论具体实施方案。首先,用一般的主元分析模型,分别使用了Q和T~2统计量,发现实际问题中有些情况下,两者提供的控制图信息不完全一致,造成工程人员难以分析判断。为提供更好的解决方案,采用两个新的统计量来代替Q统计量,应用结果表明,当Q统计量进一步分解后,可以对过程运行的状态作出更细致的解释,有助于找出过程运行中的故障。     

基于三阶统计特征的被动图像拼接检测

针对被动图像拼接检测问题,提出了一种基于三阶统计特征的检测算法。该算法把图像状态矩阵中三个相邻状态之间的依赖关系建模为条件共生概率矩阵,然后将其作为识别特征输入到支持向量机(SVM)进行分类。由于高阶统计特征维数随着统计阶数的增加而呈指数级增加,为了降低高维特征在分类阶段所引入的高计算复杂度以及避免可能出现的过拟合现象,引入了主成分分析法(PCA)对提取的特征进行降维处理。实验结果显示,条件共生概率矩阵特征在空间域和8×8分块DCT域的检测结果均优于传统的马尔可夫特征和共生矩阵特征;PCA是图像拼接检测的一个有力分析工具,在大幅度降低特征维数的同时能够保持识别率不降低。     

基于统计学特征的android恶意应用检测方法

Android系统作为世界上最流行的智能手机系统,其用户正面临着来自恶意应用的诸多威胁。如何有效地检测Android恶意应用是非常严峻的问题。本文提出基于统计学特征的Android恶意应用检测方法。该方法收集5560个恶意应用和3000个良性应用的统计学特征作为训练数据集并采用聚类算法预处理恶意数据集以降低个体差异性对实验结果的影响。另一方面,该方法结合特征和多种机器学习算法（如线性回归、神经网络等）建立了检测模型。实验结果表明,该方法提供的两个模型在时间效率和检测精度上都明显优于对比模型。     

基于统计质量控制的测距故障检测方法

卫星导航接收机在城区环境使用时,多径信号的存在使得码自相关函数发生畸变,从而导致测距结果与真实距离间出现较大偏差。现有的接收机基带多径消除算法复杂度高,实现较为困难。而接收机自主正直性监测(RAIM)算法的故障检测能力有限,难以同时检测多个测距故障。提出使用统计质量控制方法来实现对测距故障的检测,根据质量控制图的输出结果调整测距信息在定位解算中的权重,从而提高定位精度。该方法能够对每颗卫星的码跟踪性能进行单独监测,算法实现的复杂度低。仿真结果表明:使用该方法能够有效指示多径信号导致的测距误差,从而为改善城区环境下的定位精度提供了新思路。