基于改进稀疏主元分析的在线故障监测和诊断

针对传统主元在线故障监测方法中故障误诊率高、故障监测统计量不足以及故障定位不准确等问题,提出了一种基于改进稀疏主元分析(SPCA)的在线故障监测和诊断方法。方法使用弹性网络,权衡优化Lasso和Ridge惩罚项对主元进行稀疏,将传统故障检测算法中的平方预测误差根据过程变量的复相关系数拆分为主元相关变量残差(PVR)和一般过程变量残差(CVR)监测故障,最后使用贡献图法进行故障诊断。将改进的SPCA在线故障监测方法应用于田纳西-伊斯曼过程进行验证,结果表明,上述方法有效降低了故障误诊率,为故障监测提供新的统计量,使故障定位更加准确,确保了在线故障监测和故障诊断的准确性。     

基于模糊C均值与主成分分析的故障检测研究

针对化工过程中的数据存在的多模态特性,提出基于模糊C均值(FCM)与主成分分析(PCA)的故障检测方法。首先,通过FCM算法将具有多模态特性的训练样本进行聚类,根据所有样本到聚类中心的距离计算样本所属于每个聚类中心的隶属度。其次,以隶属度作为判定依据判断样本所属类别,将训练样本分成若干类别。再次,对每一个分类后的类别进行标准化处理并建立模型,通过核密度估计法确定每一个类别的控制限。最后,将待测样本划分类别,计算样本在各类别下的Hotelliing’s T和平方预测误差(SPE)(又称Q统计量),并与控制限比较以实现故障检测。将该方法运用于数值例子和田纳西-伊斯曼(TE)工业过程并将检测结果与PCA方法进行了对比分析。对比结果表明,该研究的故障检测率大幅提升。FCM算法通过对原始数据分类,有效地提升了PCA对具有多模态特性数据的处理能力。     

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。     

基于迭代主成分分析的过程监测方法的研究与实现

利用迭代主成分分析（PCA）算法，提出一种在线过程监测方法，根据实际生产过程经验，提供了由多元统计控制图判断过程是否正常的准则，实现了实时在线的PCA建模和过程监测，仿真例子验证了这种过程监测方法的有效性和可行性。     

一种稀疏可控的主成分分析方法

主成分分析(Principal Component Analysis,PCA)是一种用线性变换选出少数重要变量(降维)的多元统计分析方法。虽然传统PCA被广泛应用于科学研究与工程领域中,但是其结果有时很难解释。因此,一些研究人员引入稀疏约束项(lasso、fused lasso以及adaptive lasso等),以得到可解释的结果。由于传统稀疏项的稀疏度不容易控制,为此引入一种新的约束项,即稀疏可控惩罚项(Sparse Controllable penalty,SCP),来控制主成分的稀疏程度。与传统的约束项相比,SCP具有长度不敏感、维度不敏感和约束项的取值范围在0到1之间的优点。这些优点极大地降低了调节稀疏度的难度。实验表明,稀疏可控主成分分析(Sparse Controllable Principal component Analysis,SCPCA)是高效的。     

基于相同稀疏模式的稀疏主成分分析算法

稀疏主成分分析是一种用于降维和特征选择的无监督方法。由于计算多个主成分时主载荷向量间不具有相同的稀疏模式,导致难以从原始特征空间中确定出对主成分贡献最大的小部分变量,为解决此问题,提出一种自适应稀疏主成分分析（Adaptive sparse principal component analysis, ASPCA）算法。首先使用组套索模型,通过在载荷向量上施加块稀疏约束得出自适应稀疏主成分分析公式,随后对稀疏矩阵的不同列使用不同的调整参数获得自适应惩罚,最后运用块坐标下降法对自适应稀疏主成分分析公式进行两阶段优化,从而找到稀疏载荷矩阵和正交矩阵,实现降维的最优化。对稀疏主成分分析（Sparse principal component analysis, SPCA）算法、结构化且稀疏的主成分分析（Structured and sparse principal component analysis, SSPCA）算法和ASPCA算法进行仿真比较,结果表明ASPCA算法的降维性能更优,能提取更有价值的特征,从而显著提高了分类模型的平均分类准确率。     

基于AC-CNN模型的过程故障识别

针对复杂工业过程中故障变量特征提取效率低,分类数量较少且故障识别率较低等问题,提出基于非对称卷积核(asymmetric convolutions)的卷积神经网络(CNN)的工业过程故障识别模型。采取故障变量重构对故障数据进行预处理;引入非对称卷积核模型对重构后的输入故障变量进行特征提取,提高特征提取的效率;根据CNN模型改进得到具有AC架构的AC-CNN模型,识别TE (田纳西-伊斯曼)过程故障的在线测试集样本,实验结果表明,所提方法对TE过程故障数据集的识别效果明显,验证了模型的有效性和优异性。     

改进动态主元分析的工业过程故障预警研究

传统动态主元分析(DPCA)进行工业过程故障预警时,对所有变量选择相同时间间隔。为克服DPCA中没有考虑到变量延迟、动态变化速度不同的问题,采用变量延迟对齐、时间间隔可变等方法,对DPCA中扩展矩阵的组成方法进行改进。数值仿真结果表明,改进DPCA可以有效减少故障漏报。将该方法应用于原油初馏过程故障预警,在准确预警故障的基础上减少了漏报。     

基于稀疏主元分析的过程监控研究

主元分析（principal component analysis）是一种多元统计技术,在过程监控和故障诊断中具有广泛的应用。针对过程监控中数据量大的特点,提出一种稀疏主元分析（sparse principal component analysis）方法,通过引入lasso约束函数,构建稀疏主元分析的框架,将PCA降维问题转化为回归最优化问题,从而求解得到稀疏化的主元,并提高了主元模型的抗干扰能力。由于稀疏后主元相关的数据量减少,利用数据建立过程监控模型,减少了计算量,并缩短了计算时间,进而提高了监控的实时性。利用田纳西伊斯特曼过程（TE processes）进行实验仿真,并与传统的主元分析方法进行对比研究。结果表明,新提出的稀疏主元分析方法在计算效率和监控实时性上均优于传统的主元分析方法。     

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,...     

基于敏感稀疏主元分析的化工过程监测与故障诊断

提出敏感稀疏主元分析(SSPCA) 算法用于监测复杂的化工过程. 根据主元分析与数据矩阵奇异值分解之间的关系, 通过将??_2,1 范数作为目标函数和惩罚项得到一个获取稀疏主元负载的凸优化问题, 并通过一个迭代算法进行求解. SSPCA 算法能同时兼顾大得分主元与小得分主元在监测算法中的作用, 提高了其对故障的敏感度. 证明了SSPCA 算法的单调性和全局收敛性, 对田纳西伊斯曼过程一个算例的监测结果表明了SSPCA 算法的有效性.

     

Online monitoring of batch processes using multi-phase principal component analysis

Unfold Principal Component Analysis (u-PCA) has been successfully applied in the monitoring of batch processes. The traditional online monitoring strategy is based on the same unfolding procedure used for end-of-batch monitoring. This procedure may distort the interval where the process is out of normal operation, with delays in the detection of a fault or in the return to normal operation of a faulty batch. In this paper, a new strategy for the generation of a model specially suited for on-line monitoring is presented. This method is based on the combination of four ideas: mean trajectory subtraction and auto-scaling as preprocessing, variable-wise unfolding, addition of lagged variables to fit the dynamics and multi-phase modelling with multi-phase PCA. Evolving and local models have been included in the comparative analysis of the different approaches.     

Robust sparse principal component analysis

The model for improving the robustness of sparse principal component analysis（PCA） is proposed in this paper. Instead of the l2-norm variance utilized in the conventional sparse PCA model,the proposed model maximizes the l1-norm variance,which is less sensitive to noise and outlier. To ensure sparsity,lp-norm（0 p 1） constraint,which is more general and effective than l1-norm,is considered. A simple yet efficient algorithm is developed against the proposed model. The complexity of the algorithm approximately linearly increases with both of the size and the dimensionality of the given data,which is comparable to or better than the current sparse PCA methods. The proposed algorithm is also proved to converge to a reasonable local optimum of the model. The efficiency and robustness of the algorithm is verified by a series of experiments on both synthetic and digit number image data.     

基于ICA-PCA的化工流程仪表故障诊断

传统的多元统计过程控制(MSPC)的故障诊断方法要求观测变量数据服从高斯分布,然而实际化工流程中的仪表数据中难以满足这一要求。针对这一问题,提出在仪表数据中提取分离出非高斯信息和高斯信息,并分别利用独立元分析法和主元分析法建立不同的故障诊断模型。在检测到发生故障后,通过改进的贡献度算法定位出发生故障的仪表。通过对Tennessee Eastman(TE)过程数据进行仿真研究,验证了ICA-PCA故障诊断法在化工流程仪表不同故障诊断中的有效性。     

Large-scale paralleled sparse principal component analysis

Principal component analysis (PCA) is a statistical technique commonly used in multivariate data analysis. However, PCA can be difficult to interpret and explain since the principal components (PCs) are linear combinations of the original variables. Sparse PCA (SPCA) aims to balance statistical fidelity and interpretability by approximating sparse PCs whose projections capture the maximal variance of original data. In this paper we present an efficient and paralleled method of SPCA using graphics processing units (GPUs), which can process large blocks of data in parallel. Specifically, we construct parallel implementations of the four optimization formulations of the generalized power method of SPCA (GP-SPCA), one of the most efficient and effective SPCA approaches, on a GPU. The parallel GPU implementation of GP-SPCA (using CUBLAS) is up to eleven times faster than the corresponding CPU implementation (using CBLAS), and up to 107 times faster than a MatLab implementation. Extensive comparative experiments in several real-world datasets confirm that SPCA offers a practical advantage.     

自适应移动窗递推PCA过程监测方法研究

主元分析方法通常采用累积贡献率(CPV)法来确定主元个数,而CPV法具有一定的主观性.本文提出一种基于阈值法来自适应实时确定主元个数的方法,有效克服传统累积贡献率法的缺点;在阈值法的基础上,提出一种对数据样本及协方差矩阵均加入遗忘因子的移动窗递推PCA(MWRPCA)过程监测方法.结合TE过程仿真,该方法能够提高监测精...     

基于递推规范变量残差和核主元分析的微小故障检测

微小故障由于故障征兆不明显从而很难在故障发生早期对其进行检测. 针对该问题, 本文提出了一种基于递推规范变量残差和核主元分析(RCVD–KPCA)的微小故障检测方法. 首先构造规范变量残差, 从中提取数据的线性特征. 利用指数加权滑动平均法对规范变量残差进行递推滤波处理, 提高规范变量残差对微小故障的敏感程度;然后使用KPCA提取规范变量残差中的非线性主成分作为非线性特征, 根据提取的特征提出了两个新的故障检测统计量; 此外, 利用核密度估计确定故障检测统计量的控制限. 由于同时提取了过程数据的线性和非线性特征, 有效地提高了非线性动态过程中微小故障的可检测性. 以闭环连续搅拌釜式反应器过程为例进行了仿真分析, 仿真结果表明本文所提方法具有较好的故障检测性能.