加权k最近邻重构分析的工业过程故障诊断

k--最近邻(k--nearest neighbor, k--NN)是一种有效的基于数据驱动的故障检测方法, 该方法在工业过程监视方面已经得到了广泛的应用. 但在过程中存在故障时, 精确地寻找故障根源和识别故障变量是故障诊断的重要目标, 也是保证工业过程安全生产的重要任务. 本文在k--NN故障检测技术的基础上, 提出了一种加权的k--NN重构方法, 对使控制指标减小最大(maximize reduce index, MRI)的过程变量依次进行重构, 进而确定发生故障的传感器. 根据理论分析并结合数值仿真对提出的方法进行了验证, 数值仿真先从精度方面验证了该方法能够有效地对故障传感器数值进行重构, 然后验证了该方法不仅适用于单一传感器 故障诊断, 对于同时发生或者因变量相关性而传播的传感器故障也具有很好的效果. 最后, 该方法被成功应用于TE(Tennessee Eastman)化工过程.     

面向时间依赖路网的连续k近邻查询

连续k近邻查询(continuous k-nearest neighor,Ck NN)定义为查找指定路径上每个点的k个最小代价数据对象。目前关于Ck NN的研究都是在欧式空间与静态路网中实现的,这些算法不能直接应用到边权值变化的时间依赖路网中。定义并解决了时间依赖路网中的Ck NN问题,利用积分的性质以及通过对权值代价函数合并的方式提出了两阶段的基于分割点的Ck NN查询算法。过滤阶段提出了计算节点到达时间的方法,再利用到达时间查询出多个候选k近邻结果;求精阶段将查询点到候选结果的权值函数合并,通过计算函数交点得到分割点,进而为查询返回若干个分割点以及相应区间内的k近邻结果。实验结果表明,与进行多次快照k近邻查询相比,所提算法在响应时间上减少了近一个数量级。     

基于方差最大化旋转变换的k近邻故障诊断策略

为了提高FD-kNN针对潜隐变量在非线性和多模态过程中的故障检测能力,提出一种基于方差最大化旋转变换的k近邻故障检测与诊断策略。首先,通过方差最大化方法建立旋转变换将原始数据变换到新的正交空间;接下来在该正交空间中执行FD-kNN方法进行故障检测;最后,结合贡献图方法给出基于贡献图的故障诊断策略。通过一个非线性模拟实例,证明方法对潜隐变量故障诊断是有效的;同时,在典型非线性工业过程田纳西过程进行测试,与PCA、FD-kNN和PC-kNN等方法进行对比,实验结果进一步证明了方法的有效性。     

基于判别核主元空间k近邻的批次过程监视

针对批次过程非线性、多模态等特征,提出一种基于判别核主元k近邻（Dis-kPCkNN）的故障检测方法。首先,在核主元分析（kPCA）中,高斯核的窗宽参数依据样本类别标签在类内窗宽和类间窗宽中判别选取,使得核矩阵能有效提取数据的关联特征,保持数据的类别信息;其次,在核主元空间中引用k近邻规则代替传统的T²统计方法,k近邻规则可以有效处理主元空间非线性和多模态等特征的故障检测问题。数值模拟实例和半导体蚀刻工艺过程仿真实验表明:基于判别核主元k近邻方法可以有效地处理具有非线性和多模态结构特征的故障检测问题,提高计算的效率,减少内存的占用,并且故障检测率明显优于传统方法。     

路网中双色反向k近邻查询处理

目前,路网中反向最近邻查询引起了广泛关注,有很多算法被提出.在实际路网中,由于移动数据对象的种类多种多样,单色反向最近邻查询有时并不能完全满足要求.因此,研究路网双色反向最近邻查询具有重要的实际意义.考虑到这种情况,提出一种路网中双色反向最近邻查询算法.通过PMR四叉树索引路网,采用Dijkstra算法遍历路网.为了保证连续监控,为查询点和对象分别设置安全区.为了验证候选对象,为其设置验证监控区.由于双色查询中,对象的种类不同,因此分别采用两个集合来保存这两类对象.通过实验对比,证明该算法具有较好的有效性和稳定性.     

基于标准距离k近邻的多模态过程故障检测策略

工业产品的生产经常需要在不同模态间切换,多模态过程数据具有多中心和方差差异大等特点.针对多模态过程数据的特征,通过构造标准距离,提出了基于标准距离k近邻的故障检测策略(SD–kNN).首先在标准距离度量下计算样本与其前k近邻的距离;其次将近邻距离的平方和的均值作为样本的统计量D~2;最后,根据D~2的分布确定检测方法的控制限,当新样本的D~2大于控制限时,判定其为故障,否则为正常.标准距离使不同模态中样本间的近邻距离能够在同一尺度下度量,使得SD–kNN的D~2能够准确反映样本间的相似程度.进行了数值模拟过程和青霉素发酵过程故障检测实验. SD–kNN方法检测出了数值模拟过程的全部故障和青霉素过程95%以上的故障,相对于PCA, kPCA, FD–kNN等方法具有更高的故障检测率. SD–kNN继承了FD–kNN对一般多模态过程的故障检测能力,还能够对方差差异显著的多模态过程进行故障检测.     

基于独立元的k近邻故障检测策略

k近邻故障检测(fault detection based on k nearest neighbors,FD–k NN)方法能够提高具有非线性和多模态特征过程的故障检测率.由于系统故障通常由潜隐变量异常变化引起,而该类型故障并不能被观测数据直观表现,因此直接在观测变量上执行FD–k NN方法,其故障检测率降低.本文旨在提高FD–k NN方法针对潜隐变量故障的检测能力,提出基于独立元的k近邻故障检测方法.首先,通过对观测数据应用独立元分析(independent component analysis,ICA)方法,获得独立元矩阵;接下来在独立元矩阵中应用FD–k NN方法进行故障检测.这等同于直接监控过程潜隐变量的变化,可以提高过程故障检测率.通过非线性实例仿真实验,证明本文方法检测潜隐变量故障是有效的;同时,在半导体蚀刻工艺过程的仿真实验中,与主元分析(principal component analysis,PCA)方法、核主元分析(kernel principal component analysis,KPCA)方法、基于主元分析的k近邻故障检测(principal component–based k nearest neighbor rule for fault detection,PC–k NN)方法和FD–k NN方法进行对比,实验结果进一步验证了本文方法的有效性.     

基于k近邻的批次过程在线实时监测方法

针对基于k近邻的故障检测方法(Fault Detection method using the k-Nearest Neighbor rule,FD-kNN)的在线实时监测需预估当前时刻之后的采样数据,检测性能会受到预估精度影响的问题,对FD-kNN进行扩展以适用于批次过程的实时监测.该方法根据每个采样时刻的历史数据进行建模,并根据这些模型实时监测批次过程.该方法不需要预估数据,避免由于预估误差大而带来的误报和漏报问题,同时较好地继承k近邻法则(k-Nearest Neighbor rule,kNN)在处理非线性、多模态和非高斯等问题上具有的优势.青霉素发酵过程的仿真试验验证该方法可行.     

基于局部保持投影–加权k近邻规则的 多模态间歇过程故障检测策略

针对多模态间歇过程故障检测问题,本文提出一种基于局部保持投影–加权k近邻规则(LPP--Wk NN)的故障检测策略.首先,应用局部保持投影(LPP)方法将原始数据投影到低维主元子空间;接下来,在主元子空间中,应用样本第k近邻的局部近邻集确定每个样本的权重并计算权重统计量Dw;最后,应用核密度估计方法确定Dw控制限并进行故障检测.本文方法应用LPP对过程数据进行维数约减,既能够降低训练过程中离群点对模型的影响,又能够降低在线故障检测的计算复杂度.同时,加权k近邻规则(Wk NN)方法通过引入权重规则能够使得过程故障检测统计量分布具有单模态结构.相比传统的k NN统计量,本文引入的权重统计量具有更高的故障检测性能.通过数值例子和半导体蚀刻过程的仿真实验,并与主元分析(PCA), k NN, Wk NN, LPP--k NN等方法进行比较,实验结果验证了本文方法的有效性.     

基于重构技术工业故障诊断OPC数据平台的设计

当今日益飞速发展的自动化控制技术使得工厂的自动化程度越来越高,然而带来的问题就是一旦检测设备发生故障,会带来控制系统的崩溃,轻则带来经济损失重则造成工业事故.本文就工业故障诊断技术利用OPC(OLE for Processing Control)技术设计1种容错控制数据平台来解决这一问题.通过OPC服务获得工业现场数据,利用故障诊断技术对工业数据进行诊断,检测辨识故障传感器,隔离故障传感器,采用已知数据回归法(Known Data Regression)重构故障数据,作为上层控制软件的输入从而可以使控制系统稳定运行,故障监控软件给操作人员发出检修信号.实验室仿真结果表明该平台可以稳定运行,这为故障诊断和容错技术实际工程应用奠定了基础.     

改进LSTM-RF算法的传感器故障诊断与数据重构研究

针对传感器的故障诊断与故障数据重构问题,提出一种基于改进型长短期记忆网络(LSTM)和随机森林(RF)的混合算法.首先,运用改进型LSTM算法对传感器的输出序列进行预测,将预测值与实际值作差得到残差序列.然后,通过RF算法对残差序列进行分类,识别出传感器的故障状态.当传感器诊断的结果为故障工作状态时,利用改进型LSTM...     

基于主元子空间故障重构技术的故障诊断研究

针对基于主元分析(PCA)的统计性能监控法,由于不用过程机理模型的信息,因此,对故障诊断问题有难以在理论上作系统分析的缺陷,于是提出了一种基于主元子空间故障重构技术的故障诊断方法。利用故障子空间的概念,在故障重构技术的基础上,研究基于T~2统计量的故障诊断问题,提出故障识别指标和诊断算法。通过对双效蒸发过程的仿真监测,验证该诊断方法的有效性。     

化工过程故障原因诊断的变量异常顺序法

为对化工过程故障进行实时诊断,建立设了备的主元分析(Principal component analysis,PCA)模型,根据实时数据和PCA模型计算综合指标以在线检测其故障的发生,并提出了PCA模型的在线更新策略,以适应实际过程中工况缓变特性。为在线监测到故障发生时,能确定故障根原因,根据各变量的DCS报警上下限判断其异常状态,并记录各变量出现异常的时间顺序,以供操作人员参考,从而准确地诊断所发生故障的根源。基于过程安全生产指导平台,将所提出的方法实际应用于某炼油厂延迟焦化装置的分馏塔单元,长期在线应用结果表明所提出的在线更新PCA模型能准确地连续检测出故障的发生并适应工况的缓变,而变量异常顺序可帮助操作人员正确地确定故障原因。     

基于故障重构的故障识别

针对基于主元分析(Principal Component Analysis,PCA)的统计过程性能监测法,尽管不依赖于精确的数学模型,然而却限制了其在故障诊断方面的能力问题,在故障重构技术的基础上,研究了基于统计量的故障诊断问题,获得了主元子空间中故障可重构性的理论条件,提出了故障识别指标和诊断算法.通过对双效蒸发过程...     

基于Ontology的故障诊断方法

故障诊断是质量服务的主要内容之一,故障诊断方法一直以来都是质量服务领域的研究热点。在分析传统故障诊断方法存在的问题的基础上,提出了基于Ontology的故障诊断方法。阐述了基于Ontology的故障诊断过程,给出基于Ontology的故障知识表示和故障诊断算法。实例应用效果证明了基于Ontology的故障诊断方法的有效性。