基于阈值故障子空间提取算法的多重故障重构

在统一框架下考虑了多重传感器故障的故障检测与故障重构问题.传感器的多种失效模式给过程监控和故障重构带来了一定的挑战.首先,提出一种可以同时表示加性和乘性传感器故障的故障模型.从数据驱动的角度出发,多重故障可检测性的必要条件和充分条件通过RayleighRitz引理被推导出来.进一步,提出了一种基于阈值故障子空间提取算法的多重故障重构方法.数值仿真表明,所提出的故障重构方法在重构误差指标方面明显优于传统的故障重构方法,验证了文中给出的主要结果.

动态广义主成分分析及其在故障子空间建模中的应用

针对传统故障子空间建模方法未考虑故障数据中同时包含正常工况信息和故障工况信息的实际情况,或未考虑故障数据中的动态因素而导致的对故障子空间提取不够准确的问题,提出了一种动态广义主成分分析方法。通过将带延迟的输入数据进行空间重组,采用广义主成分分析方法提取正常工况和各故障工况之间的动态特征信息,实现对故障子空间的准确建模,并进一步建立故障库实现故障诊断。仿真结果表明,所提方法能够准确提取动态过程的故障子空间,并可用于动态工业过程的故障诊断。

正负故障子空间矩阵的故障辨识方法研究

故障子空间矩阵是基于主元分析故障辨识的常用方法。但常规的故障子空间矩阵仅能描述当故障发生时哪些变量偏离了它们的正常值。当两种故障类型具有相同的故障变量时,故障子空间矩阵不能将它们区分。为了进一步提高故障子空间矩阵的辨识能力,本文提出正负故障子空间矩阵法。新方法不仅揭示了故障变量,并且可以反映变量的变化趋势,这使得故障子空间矩阵所代表的故障类型更加具体。首先,以监测统计量最小为优化目标求出各种故障状态下变量的幅值向量。其次,通过幅值向量求出变量的重构值和符号矩阵。然后,根据重构贡献率最小找到对应的故障子空间矩阵,并将该矩阵与符号矩阵相乘得到正负故障子空间矩阵。最后,根据有方向故障子空间矩阵完成故障辨识。通过对翻车机液压系统的故障辨识结果证明该方法具有较高准确性和普适性。

基于TimeGAN数据增强的复杂过程故障分类方法

针对传统基于重构的故障分类方法在故障样本稀疏或失衡情况下效果不佳、故障子空间区分能力弱的问题,提出基于TimeGAN数据增强的复杂过程故障分类方法.针对小子样故障,使用TimeGAN对历史故障数据进行数据增强,生成与历史数据分布相似的虚拟故障样本;采用马氏距离评估虚拟样本的质量,剔除不可信样本,构造平衡的故障样本集.将故障样本映射到高维核空间,并在核空间中提取故障子空间.设计故障分类策略并定义4种故障分类性能评估指标以定量衡量算法的分类性能.Tennessee Eastman应用结果表明,所提数据增强方法可以有效扩充故障样本,进而提高故障重构率.与WGAN-GP和SMOTE方法进行对比,发现基于TimeGAN数据增强的故障分类方法具有更好的分类性能.

基于故障子空间与PCA监测模型的故障可检测性研究

由于基于主元分析(Principal Component Analysis,PCA)的统计监控方法没有利用过程机理模型(First Principle Model)信息,因此在一定程度上限制了其故障诊断能力的发展。本文基于PCA的框架,采用故障子空间对故障进行描述,在PCA监测模型的基础之上,分析了主元空间和残差空间的故障可检测性问题,获得了故障可检测性的必要充分理论条件。通过对双效蒸发过程的仿真监测,证实了所获理论结果的有效性,表明了通过计算临界故障幅值就可事先对故障集内各故障的检测结果作定量的分析,从而事先了解各故障在PCA下的检测结果。

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,分析数据关联,提取出两个数据的广义主成分,利用投影关系建立故障子空间模型;然后,构建主成分分析故障监测模型,通过监测重构数据筛选广义主成分和故障方向数量,得到正常运行和故障子空间最优组合.该方法充分利用正常工况和故障工况的数据,所提取的故障子空间能够更加充分地反映故障信息,对后续提高故障诊断的准确性具有重要的作用.最后,通过Matlab数值仿真和TE工业过程验证所提出方法的有效性.

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。

主元空间中故障可重构性、可分离性研究

基于主元分析(Principal Component Analysis,PCA)的统计过程性能监测尽管不依赖于精确的数学模型,但也限制了它的故障诊断能力。本文在故障子空间和PCA监测模型及故障重构技术的基础上,研究了基于T2统计量的故障诊断问题,获得了主元空间中故障可重构性、可分离性的必要充分理论条件。通过对双效蒸发过程的仿真监测,证实了所获理论结果的有效性;表明通过故障重构不仅为故障识别提供了基础,而且重构故障幅值波形还为判断传感器故障类型提供了依据。