基于全局局部保留投影与测地距离的气化炉故障检测方法

高温、高压、强腐蚀工作环境下的气化炉易发生仪表测量故障,进而影响煤制油、煤制甲醇等生产工艺,甚至危及人员安全。针对上述问题,提出了一种基于全局局部保留投影(global-local preserving projection,GLPP)算法与测地距离的气化炉故障检测方法。首先,采用GLPP算法提取样本邻域确定的数据局部特征;然后,提出一种基于测地距离度量样本的非近邻关系的数据全局特征提取方法;进一步,利用提取的全局特征构建相应的统计量来进行故障检测。最后,分别通过田纳西伊斯曼(Tennessee Eastman,TE)与真实气化炉2个案例验证所提出方法的有效性和可行性。

基于非线性动态全局局部保留投影算法的化工过程故障检测

传统基于核映射的非线性故障检测方法的性能受核函数类型和核参数的调优影响较大,且实际工业环境中对过程变量的非线性阶数存在很多物理限制。针对这一问题,提出一种非线性动态全局局部保留投影(nonlinear dynamic global-local preserving projections,NDGLPP)的故障检测算法。该方法首先使用动态全局局部保留投影算法对数据矩阵进行降维;然后对降维后的矩阵建立二阶多项式映射提取非线性空间的相关特性;接着通过迭代这两个步骤以获得高阶非线性映射;最后,将所提方法应用于乙烯精馏过程和Tennessee Eastman(TE)过程仿真中,验证了检测方法的有效性和可行性。

基于DGLPP-SVDD算法的化工过程故障检测

为解决传统全局局部保留投影算法(GLPP)不能充分利用已有故障数据进行特征提取的缺点,提出了判别全局局部保留投影算法(DGLPP)。在数据降维处理后,为应对高斯和非高斯混合分布的过程数据特性,通过支持向量数据描述算法(SVDD)构建故障检测统计量。将两种算法相结合提出基于DGLPP-SVDD的故障检测方法。将DGLPP-SVDD算法应用于TE过程仿真,并与GLPP算法对比,结果表明:DGLPP-SVDD算法具有更短的故障检测滞后时间和更高的故障检测率。

基于DGLPP-SVDD算法的化工过程故障检测

针对实际工业生产中数据间存在动态关系,以及高斯和非高斯混合分布特性,提出动态全局局部保留投影-支持向量数据描述(dynamic global-local preserving projection-support vector data description, DGLPP-SVDD)的故障检测算法。构建动态扩展矩阵代替原始数据集,提高动态过程的监测能力。支持向量数据描述(support vector data description,SVDD)算法能高效地处理具有非高斯特性的过程数据,故面对高斯和非高斯混合分布的过程时具有较优异的表现,且只需少量数据就能检测出系统处于非正常运行状态,提高了算法的故障检测率。通过田纳西-伊斯曼(Tennessee Eastman, TE)过程仿真研究对全局局部保留投影(global-local preserving projection, GLPP)算法和DGLPP-SVDD算法进行对比。结果表明,在故障误报率均控制在合理范围且相差不大的情况下,DGLPP-SVDD算法的平均故障检测率更高。