PCA过程监测方法的故障检测行为分析

通过分别导出T2 和SPE统计量均值与过程数据统计参数之间的关系 ,分析了影响主元分析 (PCA)检测行为的因素以及工况变化与故障在PCA下的不同被检测行为 ,利用双效蒸发过程的仿真监测验证了获得的结果 。

动态隐变量法及其在动态过程监控中的应用

针对动态系统模型难以获取的问题,以提高统计监控性能为目标,对现有的动态隐变量法进行了深入研究。首先指出动态隐变量可包含更多的动态信息,但仍具有自相关,为此提出了采用修正控制图的方法对动态隐变量空间进行检测,而对于自相关不显著的残差空间,指出可按照传统方法或是非参数方法建立控制图;接着将过程知识和经验受控平均运行长度的检验考虑在内,给出了一种时滞变量和时滞长度的确定方法;最后,提出了一种根据残差累积和以及递归特征消除算法(recursive feature elimination,RFE)进行故障变量辨识的方法。通过对双效蒸发过程的应用监控,表明了上述方法的有效性。

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的仿真监测,表明了所获得的结果能对故障(传感器故障和过程故障)进行有效地识别,证实了所获理论结果的有效性。

基于主元分析新统计量的多元统计过程监控(英文)

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,提出了一种改进的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T^2程故障引起的图变化,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。

主元空间中故障重构的故障识别（英文）

基于主元分析(Principal Component Analysis,PCA)统计过程监控方法,由于其不需要数学模型,因此目前在过程监控领域获得了广泛应用,但这也限制了其在故障诊断方面的能力。针对此问题,本文从故障子空间与PCA监控模型的角度,利用故障重构技术,对基于PCA的T^2统计量进行重构,获得了主元子空间中T^2统计量的故障可重构性理论条件,提出了具体的故障识别指标和诊断算法,解决了基于主元子空间故障重构技术的故障诊断问题,弥补了Dunia等人的方法只在残差子空间中讨论故障重构与识别问题。通过对双效蒸发过程的仿真监控,表明了所获得的理论条件、故障识别指标和诊断算法能对传感器故障和过程故障进行有效地识别,证实了所获理论、识别指标和诊断算法的有效性。