局部时差约束邻域保持嵌入算法在故障检测中的应用

传统的邻域保持嵌入(neighborhood preserving embedding,NPE)算法通过k近邻(k-nearest neighbors,k-NN)方法选择邻域进行重构来实现降维。但在实际工业过程中采集的样本具有时序相关性,仅仅通过欧氏距离选择近邻样本不能充分反映数据中包含的信息,从而影响检测效果。因此,提出一种局部时差约束邻域保持嵌入(local time difference constrained neighborhood preserving embedding,LTDCNPE)算法,充分考虑样本间的时间和空间关系,从而建立准确的故障检测模型。首先,该算法在固定尺度的时间窗内,根据样本的时序关系和空间特征挑选出邻域。其次,利用样本间的时间差异为邻域样本进行加权,使数据特征保留了高维空间的局部结构。然后,对降维后得到的主元空间和残差空间构建T和SPE统计量并确定控制限。最后,通过数值例子和Tennessee Eastman(TE)过程仿真验证LTDCNPE算法的有效性。

基于Schur分解和正交邻域保持嵌入算法的故障数据集降维方法

针对转子故障特征数据集降维问题,提出一种基于Schur分解和正交邻域保持嵌入算法的故障数据集降维方法——Schur-ONPE降维方法。该方法首先应用小波包分解提取不同频带内的能量以组成故障特征值集合,然后运用Schur分解和ONPE算法将高维特征集向低维投影,使降维后类内散度最小化及类间分离度最大化,最后将降维后得到的低维特征集输入K近邻分类器进行模式识别。通过双跨转子试验台的故障特征数据集进行验证,结果表明该方法能够有效地解决转子故障特征集的降维问题。

改进LNS和邻域保持嵌入算法的研究

传统邻域保持嵌入算法(Neighbor Preserving Embedding,NPE)对具有多中心、方差差异明显特性的高维数据的降维处理效果并不好,因此提出一种改进LNS和邻域保持嵌入算法(Modified Local Neighbor Standardization-Neighbor Preserving Embedding,MLNS-NPE),并应用于故障诊断中。利用MLNS算法对数据进行处理,对处理后的数据进行NPE算法建模。在数值例子和青霉素发酵过程中应用该算法与传统NPE算法、核邻域保持嵌入算法(KNPE)、KNN算法比较,结果表明,采用该算法后,数据多中心和模态差异消除,为后续NPE算法的应用提供先决条件,同时相比其他算法故障检测率最高,提高了NPE算法对多模态数据的检测能力。

基于WMNPE间歇过程监测的改进SVDD算法

间歇过程数据包含表征过程变化的相关信息和非相关信息,并且呈现高斯与非高斯的多分布等特点.为了更加充分地提取数据的有用信息和处理数据的非高斯性等问题,实现有效的过程监控,提出一种基于WMNPE间歇过程监测的改进SVDD算法.首先运用多向邻域保持嵌入(MNPE)算法来提取低维子流形以实现降维;再使用概率权值策略来提取表征过程变化的相关信息,通过Greedy方法提取低维子流形的特征样本;最后以支持向量数据描述(SVDD)方法建立监控模型进行监控.通过青霉素发酵过程仿真平台验证了所提算法的有效性.

基于LSNPE算法的化工过程故障检测

复杂化工过程通常具有多个操作模态,而且采集的数据不服从单一的高斯或非高斯分布。针对化工过程的多模态和复杂数据分布问题,将局部标准化(local standardized,LS)策略应用于邻域保持嵌入(neighborhood preserving embedding,NPE)算法,提出了一种新的基于局部标准化邻域保持嵌入(local standardized neighborhood preserving embedding,LSNPE)算法的故障检测方法。首先,使用LSNPE算法提取高维数据的低维子流形,进行维数约减,同时保持邻域结构不变。其次,通过特征空间中样本的局部离群因子(local outlier factor,LOF)构造监控统计量并确定其控制限。相较于监控多模态化工过程的多模型策略,提出的LSNPE方法不需要过程先验知识的支持,只需建立一个全局的监控模型。最后,通过数值仿真及Tennessee Eastman(TE)过程仿真研究验证了本文提出方法的有效性。

基于SPA间歇过程故障诊断的MKNPE算法

非线性特性是工业过程的显著特性,特别是间歇过程有着更强的非线性,而且传统方法只是对数据的协方差矩阵进行分解,忽略数据高阶统计量信息,从而无法充分提取非线性过程的有效信息导致诊断效果不佳.针对以上问题,提出了基于统计量的多向核邻域保持嵌入算法.该算法首先引入统计量模式分析方法(SPA)将样本数据投影到统计量样本空间中,可以更充分地提取非线性数据的高阶统计量信息;然后在统计量空间中通过核函数将统计量样本映射到高维核空间,用以解决数据的非线性;最后在高维核空间中应用邻域保持嵌入算法充分提取数据的局部结构来对间歇过程进行监控,检测到过程故障后用变量贡献图法诊断出故障变量.通过青霉素发酵过程验证了该算法对强非线性的间歇过程故障诊断是有效的.

基于改进KNPE算法的化工过程故障检测

核邻域保持嵌入(KNPE)算法能够较好地在非线性空间中进行故障检测,但高斯核函数仅对数据的局部空间有较强学习能力,泛化能力较差。针对上述问题,在高斯核函数的基础上,引入泛化能力较强的多项式核函数与其进行线性加权组合,提出基于组合核函数的邻域保持嵌入(CKNPE)算法。该算法在注重数据局部学习能力的同时增强了外推、预测能力,更多地保留了原始数据的特征信息。通过田纳西—伊斯曼(TE)仿真实验,与CKPCA、CMKPCA算法进行横向比较,并与NPE、KNPE算法进行纵向比较,证明了CKNPE算法对非线性故障检测的优越性。

WOA-SVM算法在钛合金端铣刀具磨损预测的研究

针对钛合金加工中刀具磨损状态的准确识别问题,建立了基于支持向量机(SVM)和鲸鱼优化算法(WOA)的钛合金刀具磨损预测模型。将SVM和WOA相结合,提出了一种新的WOA-SVM模型,用于钛合金立铣刀刀具磨损的精确估计。通过提取切削力的信号特征作为监测特征,利用邻域保持嵌入(NPE)对监测特征实现降维,提高了WOA-SVM模型的建模效率。实验结果表明:在保证预测精度的前提下,NPE的使用使WOA-SVM的建模时间减少了90%以上;与PSO-SVM和GSA-SVM等常用方法相比,WOA-SVM具有较高的预测精度,建模时间减少了30%以上;所建模型能有效预测钛合金加工刀具的磨损状态。

KNPE算法在化工过程故障检测中的应用

化工生产过程具有维数高、非线性强等特点。针对传统的邻域保持嵌入(NPE)算法对非线性数据特征提取不足的缺陷,引入高斯核函数,将数据由非线性的输入空间转换到线性的特征空间。核邻域保持嵌入(KNPE)算法在构建局部空间特征结构的基础上,能够更好地提取数据的非线性结构。通过以田纳西-伊斯曼(TE)仿真过程为例,构造T2和SPE统计量进行故障检测,证明了KNPE方法比NPE和KPCA方法能够更快更准确的检测出非线性故障的发生。

基于全局距离和类别信息的邻域保持嵌入算法

提出一种基于全局距离和类别信息的邻域保持嵌入算法。该方法在使用欧氏距离构造邻域图中,加入表征全局距离的全局因子和表示类别信息的函数项,全局因子可以使分布不均匀的样本变得平滑均匀,类别信息可以使同类样本点紧凑异类样本点疏离,通过提高所选邻近点的质量,优化数据的局部邻域,使降维后的数据具有更好的可分性。试验结果表明,该算法具有较高的准确率,优于传统的邻域保持嵌入算法。

基于TNPE算法的输电线覆冰过程预测模型

输电线路覆冰负荷智能预测模型的迭代误差随预测步长的增加而增大,无法对长期的覆冰负荷进行预测;且小概率覆冰事件样本较少,无法对上百年一遇的重大覆冰灾害进行预测。针对上述问题,提出一种基于时序近邻保持嵌入算法的输电线路覆冰预测模型,利用正常状况下的覆冰微气象数据构建预警模型,得到一条严重覆冰预警红线,以预测结果是否超限为判断依据,从而预警是否有严重覆冰发生,给出了一种对几十年一遇甚至上百年一遇的重大覆冰灾害进行预警的可行性方法。仿真结果表明,时序近邻嵌入保持算法模型可以对严重覆冰进行有效预警,且能够有效减低误报率及漏报率,体现了时序近邻嵌入保持算法模型对严重覆冰过程预警的优越性。

基于NPE改进算法的人脸识别

邻域保持嵌入(NPE)算法与极端学习机结合后应用到人脸识别中没有达到令人满意的识别效果,为找到更优的解决方案,提出一种改进的邻域保持嵌入算法(SNPE)。在SNPE算法中将NPE目标式子与带有类间判别信息的式子做减法,通过极小化目标函数,达到最小化同一类别领域距离且最大化不同类别领域距离的目人脸数据库等实验结果表明,改进后的算法大幅提高了人脸识别率。

基于GLRGMM的间歇过程在线监控策略

针对间歇过程的非线性和动态性,提出了全局—局部正则化高斯混合模型(GLRGMM)算法。首先引入邻域保持嵌入算法提取局部流形结构,通过寻求一种低维投影对非线性过程进行全局结构保持,同时最大限度地保留局部流形特征;然后通过对高斯混合模型引入正则项来在线监控更新高斯模型,获取非线性数据流形结构,解决数据动态性问题;最后集成全局—局部监控指标实现在线监控。通过青霉素发酵过程进行了验证,结果表明所提算法比DPCA、GLNPE具有更好的在线监控效果。

局部特征关系下的数据回归及软测量建模

针对复杂工业过程中存在的数据非线性的问题,对基于数据局部特征的回归模型构建和软测量建模方法进行研究。基于邻域保持嵌入(NPE)算法思想,利用数据间局部关系特征,建立多目标的回归优化函数,提出了基于局部的数据回归(LDR)算法。该方法基于数据的局部关系和邻域特征,在保留输入数据和输出数据局部特征的同时,获取数据间的最大相关关系。通过数据低维潜变量获取数据的回归关系,并建立软测量预测模型。将模型应用于工业案例中,预估产品的质量和难以在线测量的关键变量。脱丁烷塔的案例研究证明了所提出的方法在变量预测方面的有效性。与基于全局特征的软测量模型的对比分析结果表明,所提出的LDR在获取非线性数据相关性和增强数据预测精度方面具有显著的改善效果。

改进的WNPE在苯氯化过程的故障检测

针对苯氯化反应精馏过程中测量参数存在的高维度、非线性以及噪声干扰的问题,将遗传算法引入到加权邻域保持嵌入(WNPE)的参数选择中,提出了一种故障检测方法。该方法利用改进的遗传算法优选邻域个数和约减维数的参数,再利用WNPE对原始数据进行非线性降维,提取低维流形特征,建立监控统计模型进行故障检测。用Aspen Plus建立苯氯化反应精馏模型,并设置4种故障进行仿真研究,仿真结果表明,所提算法能够有效地检测出故障的发生,其检测精度明显优于PCA、KPCA方法。