基于局部邻域标准化策略的多工况过程故障检测

为满足实际工业过程中的生产需求,复杂的化工过程往往会包含多种运行模态,而且过程数据不再单一地服从高斯分布或非高斯分布.过程数据的多工况分布特性以及同一工况下数据分布的不确定性使得传统的多元统计方法无法得到满意结果.针对复杂化工过程中多工况以及复杂数据分布的问题,提出一种基于局部邻域标准化策略(Local Neighborhood Standardization,LNS)的故障检测方法.首先,运用局部邻域标准化策略对历史数据集进行预处理,并充分考虑到邻域密度,再通过局部密度因子(Local Density Factor,LDF)构造监控统计量,进而对工业过程数据进行在线故障检测,最后通过数值例子和Tennessee Eastman(TE)过程验证本文方法的有效性.

基于局部邻域标准化和核主元分析的故障检测

针对工业过程的多模态和非线性特性,提出一种基于局部邻域标准化(Local Nelghbor Standardization,LNS)和核主元分析(Kernel Principa Component Analysis,KPCA)相结合的故障检测方法(LNS-KPCA)。通过计算训练数据集中样本之间的距离来确定每一个样本的最近K近邻集合,然后利用该K个近邻集的均值和标准差对当前样本进行标准化处理,以消除过程数据的多分布特征,使得标准化后的数据服从或近似服从同一正态分布,结合核主元分析能够处理非线性过程的特征,在标准化后的数据集中应用KPCA确定T~2和SPE控制限进行故障检测。在非线性数值例子和青霉素发酵过程中进行了仿真研究,并与主元分析(Principal Component Analysis,PCA)、KPCA和K近邻故障检测(FD-KNN)等方法进行对比分析验证了该方法的有效性。

基于局部邻域标准化和贝叶斯推断的多工况过程监测

实际工业过程中往往包含不同运行工况,且每种工况数据一般不服从同一种分布.数据的多分布性和分布的不确定性使得传统的故障诊断方法难以获得满意的效果,因此提出一种基于局部邻域和贝叶斯推断的多工况故障诊断方法.首先,通过局部邻域标准化算法对多工况数据进行预处理;再利用ICA-PCA(independent component analysis and principal component analysis)方法分别对该数据集的高斯特性和非高斯特性进行分析处理,获得全局模型;然后结合贝叶斯推断将多个统计量组合成一个监测统计量,实现多工况过程的在线监测;最后通过数值例子和TE过程的仿真研究,验证了提出方法的可行性和有效性.

基于LNS和主成分分析的局部离群因子故障检测

针对复杂工业过程中的多模态和非线性等问题,提出了一种新的故障检测方法。采用局部邻域标准化(Local neighbor standardization,LNS)方法对多模态数据集进行标准化处理,利用主成分分析(Principal component analysis,PCA)将数据划分为主成分子空间(Principal component subspace,PCS)和残差子空间(Residual subspace,RS),使用局部离群因子(Local outlier factor,LOF)方法分别在这两个子空间进行故障检测。LNS方法可将多模态数据归一化为单模态数据,使PCA能够更准确地划分主成分子空间和残差子空间,LOF方法能够增强PCA处理非线性数据能力,同时能弥补自身单监控统计量的不足。采用LNS-PCA-LOF方法对非线性数值例子和青霉素发酵过程进行了仿真,与PCA、K近邻故障检测(FD-KNN)和LOF等方法相比,验证了所提方法的有效性。