基于核独立元分析的间歇过程在线监控

针对间歇过程独特的数据特点,提出了一种基于核独立元分析(kernelICA)的局部在线建模监控方法。核独立元分析通过规范相关性将比较函数扩展到一个再生的核希尔伯特空间,并用核的方法在此空间对比较函数进行计算和寻优。对含有多种分布的过程源数据,核独立元分析是一种比独立元分析(ICA)更有效的特征提取方法。对于按批次方向展开的间歇过程历史建模数据,在每一个时间间隔点应用核独立元分析算法提取独立元用于建模,并计算I2和SPE统计量及相应的控制限。此方法不需要对未来测量值进行估计,更重要的是解决了核独立元分析不能直接处理间歇过程高维历史建模数据的难题。仿真结果验证了所提出方法的可行性和有效性,并显示出比传统MICA更好的监控效果。

一种基于核独立元分析的非线性过程监控方法

独立元分析(ICA)在线性过程监控中得到了成功的应用,但是实际工业过程大部分是非线性的。在利用核ICA(KICA)建立过程非线性模型的基础上,根据核技巧,给出了一种高维空间分离矩阵的排序和独立元个数的选择方法,并将监控指标扩展到高维空间,从而提出一种基于KICA的非线性过程监控方法,解决了ICA对非线性过程监控效果不理想的缺点。以田纳西-伊斯曼过程(TE过程)为例,对比了KICA与ICA的监控效果,结果证明了该方法的优越性。

核独立元分析的非线性多元回归方法研究

针对工业过程中多变量非高斯分布数据的回归预测问题,提出一种基于数据驱动的核独立元分析的非线性多元回归方法(KICR)。将非线性输入数据矩阵通过核独立元分析(KICA)算法提取核独立元矩阵(KIC),以KIC为自变量,目标真值矩阵为应变量进行训练组最小二乘回归(PLSR)系数的求取和测试组多元线性回归(MLR)预测模型的建立。该方法有效弥补了本质线性的快速独立元回归(Fast-ICR)方法在非高斯分布数据上预测精度的不足。通过非线性数值方程案例预测模型的仿真,表明该方法在合适的高斯基核函数映射下拥有比Fast-ICR更高的回归预测精度。

基于判别式的核独立元分析

核独立元分析(KICA)法是近年来发展起来的核化算法,但难以将其用于故障诊断问题。为了解决该问题,对两种核独立元分析算法——基于受限协方差测度的方法KICA2和基于核互信息测度的方法KICA3进行变形得到适用于分类或故障诊断的形式。进一步分析了KICA2与一种核偏最小二乘(KPLS)方法的等价性以及KICA3与核主元分析(KPCA)的等价性。最后对Tennessee Eastman过程进行仿真,说明了方法的有效性。

间歇过程在线检测的核独立元分析及局部建模方法

针对间歇过程所具有的非线性特点,提出了一种基于核独立元分析(Kernel ICA)及局部建模的在线故障检测策略.将展开的高维历史数据按时间间隔划分,应用Kernel ICA算法对每一个时间间隔点的分数据块提取独立主成分,构造检测统计量,并用非参数估计方法确定其控制限.这种建模方法机理简单,而且不需要预测过程未知的测量数据.通过对DuPont间歇聚合过程的仿真,验证了所提出方法的有效性和准确性.

基于多尺度核独立元分析与核极限学习机的柴油机故障诊断

为提高柴油机故障诊断速度和精度,提出了基于改进多尺度核独立元分析与量子粒子群优化核极限学习机的故障诊断方法。首先利用固有时间尺度分解对缸盖振动信号进行多尺度时频分解,并根据故障敏感度参数筛选有效分量以实现振动冲击特征增强;然后利用核独立元分析消除有效分量间的频带混叠,分离故障敏感频带,并提取各频带的AR模型参数、多尺度模糊熵和标准化能量矩构造联合故障特征向量;最后建立基于量子粒子群优化的核极限学习分类器实现柴油机故障诊断。试验结果表明,该方法有效增强了缸盖振动信号中的故障敏感特征,提高了柴油机故障诊断速度和精度,故障分类准确率达到98.45%。

基于核独立元分析的非线性工业过程故障诊断

复杂工业过程的数据具有非高斯、非线性特性,在进行故障检测时,利用核独立元分析(kernel independent component analysis,KICA)方法能有效解决这一问题。然而,由于在处理数据时使用了核函数,无法将线性的贡献图方法直接用于故障诊断,因此采用一种基于改进KICA结合非线性贡献图的方法,对非线性工业过程进行故障检测与诊断。该方法利用基于超松弛因子的FastKICA方法建立监控模型,得到检测故障信息。在发生故障后,通过非线性贡献图法诊断故障变量。最后,选用带钢热连轧工业过程实测数据进行仿真,通过与传统贡献图方法比较,结果表明此方法能够对非线性数据进行有效可靠的故障检测和故障诊断,验证了非线性贡献图的有效性。

基于稀疏核独立元分析的过程工业故障诊断

目前复杂流程过程工业故障诊断难度加剧,对稀疏核独立元分析故障诊断方法进行了研究。该方法首先对流程工业过程数据以增量式样本基的构造方法提取样本基,并以此样本基建立核独立元分析检测模型,在检测到有故障发生后,再通过贡献度识别出故障的来源达到故障诊断的目的。另外,为了进一步验证SKICA在过程工业故障诊断的有效性和实用性,使用Tennessee Eastman(TE)过程的相关数据进行仿真研究。

基于核独立元分析的工业故障检测

独立元分析(ICA)是从多个源信号的线性混合中分离出源信号的技术,是一种基于信号高阶统计特性的算法。但对于处理非线性变化信号有一定的局限,核独立元分析(KICA)方法能够很好地解决这个问题,该方法主要结合了核主元分析(KPCA)和独立元分析(ICA)的优点,是在线故障检测的一种非线性算法。该算法利用工业过程中多仪表在正常工作下的历史数据建立故障检测模型,通过监控检测统计量是否超出阀值控制限来进行故障检测。使用TE(Tennessee Eastman)过程数据进行仿真来验证此算法的有效性。

基于混合动态主元分析的故障检测方法

针对基于动态主元分析的故障检测方法存在的主元个数较多以及计算效率低等问题,本文提出基于混合动态主元分析(Hybrid Dynamic Principal Component Analysis,HDP-CA)的复杂过程故障检测方法。该方法采用分步策略消除数据之间的自相关和互相关性,提高了故障检测的精度和效率。对TE过程典型故障和热连轧过程中断带故障检测结果表明:HDPCA方法提取的主元个数少于DPCA方法提取的主元个数。并且,基于HDPCA的T2和SPE统计量的检测性能和检测精度都由于基于DPCA的统计量。因此,本文提出的方法可以准确有效地检测出故障。

基于改进的GA-LSSVM的软测量建模方法

针对工业过程中某些重要过程变量难以实现在线测量的问题,提出了一种改进的最小二乘支持向量机(IGA-LSSVM)的软测量建模方法.该方法采用核独立分量分析(KICA)对高维数据进行特征提取,利用改进的最小二乘支持向量机进行建模.该方法既利用了最小二乘支持向量机求解速度快的特点,又利用了自适应遗传算法强大的全局搜索能力,增强了模型的自适应性.用该方法建立柴油凝点的软测量模型,结果表明,基于IGA-LSSVM方法建立的软测量模型具有较高的预测精度和泛化能力.

KICR在转炉炼钢终点温度预测中的应用

转炉终点温度是决定钢质量的关键因素,在炼钢的恶劣环境中难以检测。建立了基于核独立元回归(KICR)方法的终点温度的预测模型。将核独立元分析(KICA)与回归分析相结合,利用KICA方法提取输入数据矩阵的独立元(KIC)矩阵;分别以KIC、实值矩阵为自变量和因变量进行训练,求取最小二乘回归(LSR)系数建立预测模型。工业现场生产数据仿真结果表明:与PCR,PLSR和ICR等预测模型相比,基于KICR的转炉终点温度预测模型,预测精度高、跟踪性能较好,可为实际生产中的终点控制提供参考,提高生产效益。

基于SKICA的非线性过程缓变故障检测方法研究

针对非线性工业过程缓变型故障的检测问题,提出一种基于累积和核独立元分析(SKICA)的故障检测方法。通过核函数技术将观测数据从非线性空间映射到线性空间,然后对线性空间的数据应用独立元分析算法,提取观测数据中的非线性独立元。为了更好的检测过程中微小变化和缓变故障,进一步应用累积和控制图(CUSUM)的思想。建立累积和非线性独立元并以此构造统计量监控过程变化。在连续搅拌反应器(CSTR)上的仿真结果表明,SKICA方法能够比ICA方法更快的检测出非线性过程中的缓变型故障。

一种基于KICA-GMM的过程故障检测方法

核独立元分析(kernel independent component analysis,KICA)故障检测方法的故障检测时间易受独立元顺序和主导独立元数目经验选取的影响,针对这个问题,提出基于KICA和高斯混合模型(Gaussian mixturemodel,GMM)的故障检测方法。采用KICA从正常工况测量数据中提取独立元,用GMM拟合各独立元的概率密度函数,建立基于GMM的监控量及其控制限;计算各独立元的监控量均值,以此判断其非高斯性强弱,对每个强非高斯独立元进行单独监控,对弱非高斯部分采用主元分析法进行监控。在Tennessee Eastman过程上的仿真结果说明,相比于KICA故障检测方法,所提方法不需要排序独立元和选取主导独立元数目,避免了其对故障检测时间的影响,能够有效利用过程信息,缩短故障检测的延迟时间。

基于提取振源方向的频谱类型识别

振动频谱类型的识别决定汽轮机振动故障的诊断方向。为了提高在线识别精度,创新性地将核独立元分析(KICA)和故障重构思想引入振动频谱识别,提出一种基于振源方向的频谱类型识别方法。首先,基于核独立元分析方法,从频谱数据中提取激振力信息。然后,借鉴故障重构的思想,在样本独立元空间中提取故障振源特征方向,建立频谱类型识别库。最后,通过实时对振动频谱在各类故障特征方向上的重构识别,判断频谱类型。采用该方法对试验台数据和某机组实际振动频谱数据的识别进行了验证,并与基于欧氏距离的相似性识别方法进行了对比,证明了该方法的优越性。基于提取振源方向的频谱类型识别的研究,可为汽轮机振动故障智能诊断提供更加准确、可靠的频谱征兆信息,也为同类机械振动频谱智能识别提供了新的解决方案。

一种基于改进KICA的非高斯过程故障检测方法

针对基于核独立元分析(kernel independent component analysis,KICA)的故障检测方法只考虑非高斯信息提取而忽略局部近邻结构保持的问题,提出基于改进KICA的过程故障检测方法。将KICA法中只考虑非高斯信息提取的负熵最大化准则转换为熵最小化准则,结合局部保持投影的相似局部近邻结构准则,提出了同时考虑非高斯信息提取和局部近邻结构保持的目标函数,通过粒子群优化算法进行全局寻优,然后建立监控统计量对过程进行监控。在Tennessee Eastman过程上的仿真结果说明,与基于KICA的故障检测方法相比,所提方法能够在保持数据集局部近邻结构的同时,提取非高斯信息,能够有效缩短故障检测的延迟时间,提高故障检测率。

数据驱动PCA、ICA和KICA故障检测仿真比较

针对同一非线性过程数据,分别应用多元统计过程监控技术中的主元分析(Principal Component Analysis,PCA)、独立元分析(Independent Component Analysis,ICA)和核独立元分析(Kernel Independent Component Analysis,KICA)三种方法进行了故障检测建模,并进行了仿真比较研究。通过田纳西-伊斯曼过程(Tennessee Eastman Process,TE)仿真结果表明:在处理实际工业生产中非线性、非高斯的数据方面,KICA方法具有更强的故障监测能力。

不同展开方法在间歇过程故障检测中的应用

间歇过程数据是一个典型的三维数据形式,数据的展开方法在一定程度上影响了所建立的统计模型的精确度。针对这一问题,提出了基于不同展开方式上的核独立元分析(KernelICA)的在线故障检测方法,并应用于青霉素生产过程的数据分析中。仿真结果表明,与传统的在批次方向展开的建模方法相比,所提出的方法大大降低了故障的漏报率,具有更好的故障检测性能。

PCA和KICA特征提取的变压器故障诊断模型

为了充分利用主元分析(PCA)和核独立主元分析(KICA)特征提取的互补性,提高变压器故障分类正确率,提出了基于PCA和KICA特征提取的变压器故障诊断模型。该模型中,首先,将油中溶解气体分析(DGA)测试样本投影到PCA空间中进行特征提取,采用多核支持向量机(MKSVM)作为分类器进行预分类,采用核密度估计方法估计阈值将测试样本预分类为易识别或难识别样本;对难分类样本则再次投影到KICA空间,采用另一MKSVM作为分类器进行分类识别,实现PCA和KICA双空间特征提取算法;最后,根据故障特征,建立变压器故障诊断模型。实验结果表明,所提出的双空间算法对变压器故障的识别率达到88.61%,比单空间算法和IEC3比值法的识别率分别高10%和24%。

DEBA优化加权D-S证据融合的煤矿瓦斯监测策略

针对煤矿瓦斯监测系统的非线性、时变性和多参数强耦合性问题,提出了一种差分进化改进蝙蝠算法(DEBA)优化加权D-S证据融合的煤矿安全监测策略。通过核独立主元分析算法(KICA)对煤矿井下多种传感器采集的原始数据初步处理,进行特征提取,再应用加权D-S证据理论进行数据融合处理,同时采用DEBA算法对加权平均D-S理论的权重进行优化,建立煤矿瓦斯监测模型,可对矿井下的瓦斯状态作出及时判断,并相应地采取决策。MATLAB仿真结果表明:该监测模型能够显著提高煤矿瓦斯监测的精确度和泛化能力以及全局决策的快速性与合理性。