基于Copula模型的多维数据空间扫描监测方法

多维数据的监控问题已成为现代质量监控中的重点和难点。传统的多元统计过程控制方法往往假设数据符合特定分布,直接影响后续分析结果的准确性。在实际应用中,大多数多变量监测过程并不独立,不同维度数据之间存在一定的相关性,这也是容易被忽略的关键点。文章通过引入Copula模型,充分利用变量之间的相关性,给出合理的联合分布模型,然后建立了一种基于Copula模型的新的空间扫描统计量监测方法。与目前较流行的MEWMA控制图监测方法相比,所提出的方法能灵活有效地监测失控数据。算例表明,所提出的方法能够尽早发现数据的上升趋势,为防治系统提供预警。

基于分布式最小二乘的冶金工业流程质量异常检测

质量异常检测技术是保障冶金工业过程产品质量安全性和稳定性的重要手段,是当前过程监控领域的热点研究方向。针对传统的偏最小二乘(PLS)、最小二乘(LS)方法获取的主元空间中可能含有和质量正交的成分及检测实时性不强等问题,提出了分布式最小二乘(DLS)方法,设计了监测统计量,实现了质量异常检测。通过典型的冶金工业流程——热轧过程现场数据进行仿真验证,并与传统方法对比,验证了新算法的有效性。所提出的质量异常检测方法,将为以热轧过程为代表的冶金工业流程的安全监控及自主保障提供理论支撑与技术保证。

织物疵点图像目标定位自动优化检测仿真

针对纺织过程中出现的疵点图像目标定位自动检测,为了提高检测的精确性,提出一种基于多尺度主元分析(MSPCA)的织物疵点自动检测与定位新算法。算法首先采用小波分解对织物特征进行提取,将疵点特征突显出来,再通过PCA算法对织物特征进行分析,将织物特征分为主元空间和残差空间,通过计算SPE(Squared Prediction Error)统计量实现疵点实时监测。最后,运用滑动窗进行疵点定位,滑动步长设定为半个滑动窗的长度,相邻的滑动窗之间有重叠部分,因此只有当相邻的上下左右四个滑动窗均检测到疵点,方能确定其重叠部分存在疵点,在精确定位的同时有效减少误检测点。对正常、沾污、破洞、缺纬、缺经五种织物的检测结果更为精确,验证了上述方法的可行性及有效性。

Statistical Monitoring of Chemical Processes Based on Sensitive Kernel Principal Components

The kernel principal component analysis （KPCA） method employs the first several kernel principal components （KPCs）, which indicate the most variance information of normal observations for process monitoring, but may not reflect the fault information. In this study, sensitive kernel principal component analysis （SKPCA） is proposed to improve process monitoring performance, i.e., to deal with the discordance of T2 statistic and squared prediction error SVE statistic and reduce missed detection rates. T2 statistic can be used to measure the variation di rectly along each KPC and analyze the detection performance as well as capture the most useful information in a process. With the calculation of the change rate of T2 statistic along each KPC, SKPCA selects the sensitive kernel principal components for process monitoring. A simulated simple system and Tennessee Eastman process are employed to demonstrate the efficiency of SKPCA on online monitoring. The results indicate that the monitoring performance is improved significantly.

基于特征值变化的工业过程实时故障检测

针对核主元分析(Kernel Principal Component Analysis,KPCA)模型所产生的对角矩阵包含原始数据信息,且能够反映数据的特征,提出一种基于特征值变化的工业过程实时故障检测方法。因滑动窗口在收集数据建模时会出现故障数据被正常数据覆盖的现象,故采用实时数据和正常数据相结合的组合滑动窗口策略收集数据建立KPCA模型。通过KPCA模型所产生特征值的信息变化构造新的监测统计量,即数据发生故障时,变量值超出原来的范围,特征值会变大,利用这一变化规律构造监控统计量。将统计数据与置信限进行比较,从而对样本状态进行监视。通过数值例子和田纳西-伊斯曼过程的仿真实验,结果表明与其他的方法进行比较,该方法在过程故障检测中提高故障检测率,降低误报率。

Improved performance of process monitoring based on selection of key principal components

Conventional principal component analysis(PCA) can obtain low-dimensional representations of original data space, but the selection of principal components(PCs) based on variance is subjective, which may lead to information loss and poor monitoring performance. To address dimension reduction and information preservation simultaneously, this paper proposes a novel PC selection scheme named full variable expression. On the basis of the proposed relevance of variables with each principal component, key principal components can be determined.All the key principal components serve as a low-dimensional representation of the entire original variables, preserving the information of original data space without information loss. A squared Mahalanobis distance, which is introduced as the monitoring statistic, is calculated directly in the key principal component space for fault detection. To test the modeling and monitoring performance of the proposed method, a numerical example and the Tennessee Eastman benchmark are used.

一种数据驱动的旋转机械早期故障检测模型构建和应用研究

传统在线监测系统未能实现早期故障预警,旋转机械状态劣化评估采用固定阈值分级报警方法,存在较多的误报警和漏报警现象,难以指导企业设备预测性维修开展,设备运行安全性、可靠性、利用率难以保障。立足于工程应用,研究基于小波包分解、动态核主成分分析、T2统计分析、Beta分布预警控制限自学习等技术,构建数据驱动基于振动信号分析的旋转机械早期故障检测模型。应用辛辛那提大学智能维修系统中心滚动轴承试验数据和中国某石化公司加氢裂化装置P3409A离心泵轴承"运转到坏"的在线监测振动数据,对构建的设备早期故障检测模型进行验证,结果表明,构建的设备早期故障检测模型,相比传统固定阈值分级报警方法,能够检测滚动轴承早期故障并实现早期故障准确告警,能够有效降低错误报警率和漏报警率。构建的基于振动信号的旋转机械早期故障检测模型,只需要知道监测部件正常运行状态历史数据,无需外部专家支持,实时数据驱动即可实现早期故障检测预警。