基于DiPCA的故障预测算法研究

故障预测作为一种能够实现对故障“未卜先知”,进而可以提前干预的故障诊断技术,近年来受到了越来越多的关注。提出了一种基于动态内部主元分析(DiPCA)的故障预测算法,并针对田纳西-伊斯曼(TE)化工过程进行了仿真研究。与传统的主元分析(PCA)算法不同,DiPCA考虑了数据沿时间维度的动态变化,通过构建动态隐含变量及其数学模型,捕获数据中主要的动态特性,进而根据历史数据推演出系统的未来变化,更适用于系统的故障预测问题。研究表明该算法在阶跃变化、随机变化和粘滞等不同类型的故障下均能提前预报故障的发生,验证了算法的有效性。

基于动态内部主元分析和隐马尔科夫模型的动态过程故障检测与分类方法

随着工业生产过程的扩大,保证生产过程的安全平稳高效运行日益受到重视.因此,对工业过程进行及时有效的监测与故障诊断具有重要意义.一般而言,工业过程采集的数据具有较强的动态性,有效提取数据中的动态信息并进行分析极其重要.本文基于动态内部主元分析(DiPCA)进行动态性分析并结合隐马尔科夫模型(HMM),提出了一种新的故障诊断框架,实现了动态过程故障检测与故障分类.首先,利用DiPCA算法提取正常工况下数据的动态特征;然后,利用HMM能够有效处理时序数据的特点,对所提取的动态特征进行建模,构建了动态过程的故障检测框架;并利用HMM强大的模式分类能力,对故障数据进行建模,实现故障的分类;最后,将提出的方法用于田纳西–伊斯曼过程,验证了该方法的有效性与优越性.

基于多特征融合的工业气动调节阀快速自学习故障诊断方法

气动调节阀的复杂特性,使得通过建立精确数学模型来描述阀门故障较为困难,因而数据驱动技术在其故障诊断领域颇受关注.但现有商业化的调节阀其控制系统仅配置了相当有限的硬件设备,这对故障诊断模型和学习效率提出了更高的要求.为此,提出一种基于多特征融合的气动调节阀快速自学习故障诊断方法.首先,提出基于云模型(cloud model,CM)和动态内部主元分析(dynamic-inner principal component analysis,DiPCA)的特征信息融合方法,提高诊断模型的输入信息质量;其次,建立一种低差异随机配置网络,按照低差异序列以监督增量方式快速自主构造调节阀诊断模型,从而有效提高模型的学习效率和紧致性;最后,利用DAMADICS平台的实验数据验证所提出方法的快速性和准确性.