改进的FP-growth算法及其在TE过程故障诊断中的应用

为了解决频繁模式增长(frequent pattern growth,FP-growth)算法因多次遍历频繁集列表而产生庞大频繁模式树需占用大量内存降低了运行效率的问题,提出一种改进的FP-growth(upgraded FP-growth,UFP)算法.首先,构造支持度函数实现各项与其支持度的映射,使算法的运行效率得到提高;其次,利用关键字筛选技术,把频繁项分成关键项表、非关键项表两部分,保证了最终获取的每条关联规则都是人们关注的有效信息;最后,根据频繁1-项集划分数据库子集并直接构造每一项的条件模式树,节省了内存空间.将UFP算法应用于Tenessee Eastman(TE)过程的故障诊断,通过与主成分分析(principal component analysis,PCA)、核主成分分析(kernel principal component analysis,KPCA)算法在多种故障下的诊断结果对比实验验证了算法的优越性.

基于mini-1D-CNN模型的TE过程故障诊断

为提升石化企业过程监测与故障诊断系统性能,满足化工过程故障诊断实时性、时效性的要求,提出一种基于过程历史数据驱动的最小一维卷积神经网络(mini-1D-CNN)的故障诊断模型。首先,通过一维卷积核学习和识别不同故障类型的数据特征,自动提取优势特征并进行故障分类;其次,通过逐步向后回归选择重要特征参数,优化模型结构。利用可实时获取的31个过程变量与操作参数,输入一维卷积神经网络(1D-CNN),监测与诊断田纳西-伊斯曼(TE)过程的主要故障。结果表明:相对于其他故障诊断模型,mini-1D-CNN模型在测试集上故障诊断率(FDR)较高,可达到96.50%;同时,mini-1D-CNN模型关注于TE过程故障诊断的重要特征参数,在降低参数量及降低训练和测试时间上具有显著优势。

基于模糊粗糙集和鲸鱼优化支持向量机的化工过程故障诊断

针对化工过程复杂,故障数据量大、属性多,难以保证故障诊断准确率和速度的问题,提出了一种基于模糊粗糙集(fuzzy rough sets,FRS)和鲸鱼优化的支持向量机(support vector machine,SVM)的化工过程故障诊断方法。通过对化工过程历史数据分析,判别故障类型。首先,利用模糊粗糙集对离散化后的过程数据进行特征选择,经过属性约简得出最小故障特征集合;然后,利用一种新型元启发式算法——鲸鱼优化算法(whale optimization algorithm,WOA),对支持向量机的参数进行优化,根据全局最佳适应度函数值,构建故障数据分类模型;最后,将属性约简后的数据集输入到鲸鱼优化的支持向量机故障分类模型中,实现化工过程的故障诊断。利用田纳西-伊斯曼(Tennessee Eastman,TE)过程对构建的FRS-WOA-SVM故障分类模型进行测试及比较。结果表明,该方法故障诊断准确率高、诊断速度快,可以有效地对化工过程中的故障做出诊断。

基于LLE与K均值聚类算法的工业过程故障诊断

工业过程中各类数据间具有一定的相似性,单纯利用K均值算法对其进行故障诊断时,存在很大的错误率。提出一种基于局部线性嵌入(Locally Linear Embedding,LLE)的K均值聚类算法,将正常数据运用LLE算法降维并求出投影矩阵,利用投影矩阵将原始故障数据映射到低维空间,再利用K均值算法对其聚类,建立检测与诊断模型。将此方法应用于田纳西-伊斯曼(Tennessee-Eastman,TE)过程中进行故障检测与诊断,并同传统K均值算法及LLE算法对比,结果表明:提出的新方法具有更高的正确率,同时可以有效地对未知类型的故障数据进行判别。

基于稀疏主元分析的过程监控研究

主元分析(principal component analysis)是一种多元统计技术,在过程监控和故障诊断中具有广泛的应用。针对过程监控中数据量大的特点,提出一种稀疏主元分析(sparse principal component analysis)方法,通过引入lasso约束函数,构建稀疏主元分析的框架,将PCA降维问题转化为回归最优化问题,从而求解得到稀疏化的主元,并提高了主元模型的抗干扰能力。由于稀疏后主元相关的数据量减少,利用数据建立过程监控模型,减少了计算量,并缩短了计算时间,进而提高了监控的实时性。利用田纳西伊斯特曼过程(TE processes)进行实验仿真,并与传统的主元分析方法进行对比研究。结果表明,新提出的稀疏主元分析方法在计算效率和监控实时性上均优于传统的主元分析方法。

基于余弦相似度的复杂网络故障检测方法及应用

提出一种基于余弦相似度的复杂网络故障检测方法。利用余弦相似度确定变量之间的相关性,得到邻接矩阵,进而构建变量之间的网络模型;结合系统的网络拓扑结构,计算相应的复杂网络度量指标,对比故障状态与无故障状态下的网络结构与度量指标的差异,确定故障源;最后利用Tennessee-Eastman(TE)过程故障检测实例,结果表明,与偏相关系数方法对比,本文所提方法能有效且更准确地检测出故障。

一种复杂机电系统LE-SVDD异常监测方法

复杂机电系统生产过程监测数据具有明显的高维非线性和复杂分布特点,针对传统的方法难以满足复杂系统异常辨识的要求,提出一种拉普拉斯特征映射-支持向量数据描述(Laplacian eigenmaps-support vector domain description,简称LE-SVDD)的异常监测方法。由于高维特征空间中距离很近的点投影到低维空间后距离应该很近,因此改进的LE方法使用一个有权无向图来描述一个流行,用嵌入的方式找到高维数据的低维嵌入,从而能够发现高维数据内部的地位流行结构。通过标准的田纳西-伊斯曼过程(Tennessee Eastman process,简称TE过程)测试和训练数据进行仿真实验,给出了在非线性特征提取和不同时段异常辨识的准确结果。平均漏报率和误报率都比较低,分别为6.063,6和5.625,3.125,这表明LE-SVDD方法在状态监测中具有良好的非线性和高维数据处理能力,适用于工程系统的监测诊断。

基于主元分析残差空间的自适应统计方法及其应用

提出一种基于主元分析(PCA)残差空间的自适应统计方法。将原始空间分解为主元空间和残差空间,然后根据残差空间得分变量方差变化趋势,给出由Hotelling’s T^2和欧式距离相结合的自适应统计量T_e^2。将PCA-T_e^2、PCA-Q以及核主元分析(KPCA)-Q等方法应用于田纳西-伊斯曼(TE)过程中,仿真结果表明PCA-T_e^2具有较高的检测性能。

基于多块修正ICA算法的分散式非高斯过程监测方法

针对分散式非高斯过程监测方法通常都忽略测量变量间整体性的问题,为了同时提取测量变量间的局部特征和全局特征,提出了一种基于多块修正ICA(multi-block modified ICA, MBMICA)算法的分散式非高斯过程监测方法.首先,通过修正FastICA迭代算法得到MICA(modified ICA)算法;然后,利用整体测量变量的解混向量引导各个子块中独立成分的分解,得到能够考虑测量变量间整体性的MBMICA算法,并利用该算法实施分散式非高斯过程监测;最后,通过仿真对比实验验证了MICA算法的可行性及该方法相比于其它分散式过程监测方法的优越性.