基于增量式等距映射同双重局部密度方法的工业过程故障检测

针对工业过程的非线性和动态性问题,提出一种基于流形学习下的增量式等距映射(IISOMAP)与双重局部密度(DLD)相结合的故障检测方法(IISOMAP-DLD).利用IISOMAP将原始数据映射到低维流形特征子空间和剩余子空间;然后,在两个子空间中分别引入双重局部密度方法构建统计量对过程进行监控;最后,将IISOMAP-DLD方法应用到田纳西-伊斯曼(TE)过程.实验结果表明,IISOMAP-DLD对比其他方法有更高的故障检测率.IISOMAP在保留数据内在特征的同时,解决了过程的非线性问题,而双重局部密度方法可消除过程的动态性.

基于等距离映射的非线性动态故障检测方法

针对化工过程数据强非线性和动态性的特点,提出了一种基于动态等距离映射(Dynamic Isometric Mapping,DISOMAP)流形学习的非线性过程故障检测方法.该方法首先采用DISOMAP算法提取训练样本的子流形特征,自适应学习近邻点参数,保留了采样数据的流形结构,然后运用线性回归方法得到原空间和降维子流形空间的投影映射,从而将观测数据从原高维空间映射到低维嵌入空间,最后在变换后的低维空间构造统计量T2和SPE进行监控.TE过程的仿真结果表明,所提出的DISOMAP故障检测方法可以比核主元分析(Kernel Principle Component Analysis,KPCA)更为有效地监控过程变化,检测到故障的发生.

基于改进动态等距离映射的非线性动态故障诊断方法

分析动态等距离映射算法,针对数据稀疏分布造成短路边的缺点,运用主成分分析法进行可视化一维主元提取,近似确定高维采样点的分布情况,自适应获取采样点的近邻参数.其次,采用流形距离量度代替欧氏距离进一步得到测地线距离,提取训练样本的子流形特征,并运用标准化监控统计量实施过程监控和故障检测.最后,设立子流形综合相似度指标,对故障数据进行模式匹配.TE(Tennessee Eastman)过程的仿真结果表明:所提出的方法可以更为有效地检测到故障发生,并进一步对发生的故障进行识别.

时空约束下的三维动态模型一致性对应

已有对应算法由于局部几何特征不稳定而存在错误映射。文中针对三维动态数据,提出了时空约束下的一致性对应算法。首先,算法以相邻帧数据的时空一致性为约束条件,结合非刚性变形理论构建能量最小化方程。其次,通过能量方程约束求解得到稀疏对应关系。最后,针对变形跟踪所导致的对应丢失问题,所提算法结合曲面采样和等距映射完成紧密对应。针对不同的三维动态数据进行实验分析和量化比较,结果所提算法明显优于类似的算法。