提出一种基于递归稀疏主成分分析(recursive sparse principal component analysis,RSPCA)的工业过程故障监测与诊断方法,可用于时变工业过程的自适应故障监测与诊断.通过引入弹性回归网,将主成分问题转化为Lasso与Ridge结合的凸优化问...提出一种基于递归稀疏主成分分析(recursive sparse principal component analysis,RSPCA)的工业过程故障监测与诊断方法,可用于时变工业过程的自适应故障监测与诊断.通过引入弹性回归网,将主成分问题转化为Lasso与Ridge结合的凸优化问题,采用秩-1矩阵修正对协方差矩阵进行递归分解,递归更新稀疏载荷矩阵和监测统计量的过程控制限,以实现连续工业过程长时间自适应故障监测,对检测出来的故障通过贡献图法实现对故障的诊断.在田纳西-伊斯曼(TE)过程进行实验验证,结果表明,与传统的故障监测方法相比,所提出的方法有效降低了故障漏检率和误报率,且时间复杂度低,确保了故障监测的灵敏度和实时性.展开更多
为提高支持向量机(support vector machine,SVM)的故障检测率,提出一种基于主元增广矩阵的SVM(SVM based on principal component augmented matrix,PCAM-SVM)故障检测方法.运用主元分析(principal component analysis,PCA)算法在主元...为提高支持向量机(support vector machine,SVM)的故障检测率,提出一种基于主元增广矩阵的SVM(SVM based on principal component augmented matrix,PCAM-SVM)故障检测方法.运用主元分析(principal component analysis,PCA)算法在主元空间中计算得分矩阵,再加入得分的时滞输入特性和时差输入特性,构建增广矩阵.运用正常数据和故障数据的增广矩阵训练SVM模型,获得判别分类函数,再运用SVM模型对测试数据进行分类.PCAM-SVM方法通过构建主元增广矩阵,增加模型输入特性复杂度,有效降低了数据自相关性,提高了SVM的故障检测性能.将该方法应用于多变量动态仿真案例和田纳西-伊斯曼过程,并与PCA、独立元分析(independent component analysis,ICA)、核主元分析(kernel principal component analysis,KPCA)、SVM和PCA-SVM方法比较,验证了PCAM-SVM方法的有效性.展开更多
传统的KPCA(Kernel Principal Component Analysis)过程监测方法一般根据经验选取需要的核函数及一定宽度的参数,这样做是非常盲目的。同时单一KPCA模型不能对所有故障都有好的监测效果。为了解决此问题,提出基于集成KPCA的非线性工业...传统的KPCA(Kernel Principal Component Analysis)过程监测方法一般根据经验选取需要的核函数及一定宽度的参数,这样做是非常盲目的。同时单一KPCA模型不能对所有故障都有好的监测效果。为了解决此问题,提出基于集成KPCA的非线性工业过程状态监测方法。通过选取一系列的核函数及其参数构建不同的KPCA模型得到子模型,用贝叶斯方法将众多子模型的监测统计量转化为故障概率,分两步进行融合,得到最终监测结果。实验结果表明,该方法显著地提高了监测性能,同时减小核函数及参数选取对故障监测的影响。展开更多
文摘提出一种基于递归稀疏主成分分析(recursive sparse principal component analysis,RSPCA)的工业过程故障监测与诊断方法,可用于时变工业过程的自适应故障监测与诊断.通过引入弹性回归网,将主成分问题转化为Lasso与Ridge结合的凸优化问题,采用秩-1矩阵修正对协方差矩阵进行递归分解,递归更新稀疏载荷矩阵和监测统计量的过程控制限,以实现连续工业过程长时间自适应故障监测,对检测出来的故障通过贡献图法实现对故障的诊断.在田纳西-伊斯曼(TE)过程进行实验验证,结果表明,与传统的故障监测方法相比,所提出的方法有效降低了故障漏检率和误报率,且时间复杂度低,确保了故障监测的灵敏度和实时性.
文摘为提高支持向量机(support vector machine,SVM)的故障检测率,提出一种基于主元增广矩阵的SVM(SVM based on principal component augmented matrix,PCAM-SVM)故障检测方法.运用主元分析(principal component analysis,PCA)算法在主元空间中计算得分矩阵,再加入得分的时滞输入特性和时差输入特性,构建增广矩阵.运用正常数据和故障数据的增广矩阵训练SVM模型,获得判别分类函数,再运用SVM模型对测试数据进行分类.PCAM-SVM方法通过构建主元增广矩阵,增加模型输入特性复杂度,有效降低了数据自相关性,提高了SVM的故障检测性能.将该方法应用于多变量动态仿真案例和田纳西-伊斯曼过程,并与PCA、独立元分析(independent component analysis,ICA)、核主元分析(kernel principal component analysis,KPCA)、SVM和PCA-SVM方法比较,验证了PCAM-SVM方法的有效性.
文摘传统的KPCA(Kernel Principal Component Analysis)过程监测方法一般根据经验选取需要的核函数及一定宽度的参数,这样做是非常盲目的。同时单一KPCA模型不能对所有故障都有好的监测效果。为了解决此问题,提出基于集成KPCA的非线性工业过程状态监测方法。通过选取一系列的核函数及其参数构建不同的KPCA模型得到子模型,用贝叶斯方法将众多子模型的监测统计量转化为故障概率,分两步进行融合,得到最终监测结果。实验结果表明,该方法显著地提高了监测性能,同时减小核函数及参数选取对故障监测的影响。
