为了提高故障检测准确率,提出了基于动态受控主元分析(dynamic controlled principal component analysis,DCPCA)模型的故障检测方法。首先,利用DCPCA提取动态受控主元(dynamic controlled principal component,DCPC),所得DCPC包含过程...为了提高故障检测准确率,提出了基于动态受控主元分析(dynamic controlled principal component analysis,DCPCA)模型的故障检测方法。首先,利用DCPCA提取动态受控主元(dynamic controlled principal component,DCPC),所得DCPC包含过程的自回归特性和与控制输入之间的动态因果关系,使得构建的DCPCA模型更精确。然后,针对传统方法只对过程变量进行静态空间结构的故障检测,忽略了动态特性的问题,基于DCPCA模型适时应用检测综合指标,对系统进行静态重构误差和动态模型误差的双重检测,使得检测结果更全面。最后,基于田纳西-伊斯曼(Tennessee-Eastman,TE)过程的仿真结果验证了所提方法的可行性和有效性。展开更多
针对基于动态主元分析的故障检测方法存在的主元个数较多以及计算效率低等问题,本文提出基于混合动态主元分析(Hybrid Dynamic Principal Component Analysis,HDP-CA)的复杂过程故障检测方法。该方法采用分步策略消除数据之间的自相关...针对基于动态主元分析的故障检测方法存在的主元个数较多以及计算效率低等问题,本文提出基于混合动态主元分析(Hybrid Dynamic Principal Component Analysis,HDP-CA)的复杂过程故障检测方法。该方法采用分步策略消除数据之间的自相关和互相关性,提高了故障检测的精度和效率。对TE过程典型故障和热连轧过程中断带故障检测结果表明:HDPCA方法提取的主元个数少于DPCA方法提取的主元个数。并且,基于HDPCA的T2和SPE统计量的检测性能和检测精度都由于基于DPCA的统计量。因此,本文提出的方法可以准确有效地检测出故障。展开更多
目的研究复杂工业系统动态、非线性特点,提出分步动态核主元分析(Kernel Principal Component Analysis,KPCA)的故障诊断方法.方法该方法首先构造增广矩阵,然后将增广矩阵分成一系列子矩阵,将各子矩阵的构建一个新的数据增广矩阵,并对...目的研究复杂工业系统动态、非线性特点,提出分步动态核主元分析(Kernel Principal Component Analysis,KPCA)的故障诊断方法.方法该方法首先构造增广矩阵,然后将增广矩阵分成一系列子矩阵,将各子矩阵的构建一个新的数据增广矩阵,并对每个子矩阵使用KPCA提取变量数据的非线性空间相关特征,最后通过监测统计量监测出系统故障,用贡献度的方法识别发生故障变量.结果该方法改进了传统的动态方法,引入分步动态的定义,并且能充分考虑工业过程中的非线性和动态性,更精确的描述工业过程特性,更精确的监测复杂工业系统的故障,并准确的识别出故障变量.结论对热连轧过程中活套故障诊断的仿真结果表明:基于分步动态KPCA的故障诊断方法能准确有效地诊断出故障,并识别出产生故障的原因.展开更多
电熔镁熔炼过程中的异常工况(如半熔化工况)直接影响产品质量、威胁人员和生产安全,有必要及时诊断.但与异常直接相关的超高温熔池温度(>2850℃)难以利用温度传感器检测,目前现场主要依靠工人在定期巡检时人眼观察炉壁来诊断,工作强...电熔镁熔炼过程中的异常工况(如半熔化工况)直接影响产品质量、威胁人员和生产安全,有必要及时诊断.但与异常直接相关的超高温熔池温度(>2850℃)难以利用温度传感器检测,目前现场主要依靠工人在定期巡检时人眼观察炉壁来诊断,工作强度大、安全度低、诊断不及时.针对上述问题,本文提出一种炉体动态图像驱动的电熔镁炉异常工况实时诊断方法.结合电熔镁炉熔炼各区域温度分布的空间特征、正常工况下熔炼温度变化和水雾扰动引入的图像时序特征、以及异常工况下温度异常区域持续发亮扩大的特征,在对炉体动态图像进行空间多级划分的基础上,提出了一种多级动态主元分析(Multi-level dynamic principal component analysis,MLDPCA)动态图像分块建模方法.在此基础上,提出基于MLDPCA的逐级诊断方法与基于贡献图的异常定位方法.最后,采用某电熔镁生产现场的实际图像进行方法验证,结果表明了所提方法的有效性.展开更多
文摘为了提高故障检测准确率,提出了基于动态受控主元分析(dynamic controlled principal component analysis,DCPCA)模型的故障检测方法。首先,利用DCPCA提取动态受控主元(dynamic controlled principal component,DCPC),所得DCPC包含过程的自回归特性和与控制输入之间的动态因果关系,使得构建的DCPCA模型更精确。然后,针对传统方法只对过程变量进行静态空间结构的故障检测,忽略了动态特性的问题,基于DCPCA模型适时应用检测综合指标,对系统进行静态重构误差和动态模型误差的双重检测,使得检测结果更全面。最后,基于田纳西-伊斯曼(Tennessee-Eastman,TE)过程的仿真结果验证了所提方法的可行性和有效性。
文摘针对基于动态主元分析的故障检测方法存在的主元个数较多以及计算效率低等问题,本文提出基于混合动态主元分析(Hybrid Dynamic Principal Component Analysis,HDP-CA)的复杂过程故障检测方法。该方法采用分步策略消除数据之间的自相关和互相关性,提高了故障检测的精度和效率。对TE过程典型故障和热连轧过程中断带故障检测结果表明:HDPCA方法提取的主元个数少于DPCA方法提取的主元个数。并且,基于HDPCA的T2和SPE统计量的检测性能和检测精度都由于基于DPCA的统计量。因此,本文提出的方法可以准确有效地检测出故障。
文摘目的研究复杂工业系统动态、非线性特点,提出分步动态核主元分析(Kernel Principal Component Analysis,KPCA)的故障诊断方法.方法该方法首先构造增广矩阵,然后将增广矩阵分成一系列子矩阵,将各子矩阵的构建一个新的数据增广矩阵,并对每个子矩阵使用KPCA提取变量数据的非线性空间相关特征,最后通过监测统计量监测出系统故障,用贡献度的方法识别发生故障变量.结果该方法改进了传统的动态方法,引入分步动态的定义,并且能充分考虑工业过程中的非线性和动态性,更精确的描述工业过程特性,更精确的监测复杂工业系统的故障,并准确的识别出故障变量.结论对热连轧过程中活套故障诊断的仿真结果表明:基于分步动态KPCA的故障诊断方法能准确有效地诊断出故障,并识别出产生故障的原因.
文摘电熔镁熔炼过程中的异常工况(如半熔化工况)直接影响产品质量、威胁人员和生产安全,有必要及时诊断.但与异常直接相关的超高温熔池温度(>2850℃)难以利用温度传感器检测,目前现场主要依靠工人在定期巡检时人眼观察炉壁来诊断,工作强度大、安全度低、诊断不及时.针对上述问题,本文提出一种炉体动态图像驱动的电熔镁炉异常工况实时诊断方法.结合电熔镁炉熔炼各区域温度分布的空间特征、正常工况下熔炼温度变化和水雾扰动引入的图像时序特征、以及异常工况下温度异常区域持续发亮扩大的特征,在对炉体动态图像进行空间多级划分的基础上,提出了一种多级动态主元分析(Multi-level dynamic principal component analysis,MLDPCA)动态图像分块建模方法.在此基础上,提出基于MLDPCA的逐级诊断方法与基于贡献图的异常定位方法.最后,采用某电熔镁生产现场的实际图像进行方法验证,结果表明了所提方法的有效性.
