检索结果-南通市图书馆

华东理工大学学报（自然科学版） 2024年第1期50卷 88-96页

作者：唐徐佳卢伟鹏颜学峰华东理工大学能源化工过程智能制造教育部重点实验室上海200237

多元统计监测方法常使用正常数据选取特征,而现实过程中,不同的故障将影响不同的特征,并且这些特征可能随着时间和控制系统的作用而变化。当故障发生并随时间变化时,要想获得更好的故障检测能力,就需要聚集有效的故障敏感特征。本文提... 详细信息

多元统计监测方法常使用正常数据选取特征,而现实过程中,不同的故障将影响不同的特征,并且这些特征可能随着时间和控制系统的作用而变化。当故障发生并随时间变化时,要想获得更好的故障检测能力,就需要聚集有效的故障敏感特征。本文提出了一种双层自适应集成残差主成分分析(AERPCA)模型,其子模型包含不同的特征,并突出地呈现一个或多个相关故障。首先,根据正常数据计算主成分分析(PCA)特征,利用不同特征构建线性子模型和相应的残差空间。考虑到残差空间的非线性特性及有效特征更为分散,采用核PCA(KPCA)提取不同的特征并组成同一残差空间下不同KPCA子模型。然后,利用贝叶斯方法获取集成KPCA子模型,完成各残差空间的划分和集成。最后,在主空间中获得多个线性子模型以及在残差空间中获得多个集成的非线性子模型后,利用滑动窗口确定当前时刻监控效果最好的模型。采用田纳西-伊士曼过程验证了AERPCA的有效性。

关键词：集成学习自适应过程核主成分分析非线性过程监测故障诊断

来源：

维普期刊数据库

同方期刊数据库博看期刊

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于自适应移动窗核主元分析与核密度估计的非线性过程监测及其故障识别

基于自适应移动窗核主元分析与核密度估计的非线性过程监测及其故...

引用

作者：郑天标广东技术师范大学

学位级别：硕士

随着当代化工生产过程日趋复杂,社会生产力的需求不断增加,生产规模日渐庞大,自动化机械生产程度越发普及,完善的过程监控系统可及时发现生产过程中的故障,为企业发展提供安全可靠的技术保障,在减少原材料浪费情况下又提高了产品收益,... 详细信息

随着当代化工生产过程日趋复杂,社会生产力的需求不断增加,生产规模日渐庞大,自动化机械生产程度越发普及,完善的过程监控系统可及时发现生产过程中的故障,为企业发展提供安全可靠的技术保障,在减少原材料浪费情况下又提高了产品收益,成为大多数工业生产必备的一套监控系统。在非线性过程监控中,存在许多过程故障难以监测及识别等问题。本文以多元统计及核密度估计方法为核心对工业化工过程监测及其故障识别展开了研究。主元分析法（Principal Component Analysis,PCA）是多元统计过程中的一种比较基础的故障监控方法,该方法对原始数学模型不做太多处理,仅需通过映射函数投影后的数据即可进行故障分析。尽管PCA广泛应用于故障监测的研究中,但其只能局限于线性系统内的故障监控,对处理非线性系统中存在的故障显然不适用。由于核学习具有强大的泛化能力,许多学者将其引入到非线性过程故障监控中。核主元分析法（Kernel Principal Components Analysis,KPCA）是非线性故障诊断与识别技术中应用最普遍的方法,其原理为将原始数据通过核函数从低维空间映射到高维特征空间后,在高维空间对数据实施主元分析。该方法省去了其他监控方法冗杂的计算量,仅需处理高维特征空间中的特征值。KPCA中核参数的选择严重影响过程数据的监控性能,可利用先进优化算法如粒子群算法能理想地解决KPCA中核参数选择问题。但当非线性过程存在较小扰动时,KPCA监测效果会出现不及时或漏报情况,针对该情况提出了自适应移动窗核主元分析方法（Adaptive Kernel Principal Components Analysis,AKPCA）。为进一步缩短监测时间及提高故障检出率等性能,将AKPCA与核密度估计（Kernel Density Estimation,KDE）相结合的非线性过程故障监测与识别方法（Adaptive Kernel Principal Components Analysis-Kernel Density Estimation,AKPCA-KDE）。借助田纳西-伊斯曼过程平台（Tennessee Eastman,TE）作为仿真实验平台,综合对比分析了其故障诊断率、误报率、漏报率等监控性能。主要研究内容及结论如下:1、本文先后介绍了PCA与KPCA的监测方法,以TE仿真平台的故障为例进行对比实验,PCA还存在许多漏报误报现象,而从KPCA的故障监测图中可以看出,KPCA没有出现误报情况,KPCA方法在处理非线性问题上相对于PCA方法具有明显的优势。2、本文结合PCA、KPCA及可变移动窗口的基本原理,提出一种移动窗AKPCA监测方法,以减少在真实化工环境中缓慢的过程变化对监控模型的虚假报警率。该方法的基本思想是首先采用多元指数移动平均值（Multiple Exponential Moving Average,MEM A）来预测过程均值偏移,然后将估计的均值偏移与KPCA提取的分量相结合,以构建自适应监测统计量。仿真实验表明,通过更新每个步骤中移动窗口的大小,同时更新缩放参数、遗忘因子、控制限和监控模型,且可进一步避免传统PCA在时变监控过程中容易丢失重要信息的问题。3、针对传统的KPCA采用高斯分布的控制限（Control Limits,CLS）会降低其监测性能的问题,本文采用核密度估计方法来确定移动窗AKPCA控制限,将移动窗AKPCA与核密度估计相结合（Adaptive Kernel Principal Components Analysis-Kernel Density Estimation,AKPCA-KDE）用于非线性过程故障监测与识别。将该方法应用于TE过程仿真监测,AKPCA-KDE对所有21个故障的检出率发现,与KPCA采用高斯分布的控制限方法进行比较,AKPCA-KDE具有更高的故障检出率;且该方法的检测延迟等于或小于其他方法。通过改变KDE的带宽和保留的主元数量进行故障监测与识别,传统的KPCA记录的误报率（False Alarm Rate,FAR）值较高,而AKPCA-KDE方法没有记录任何虚假警报。显见AKPCA-KDE具有更好的监控性能,为工业过程监控提供了一种新的监测和故障识别方法。

关键词：自适应移动窗口核主元分析核密度估计非线性过程监测故障识别

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于卷积自编码器和k近邻的非线性过程监测

基于卷积自编码器和k近邻的非线性过程监测

引用

第32届中国过程控制会议(CPCC2021)

作者：李启泽徐琛陶洪峰杨慧中江南大学教育部轻工过程先进控制重点实验室

现代工业过程往往呈现复杂非线性特点,传统过程监测方法在处理复杂非线性问题时效果较差.针对以上问题,本文提出了一种基于卷积自编码器和k近邻的过程监测方法.首先采用卷积自编码器对非线性过程数据进行建模,并自动提取有效深度特征.... 详细信息

现代工业过程往往呈现复杂非线性特点,传统过程监测方法在处理复杂非线性问题时效果较差.针对以上问题,本文提出了一种基于卷积自编码器和k近邻的过程监测方法.首先采用卷积自编码器对非线性过程数据进行建模,并自动提取有效深度特征.通过卷积自编码器将原始非线性空间映射到特征空间和残差空间.然后利用k近邻准则在特征空间和残差空间构造统计量,并结合核密度估计方法得到相应的控制限进行监测.通过TE过程的仿真实验,验证了本文所提非线性过程监测方法的有效性.

关键词：卷积自编码器 k近邻非线性过程监测深度特征提取

来源： cnki会议评论

在线全文

cnki会议

学校读者我要写书评

暂无评论

基于高效核偏最小二乘的质量相关故障检测

引用

控制理论与应用 2023年第4期40卷 683-692页

作者：孔祥玉周红平罗家宇安秋生陈雅琳火箭军工程大学导弹工程学院陕西西安710025 山西师范大学数学与计算机科学学院山西临汾041004

核偏最小二乘(KPLS)是一种多元统计方法,广泛应用于过程监控,然而,KPLS采用斜交分解,导致质量相关空间存在冗余信息易引发误报警.因此,本文提出了高效核偏最小二乘(EKPLS)模型,所提方法通过奇异值分解(SVD)将核矩阵正交分解为质量相关... 详细信息

核偏最小二乘(KPLS)是一种多元统计方法,广泛应用于过程监控,然而,KPLS采用斜交分解,导致质量相关空间存在冗余信息易引发误报警.因此,本文提出了高效核偏最小二乘(EKPLS)模型,所提方法通过奇异值分解(SVD)将核矩阵正交分解为质量相关空间和质量无关空间,有效降低质量相关空间中的冗余信息,并采用主成分分析(PCA)按方差大小将质量相关空间分解为质量主空间和质量次空间.此外,为进一步降低由质量无关故障引发的误报警,提出基于质量估计的正交信号修正(OSC)预处理方法,并结合EKPLS模型提出了OSC-EKPLS算法.OSCEKPLS通过质量估计值对被测数据进行OSC预处理,降低了计算复杂度和误报率.最后,通过数值仿真和田纳西–伊斯曼过程验证了OSC-EKPLS具有良好的故障检测性和更低的误报率.

关键词：故障检测正交信号修正质量相关核偏最小二乘非线性过程监测误报率

来源：

维普期刊数据库

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：