-精选版基于数据驱动的系统监控与故障诊断..pptVIP

一个例子 案例2：传感器故障发生时PCA的检测行为 传感器WS1出现测量偏差故障，采集150个数据的检测结果，其中偏差幅值恒定为3.8kg/s（约为WS1稳态流量的9%）。 PCA检测结果为情况（II），SPE图中仅有几个时刻的数据被作为粗差检出。 * ? Copyright by Zhihuan Song * 主要研究结论 非线性PCA： 除了前面提到两个需要满足的假设条件外，有不少学者还认为PCA过程监测模型还应该满足另一个条件，即被监测过程是线性的。或者更确切的说是被监测变量集内的各变量之间应为线性关系。 20世纪90年代后曾出现过各种所谓的“非线性”PCA监测方法，但并未深入系统地得到发展，并且近年来已少有报道。这一假设的提出者实际上是认为PCA在过程监测方法中的主要作用是为了“提取变量之间的线性关系”，或者仅是为了“降维”。 PCA在过程监测方法中作用是为了提供一个对被监测模型的“描述”，一种监测方法的“框架”。被监测变量集之间是否为线性关系与PCA监测模型的有效性并无直接联系。 * ? Copyright by Zhihuan Song * 主要研究结论 非线性PCA的理论思路： 主元曲线与主元曲面 通过引入一个非线性函数，将原来的过程变量映射到所谓的“主元曲线”上，使得所有数据点到该曲线的距离之和最小； 计算第1条主元曲线时，首先以线性主元为初始曲线，通过迭代技术逐条确定主元曲线； 由于主元曲线不能直接用于获得非线性的打分向量，需要采用非线性数值逼进的方法建立两者直接的关系。 * ? Copyright by Zhihuan Song * 主要研究结论 动态PCA 由于生产过程的内部动态特性的影响，采集到的生产数据并不是i.i.d.的。为了消除建模数据的序列相关性（serial correlations），保证PCA检测模型的有效性，需要解决序列相关问题。 扩展矩阵法：将t时刻的m维过程测量数据向量xt与其前面的t-h拍的xt-1, xt-2, ? ? ?, xt-h排列在一起，组成新的过程监测数据向量 。其中参数h与过程的动态特性有关，一般情况下取h=1或2即可。 将扩展后的数据矩阵用于PCA建模，可以使得SPE统计量是不相关的，从而保证了其计算得到的控制限的准确。 * ? Copyright by Zhihuan Song * 主要研究结论 动态PCA：工业数据本质上具有多尺度特征，反映了不同生产工况和设备状况下的信息。 * ? Copyright by Zhihuan Song * 主要研究结论 多尺度动态PCA 首先利用小波技术，将过程数据进行多尺度分解，以获得不同层次下的过程信息。更适合于刻划生产进行的状况。 由于小波系统的正交性，在不同尺度下的分解系数是相互不关联的，并且同一尺度下的系数也是互不关联的。 * ? Copyright by Zhihuan Song * 主要研究结论 动态PCA 多尺度PCA：首先利用小波技术，将过程数据进行多尺度分解，以获得不同层次下的过程信息，然后分别对这些信息进行PCA建模和监测，总的重构信息再进行PCA监测。 * ? Copyright by Zhihuan Song * 主要研究结论 多产品以及递推PCA： 在同一生产线上的多产品切换情况下，快速对PCA统计监测模型进行更新和重组，以实现对生产的监测与产品质量控制。并获得计算量更小的模型更新模式，以适应更高性能场合的应用。 * ? Copyright by Zhihuan Song * 主要研究结论 数据协调与粗差检测 利用T2图对采集的高维过程数据进行检测，以剔除粗差。而且可以对缺失的数据进行估计，以保证在后续其它应用中数据的完整性。 T2图粗差检测 * ? Copyright by Zhihuan Song * 主要研究结论 软测量应用 流程工业生产中有一些变量，尤其是质量指标变量难以在线进行测量，往往存在很大的滞后性；另外有效过程变量可能是不能够直接测量或者测量仪表成本很高。 主元回归建模（PCR）：利用PCA能够抓住高维数据中的主要变化关系，通过对多维的数据进行PCA分析，建立主元（PCs）与待预报变量之间的“软仪表”模型。 * ? Copyright by Zhihuan Song * 主要研究结论 核函数部分最小二乘(Kernel PLS) 类似与KPCA，以X·X’·Y·Y’或 X’·Y·Y’·X为核函数。 主要目的是降低计算和存储量、节省计算时间 动态部分最小二乘(DPLS) 引入时间项，建立因变量与过程自变量间的动态关系。 判别式部分最小二乘（Discriminant PLS） 主要用于模式识别，因变量为模式标识。 多路PLS （Multiway PLS）