基于多元统计分析的故障检测方法

上海交通大学学报（自然版） ›› 2015, Vol. 49 ›› Issue (06): 842-848.

• 自动化技术、计算机技术 • 上一篇下一篇

基于多元统计分析的故障检测方法

纪洪泉,何潇,周东华

(清华大学自动化系, 清华信息科学与技术国家实验室, 北京 100084)

收稿日期:2015-01-15 出版日期:2015-06-29 发布日期:2015-06-29
基金资助:
国家自然科学基金资助项目（61490701,61210012,61290324,61473163）

Fault Detection Techniques Based on Multivariate Statistical Analysis

JI Hongquan,HE Xiao,ZHOU Donghua

(Department of Automation, TNList, Tsinghua University, Beijing 100084, China)

Received:2015-01-15 Online:2015-06-29 Published:2015-06-29

摘要/Abstract

摘要：

摘要：作为数据驱动故障检测方法中的重要分支,基于多元统计分析的故障检测方法主要包括主元分析、偏最小二乘、独立元素分析和费舍尔判别分析.本文回顾了上述几种方法,包括数据模型、故障检测的原理及方法优劣.仿真实验说明了几种方法的特性及其故障检测的效果,并探讨了基于数据故障检测方法中的一些问题.

关键词: 多元统计分析, 主元分析, 偏最小二乘, 独立元素分析, 费舍尔判别分析

Abstract:

Abstract： As an important branch of data-driven fault detection methods, multivariate statistical analysis-based fault detection methods mainly include principal component analysis, partial least squares, independent component analysis and fisher discriminant analysis. In this paper, the data model and fault detection mechanism of each method mentioned above were reviewed. Several properties of these methods were revealed intuitively using simulation results, and their fault detection abilities were illustrated. Finally, several problems related to data-driven fault detection methods were discussed.

Key words: multivariate statistical analysis, principal component analysis, partial least squares, independent component analysis, Fisher discriminant analysis

中图分类号:

TP 273

纪洪泉,何潇,周东华. 基于多元统计分析的故障检测方法[J]. 上海交通大学学报（自然版）, 2015, 49(06): 842-848.

JI Hongquan,HE Xiao,ZHOU Donghua. Fault Detection Techniques Based on Multivariate Statistical Analysis[J]. Journal of Shanghai Jiaotong University, 2015, 49(06): 842-848.

参考文献

［1］周东华，李钢，李元. 数据驱动的工业过程故障诊断技术——基于主元分析与偏最小二乘的方法［M］. 北京：科学出版社，2011.

［2］Ding S X. Modelbased fault diagnosis techniques: design schemes, algorithms and tools ［M］. 2nd ed. London: Springer, 2013.

［3］Qin S J. Survey on datadriven industrial process monitoring and diagnosis ［J］. Annual Reviews in Control, 2012, 36(2): 220234.

［4］李钢. 工业过程质量相关故障的诊断与预测方法［D］. 北京：清华大学，2010.

［5］Chiang L H, Russell E L, Braatz R D. Fault detection and diagnosis in industrial systems ［M］. London: Springer, 2001.

［6］Geladi P, Kowalski B R. Partial leastsquares regression: a tutorial ［J］. Analytica Chimica Acta, 1986, 185: 117.

［7］Qin S J. Statistical process monitoring: Basics and beyond ［J］. Journal of Chemometrics, 2003, 17(89): 480502.

［8］Zhou D H, Li G, Qin S J. Total projection to latent structures for process monitoring ［J］. AIChE Journal, 2010, 56(1): 168178.

［9］MacGregor J F, Jaeckle C, Kiparissides C, et al. Process monitoring and diagnosis by multiblock PLS methods ［J］. AIChE Journal, 1994, 40(5): 826838.

［10］De Jong S. SIMPLS: An alternative approach to partial least squares regression ［J］. Chemometrics and Intelligent Laboratory Systems, 1993, 18(3): 251263.

［11］Li G, Qin S J, Zhou D H. Geometric properties of partial least squares for process monitoring ［J］. Automatica, 2010, 46(1): 204210.

［12］Choi S W, Lee I B. Multiblock PLSbased localized process diagnosis ［J］. Journal of Process Control, 2005, 15(3): 295306.

［13］Kano M, Tanaka S, Hasebe S, et al. Monitoring independent components for fault detection ［J］. AIChE Journal, 2003, 49(4): 969976.

［14］Lee J M, Yoo C K, Lee I B. Statistical process monitoring with independent component analysis ［J］. Journal of Process Control, 2004, 14(5): 467485.

［15］Hyvrinen A. Fast and robust fixedpoint algorithms for independent component analysis ［J］. IEEE Transactions on Neural Networks, 1999, 10(3): 626634.

［16］Hyvrinen A, Oja E. Independent component analysis: Algorithms and applications ［J］. Neural Networks, 2000, 13(4): 411430.

［17］Hyvrinen A, Oja E. A fast fixedpoint algorithm for independent component analysis ［J］. Neural Computation, 1997, 9(7): 14831492.

［18］Ge Z Q, Song Z H, Gao F R. Review of recent research on databased process monitoring ［J］. Industrial & Engineering Chemistry Research, 2013, 52(10): 35433562.

［19］Downs J J, Vogel E F. A plantwide industrial process control problem ［J］. Computers & Chemical Engineering, 1993, 17(3): 245255.

［20］Lee J M, Yoo C K, Choi S W, et al. Nonlinear process monitoring using kernel principal component analysis ［J］. Chemical Engineering Science, 2004, 59(1): 223234.

［21］Fisher R A. The use of multiple measurements in taxonomic problems ［J］. Annals of Eugenics, 1936, 7(2): 179188.

编辑推荐 0

Metrics

阅读次数

全文

187

HTML			PDF

最新录用	在线预览	正式出版	最新录用	在线预览	正式出版
0	0	0	4	0	183

来源	本网站	其他网站

次数	24	163
比例	13%	87%

摘要

1085

最新录用	在线预览	正式出版

116	0	969

来源	本网站	其他网站

次数	449	636
比例	41%	59%

[1]	郭金玉, 李文涛, 李元. 在线压缩核主元分析的自适应过程监控[J]. 上海交通大学学报, 2022, 56(10): 1397-1408.
[2]	席剑辉, 姜瀚, 陈博, 傅莉. 基于PCA-ELM的红外多光谱辐射测温[J]. 上海交通大学学报, 2021, 55(7): 891-898.
[3]	朱东, 姜萍萍, 颜国正, 王志武, 韩玎, 赵凯, 华芳芳, 姚盛健, 丁紫凡, 周泽润. 人工肛门括约肌系统便意感知重建[J]. 上海交通大学学报, 2020, 54(8): 771-777.
[4]	丛亚，葛志强，宋执环. 多采样率主元分析的过程故障检测[J]. 上海交通大学学报（自然版）, 2015, 49(06): 762-767.
[5]	侯彦东，闫治宇，金勇. 小样本下基于特征子空间估计的故障诊断算法[J]. 上海交通大学学报（自然版）, 2015, 49(06): 825-829.
[6]	杨庆，陈桂明，刘鲭洁，何庆飞. 基于测地线距离的核主元分析在齿轮泵故障识别中应用[J]. 上海交通大学学报（自然版）, 2011, 45(11): 1632-1636.
[7]	韩华1, 谷波1, 任能2. 基于主元分析与支持向量机的制冷系统故障诊断方法[J]. 上海交通大学学报（自然版）, 2011, 45(09): 1355-1361.
[8]	邵小龙,朱将伟，李云飞. 批量甜玉米低场核磁共振数据的统计分析 [J]. 上海交通大学学报（自然版）, 2011, 45(01): 144-0148.

基于多元统计分析的故障检测方法

Fault Detection Techniques Based on Multivariate Statistical Analysis

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 8

编辑推荐 0

Metrics

本文评价