故障诊断背景和相关算法了解持续跟新(上)祥解

硬件故障、部分过程维修、数据同步失败，还有多次度特性，采样率不一致，测 量延迟等
基于数据监视的学术用语
• Data Inspection and Selection(数据的检查和选择)
这是基于数据监视的初始步骤，目的是对数据集有个整体的概况以及去选择对建 模相适应的数据
• Data Preprocessing(数据的预处理) 主要作用就是把原始数据转换到对我们更适合的数据形式。如：三维变量展开成 二维数据，把初始数据标准化等
相关算法了解
• PCA算法介绍 作用：降维 思想：利用变量之间的相关性，将高维空间的数据投 影到低维空间。起到了降噪和去冗余的目的。
一．时变和多模态过程
二．动态过程
一、时变和多模态过程
• 背景： 传统的PCA和PLS是假设工业过程是在一个单稳态条 件下进行的，工业工程的操作条件会随着时间的变化 而变化，或者从一个条件转移到另一个条件，此外由 于原材料的波动，设置点的变化，设备的老化等都会 导致过程监视出现偏差，为了保证工业过程在控制之 下，监视方法应该随着过程操作条件的变化而更新， 另一方面，工业过程是由几个不同的操作条件所组成 时，应当发展多模态监视过程。
• 5、鲁棒法 这种方法也是监视多模态过程的重要方法， 算法：Robust online multimode process monitoring 思想：这种方法主要是构造两种类型变量的关系，操 作模式变化的影响可以从过程数据信息中排出。进而 ，鲁棒过程监视的形成使得过程操作模态改变不再敏 感。
Baidu Nhomakorabea
• 1.
相关方法 自适应/递归法 使用特点：生产过程缓慢变化。 举例：MacGregor 针对工业过程的自适应控制和预 报提出了一种递归指数加权PLS方法， 快速移动窗口PCA法的发展提高了时变过程中监视过 程的有效性。 为了监视非线性时变过程，还提出了一种通过使用 kpca的移动窗口法
• 2、多模态方法 这种方法是针对含有多种模式的工业过程，也就是他 的操作条件总是从一种模式转换到另一种。发展了很 多关于多模态监视的方法 其中Real-time monitoring for a process with multiple operating modes.提出了一种等级聚类的方法构成 GPCA进行监视和更新
二、故障诊断基础知识内容
工业过程三类监视方法： 一．基于模型——传统、精度高、但是不适用于复 杂的 工业系统。 二．基于知识——根据过程行为的有用知识和装置操作 者的专家经验缺点：耗时并且由于操作的复杂，需要 专家长时间的经验积累。 三．基于数据——特点：没有过程模型的要求和专家知 识的联系。数据采集越来越方便、数据驱动技术的发 展使得这种方法越来越热门。
工业过程和数据特性
工业工程； 1. 连续过程 顾名思义连续不间断的生产过程 应用也化工、石油化工、冶金工程中 2. 批次过程 有限的操作期，严格的按照具体的生产方 法。相比于连续系统，批次过程的设置点会不断的变 化，这就意味着生产过程总是在不同的操作条件下进 行。 应用于生物，塑料工程，食品工程、
故障诊断背景和是算法了解 持续跟新（上）
基于数据过程监视的目前研究的讨论 内容：本文提供了关于基于数据监视的最新的概括，首先揭 示工业过程数据分析的本质，第二，说明了基于数据过程监 视的详细学术语，第三，定义和说明了基于能在过程中表现 的每一类主要数据特性的相应问题，并且评论了有关不同监 视方法的联系和对比的详细讨论。最后，强调了在未来的工 作中相关的研究看法和几个有前景的论点。
• 3、软模型法 主要用于监视不同操作模态相互转换时期的变化。 传统的监视方法往往忽略了两个模型间相互转换时的 信息。为了提高过程监视性能，应用了软模型法。 已有的应用法 有Maximun-likelihood PCA 思想：利用模型间的相识度。从已知样本中训练出模 型，当新的样本来时，判别属于哪一类。
• 1动态 MSPC 法 这种方法的第一步是通过结合每个变量的几个时间滞后 的样本去讨论建模的数据集，在这个讨论的数据矩阵 基础之上构建PCA模型，过程数据集的自相关就会被 提取出来。 近似算法：Multiway PCA 、Multiway PLS A dynamic ICA-based process monitoring method
•
数据特性：
高维性
工业过程总是有不同的成分，零件、设备组成。即，整个过程就由庞大的高 维数据集组成 时变性和多模态性 原材料的波动，设置点的渐变设备的老化都会导致时变性，尤其是在批次过 程中由于要满足不同产品的要求，产品的等级会不断变化，这就要求批次过 程的条件可能要在不同的操作模态下转换。 自相关性 一个变量的变化会引起另一个变量的变化 其他的数据特性
4、local-learning and robust methods 局部学习法和鲁棒法 局部学习法： 是另一种时变和多模态的监视方法，在这种方法中，模型 的建立和监视都是在线进行。因此每一时刻的采样数据都 是确定的，局部学习法的第一步在历史数据集中搜索相似 的数据样本。之后，在所获得的样本集基础上，尝试建立 对于这个采样数据在线过程监视的模型。最后这种抛弃这 种模型，程序重复进行建立下一个采样数据。 相关算法有：及时基于学习建模法和自适应局部建模法 适用范围：局部学习法适用于时变和多模态的模型中， •
•
Model Selection, Training, and Validation（模型的选择、训练、确定）
举例：如果数据之间的关系是线性的并且大多数过程变量呈高斯分布：那么我们 就可以简单的选择PCA模型或PLS模型 如果过程变量呈非高斯分布，那么就可以应用一个非高斯模型的方法如： ICA 如果过程变量之间成非线性，那么可以用ANN与SVN相结合的方法
适用范围：多模态过程中。
动态过程监视
提出的背景：由于现代工业过程反馈控制的广泛应用， 以及自用噪声和过程干扰的影响使得系统输入输出处 的变量呈现动态的数据特性。 传统的基于数据的监视方法是假设各个过程数据样本的 采样是相互独立的，由于数据的动态特性，在每一时 刻所获得的的数据样本都可能关联的目前史可之前后 之后的采样数据。并且不同的操作条件和不同的生产 过程，这种动态步长可能彼此之间也不尽相同。