基于IJB-PCA-ICA算法的故障检测

刘舒锐; 彭慧; 李帅; 周晓锋

doi:10.11949/j.issn.0438-1157.20180643

您当前的位置：

首页 >

文章列表页 >

基于IJB-PCA-ICA算法的故障检测

过程系统工程 | 更新时间：2025-12-10

- 基于IJB-PCA-ICA算法的故障检测
- Fault detection based on IJB-PCA-ICA
- 化工学报 2018年第12期页码：5146-5154
- 作者机构：
  
  1. 中国科学院沈阳自动化研究所,辽宁,沈阳,110016
  2. 中国科学院大学,北京,100049
  3. 中国科学院网络化控制系统重点实验室,辽宁,沈阳,110016
  4. 中国科学院机器人与智能制造创新研究院,辽宁,沈阳,110016
- 作者简介：
- 基金信息：
- DOI：10.11949/j.issn.0438-1157.20180643
  中图分类号： P277
- 网络首发：2018-12-05，
  
  纸质出版：2018-12-05
- 稿件说明：
移动端阅览
刘舒锐, 彭慧, 李帅, 等. 基于IJB-PCA-ICA算法的故障检测[J]. 化工学报, 2018,(12):5146-5154.

LIU Shurui, PENG Hui, LI Shuai, et al. Fault detection based on IJB-PCA-ICA[J]. CIESC Journal, 2018, (12): 5146-5154.
刘舒锐, 彭慧, 李帅, 等. 基于IJB-PCA-ICA算法的故障检测[J]. 化工学报, 2018,(12):5146-5154. DOI： 10.11949/j.issn.0438-1157.20180643.

LIU Shurui, PENG Hui, LI Shuai, et al. Fault detection based on IJB-PCA-ICA[J]. CIESC Journal, 2018, (12): 5146-5154. DOI： 10.11949/j.issn.0438-1157.20180643.

摘要

针对现代工业过程数据的高维性和分布复杂性等问题，提出了一种基于IJB-PCA-ICA（improved Jarque-Bera-principal component analysis-independent component analysis）的故障检测方法。首先采用改进的Jarque-Bera检测方法（J-B test）对原始数据划分高斯与非高斯核心部分，并对其中的高斯性与非高斯性均不明显的变量划分半高斯部分。将半高斯部分通过高斯分布置信概率加权与高斯核心部分和非高斯核心部分分别建立高斯子空间和分高斯子空间，然后对高斯子空间进行相关性划分后采用PCA方法得到高斯子空间的统计量；对非高斯子空间进行主元投影划分后采用ICA方法得到非高斯子空间的统计量，接着通过贝叶斯推断得到的联合统计量进行故障检测。最后通过Tenessee Eastman（TE）仿真实验，有效验证了所提出方法的有效性。

Abstract

In the view of the high dimensionality and the distribution complexity of modern industrial data

a fault detection method based on IJB-PCA-ICA (improved Jarque-Bera-principal component analysis-independent component analysis) is proposed. Through the method of Jarque-Bera test (J-B test)

the original data are divided into Gaussian part

non-Gaussian part and semi-Gaussian part. The semi-Gaussian part divided from those variables with not obvious Gaussianity or non-Gaussianity is weighted to participate into Gaussian subspace and non-Gaussian subspace by the Gaussian confidence probability. After the partition by the correlation and principal component projection

the statistics of the Gaussian and non-Gaussian subspaces are obtained by PCA and ICA

respectively. Then the Bayesian inference is applied to obtain the comprehensive statistics for fault detection.

关键词

Keywords

references

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于ReliefF的主元挑选算法在过程监控中的应用

ORC发电系统工艺过程预警诊断技术研究与展望

工业数据驱动的加氢裂化装置多工况切换过渡状态检测

基于加权统计特征KICA的故障检测与诊断方法

层次变分高斯混合模型与主多项式分析的故障检测策略