沈阳化工大学技术过程故障诊断与安全性研究中心
- 作品数：30 被引量：149H指数：9
- 相关作者：刘亚东李秀玉更多>>
- 相关机构：东北大学信息科学与工程学院更多>>
- 发文基金：国家自然科学基金辽宁省自然科学基金辽宁省教育厅基金更多>>
- 相关领域：自动化与计算机技术理学电子电信化学工程更多>>
- 基于局部保持投影–加权k近邻规则的多模态间歇过程故障检测策略被引量：10
- 2019年
- 针对多模态间歇过程故障检测问题,本文提出一种基于局部保持投影–加权k近邻规则(LPP--Wk NN)的故障检测策略.首先,应用局部保持投影(LPP)方法将原始数据投影到低维主元子空间;接下来,在主元子空间中,应用样本第k近邻的局部近邻集确定每个样本的权重并计算权重统计量Dw;最后,应用核密度估计方法确定Dw控制限并进行故障检测.本文方法应用LPP对过程数据进行维数约减,既能够降低训练过程中离群点对模型的影响,又能够降低在线故障检测的计算复杂度.同时,加权k近邻规则(Wk NN)方法通过引入权重规则能够使得过程故障检测统计量分布具有单模态结构.相比传统的k NN统计量,本文引入的权重统计量具有更高的故障检测性能.通过数值例子和半导体蚀刻过程的仿真实验,并与主元分析(PCA), k NN, Wk NN, LPP--k NN等方法进行比较,实验结果验证了本文方法的有效性.
- 张成郭青秀冯立伟李元
- 关键词：局部保持投影故障检测
- 基于稀疏距离的间歇过程故障检测方法被引量：7
- 2014年
- 针对间歇过程多工序、变量非线性、非高斯分布等特征,提出了一种基于稀疏距离的故障检测方法(FD-SD).采用稀疏距离衡量测试样本周围训练样本的分布密度,统计测试样本近距离训练样本分布特征,应用变窗宽核密度估计方法估算样本距离的累计分布函数,根据阈值计算样本的稀疏距离.根据稀疏距离的累计分布函数设定检测控制限,建立基于稀疏距离的检测模型.该方法可以避免变量服从高斯、线性分布等假设问题,同时使故障检测的准确性与可靠性得到提高.通过在模拟实例和半导体蚀刻批次过程中的仿真应用,说明该方法可以处理过程具有非线性、多模态、多工序生产特征的故障检测问题.仿真实验验证了方法的有效性.
- 张成李元高宪文
- 关键词：故障检测主元分析
- 邻域保持嵌入—加权k近邻故障检测算法及其在半导体蚀刻过程中的应用
- 2019年
- 为了解决复杂的多模态过程故障检测问题,提出了邻域保持嵌入—加权k近邻规则(neighborhood preserving embedding-weighted k-nearest neighbors,NPE-wkNN)质量监控方法.首先,利用邻域保持嵌入(neighborhood preserving embedding,NPE)得到特征空间中数据的流形结构;然后,在特征空间中确定每个样本第k近邻的前K近邻集并计算样本的权重.最后,将样本的加权距离作为统计量对过程进行质量监控.NPE-wkNN方法在保持原始数据近邻结构的同时降低了计算复杂度,除此之外,权重规则消除了数据的多模态特征,从而提高了过程故障检测率.通过数值实例和半导体蚀刻工艺仿真实验,对比了传统的主元分析(principal component analysis,PCA)、NPE、k近邻(k-nearest neighbor,kNN)、加权k近邻(weighted kNN,wkNN)等方法,结果验证了本文方法的有效性.
- 张成郑晓芳郭青秀冯立伟戴絮年李元
- 关键词：故障检测
- 基于邻域保持嵌入-支持向量数据描述的过程监控算法及其应用被引量：3
- 2020年
- 针对非线性、多模态间歇过程的故障检测问题,提出一种基于邻域保持嵌入的支持向量数据描述(support vector data description based on neighborhood preserving embedding, NPE-SVDD)故障检测策略.首先,利用NPE算法将原始数据降维到特征空间.接下来,在特征空间建立SVDD模型,计算超球体的球心O和半径R.对于测试样本,计算其到球心的距离D,对比D与R的大小确定样本状态.检测样本状态后,应用距离贡献图法进行故障变量定位分析. NPE算法可以保留原始数据的局部信息;并通过结合SVDD分类规则代替原始NPE算法的T2和SPE统计量,消除了数据服从高斯分布的限制,提高了故障检测率.利用数值模拟过程和半导体蚀刻过程仿真,将实验结果与主元分析(principal component analysis, PCA)、 NPE、 SVDD等方法进行对比分析,验证了NPE-SVDD方法的有效性.
- 谢彦红贾冬妮张成戴絮年李元
- 关键词：多模态故障检测
- 基于密度标准误差的局部保持投影故障检测策略被引量：3
- 2020年
- 针对协方差结构具有显著差异的多模态过程故障检测问题,本文提出一种基于密度标准误差的局部保持投影故障检测策略(LPP-DSE).首先,根据样本距离矩阵确定样本截止距离;接下来,应用截止距离计算每个样本的本质密度及其前k近邻样本的估计密度;最后,通过样本的密度误差及其k近邻密度的标准差构建统计量并完成过程监控.本文方法通过应用局部保持投影(LPP)对过程数据进行维数约减可以保证过程监控的及时性;同时,通过设计密度标准误差(DSE)统计量可以有效提高多模态过程的故障检测率.此外,本文给出基于贡献图的诊断方法能够准确识别故障发生的原因.通过数值例子和半导体工业实例测试,并与主元分析、邻域保持嵌入、局部保持投影、k近邻故障检测等方法比较,实验结果进一步验证了LPP-DSE方法的有效性.
- 张成郭青秀冯立伟李元
- 关键词：局部保持投影K近邻主元分析故障检测
- 扩散映射K近邻在工业过程故障检测中的应用被引量：6
- 2015年
- 针对半导体工业过程多工序、变量非线性、非高斯分布等特征,提出一种基于扩散映射的K近邻(DMKNN)故障检测方法.充分利用扩散映射(DM)降维,提取低维流行特性,保留数据集内在非线性结构特性,应用改进的KNN故障诊断方法在低维流行特征空间进行检测.研究结果表明:与传统K近邻技术的统计方法相比,DMKNN的故障检测率高于其他算法,提升了对数据样本关联性信息的有效提取能力,保持了K近邻处理非线性、多模态检测问题的性能,验证了该方法的有效性.
- 李元刘亚东张成
- 关键词：K近邻故障检测
- 基于标准距离k近邻的多模态过程故障检测策略被引量：14
- 2019年
- 工业产品的生产经常需要在不同模态间切换,多模态过程数据具有多中心和方差差异大等特点.针对多模态过程数据的特征,通过构造标准距离,提出了基于标准距离k近邻的故障检测策略(SD–kNN).首先在标准距离度量下计算样本与其前k近邻的距离;其次将近邻距离的平方和的均值作为样本的统计量D^2;最后,根据D^2的分布确定检测方法的控制限,当新样本的D^2大于控制限时,判定其为故障,否则为正常.标准距离使不同模态中样本间的近邻距离能够在同一尺度下度量,使得SD–kNN的D^2能够准确反映样本间的相似程度.进行了数值模拟过程和青霉素发酵过程故障检测实验. SD–kNN方法检测出了数值模拟过程的全部故障和青霉素过程95%以上的故障,相对于PCA, kPCA, FD–kNN等方法具有更高的故障检测率. SD–kNN继承了FD–kNN对一般多模态过程的故障检测能力,还能够对方差差异显著的多模态过程进行故障检测.
- 冯立伟张成李元谢彦红
- 关键词：主元分析核主元分析K近邻故障检测多模态
- 基于k近邻主元得分差分的故障检测策略被引量：6
- 2020年
- 针对具有非线性和多模态特征过程的故障检测问题,本文提出一种基于k近邻主元得分差分的故障检测策略.首先,通过主元分析(Principal component analysis,PCA)方法计算样本的真实得分.然后,应用样本的k近邻均值计算样本估计得分.接下来,通过上述两种得分计算样本的得分差分矩阵和残差矩阵,其中残差矩阵由样本的估计得分计算得到,这区别于传统方法.最后,在差分子空间和残差子空间中分别建立新的统计指标进行故障检测.值得注意的是本文的得分差分方法能够消除数据结构对过程故障检测的影响,同时,新的统计量能够提高过程的故障检测率.将本文方法在两个模拟例子和Tennessee Eastman(TE)过程中进行测试,并与传统方法如PCA、KPCA、DPCA和FD-k NN等进行对比分析,测试结果证明了本文方法的有效性.
- 张成高宪文李元
- 关键词：主元分析K近邻TE过程
- 基于高斯分量标准化的K近邻故障检测策略
- 2023年
- 针对复杂多工况工业过程故障检测问题,提出一种基于高斯分量标准化的K近邻(Gaussian Component Standardization K-Nearest Neighbor,GCS-KNN)故障检测策略。样本数据应用高斯混合模型(Gaussian Mixture Model,GMM)进行训练,将数据分解为多个高斯分量;通过每个高斯分量的均值和协方差对该分量内的数据进行标准化处理;应用K近邻(K-Nearest Neighbor,KNN)算法对标准化后的样本进行检测。GCS-KNN通过高斯分量标准化消除数据的多模态特性,提高传统基于KNN检测方法的检测率。利用数值例子和半导体工业过程仿真实验验证了该方法的有效性,并与传统的主元分析(Principal Component Analysis,PCA)、KNN、动态主元分析(Dynamic PCA,DPCA)和加权KNN(Weighted KNN,WKNN)等方法进行对比,结果证实此方法具有显著的优势。
- 张成赵丽颖郑百顺戴絮年李元
- 关键词：高斯混合模型
- 基于判别核主元空间k近邻的批次过程监视被引量：1
- 2018年
- 针对批次过程非线性、多模态等特征,提出一种基于判别核主元k近邻(Dis-k PCk NN)的故障检测方法。首先,在核主元分析(k PCA)中,高斯核的窗宽参数依据样本类别标签在类内窗宽和类间窗宽中判别选取,使得核矩阵能有效提取数据的关联特征,保持数据的类别信息;其次,在核主元空间中引用k近邻规则代替传统的T2统计方法,k近邻规则可以有效处理主元空间非线性和多模态等特征的故障检测问题。数值模拟实例和半导体蚀刻工艺过程仿真实验表明:基于判别核主元k近邻方法可以有效地处理具有非线性和多模态结构特征的故障检测问题,提高计算的效率,减少内存的占用,并且故障检测率明显优于传统方法。
- 张成郭青秀李元
- 关键词：K近邻故障检测半导体
