无监督故障幅值估计：基于LPP和FCM的多工况过程分析

"基于重构的多工况过程无监督故障幅值估计——杨晔，马洁(北京信息科技大学 自动化学院，北京100192)" 在工业生产过程中，尤其是在多工况环境中，故障的及时检测和精确估计对于确保生产安全与效率至关重要。本文针对缺乏先验知识的多工况工业过程，提出了一种新颖的无监督故障幅值估计方法，该方法主要基于保局投影（LPP）和模糊c均值聚类（FCM）的重构算法。 首先，保局投影（LPP）是一种非线性降维技术，用于处理高维数据。在故障分析中，LPP能够保留数据之间的局部结构，将历史操作数据映射到低维空间，使得在同一工况下的数据点更紧密地聚集，不同工况的数据点相对分离。这一过程有助于识别和区分各种工况，为后续的故障检测提供基础。 接着，利用模糊c均值聚类（FCM）算法对降维后的数据进行聚类，以确定不同的工况。FCM允许数据点模糊地属于多个类别，适应了实际工况中的不确定性。通过聚类，可以定义每个工况的特征，并设置相应的检测指标和控制限，构建故障检测模型。 在故障检测模型建立后，文章引入了重构算法来提取故障方向矩阵。这个矩阵包含了故障发生时系统响应的关键信息，能够指示故障发生的趋势和方向。通过对矩阵的分析，可以估计出故障发生时的幅值，这在实时监控和预测故障严重程度方面具有重要意义。 以田纳西-伊斯曼（Tennessee Eastman，TE）过程作为实际案例，对提出的算法进行了仿真验证。TE过程是一个广泛用于化工过程模拟的复杂系统，包含多种工况和可能的故障模式。仿真实验结果显示，所提算法能够有效地估计多工况工业过程的故障幅值，并描绘出故障幅值随时间变化的曲线，证明了该方法的实用性和准确性。 关键词：故障幅值估计；保局投影；模糊c均值聚类；故障重构 这篇研究论文属于“TP277”分类，即自动控制技术领域，具有较高的学术价值，其文献标志码“A”表明它是一篇原创性的科研论文。该方法为无监督的多工况故障检测和估计提供了一种新的思路，对于工业过程监控和故障预防具有潜在的应用价值。