摘要：Locality preserving projection (LPP) is a newly emerging fault detection method which can discover local manifold structure of a data set to be analyzed, but its linear assumption may lead to monitoring performance degradation for complicated nonlinear industrial processes. In this paper, an improved LPP method, referred to as sparse kernel locality preserving projection (SKLPP) is proposed for nonlinear process fault detection. Based on the LPP model, kernel trick is applied to construct nonlinear kernel model. Furthermore, for reducing the computational complexity of kernel model, feature samples selection technique is adopted to make the kernel LPP model sparse. Lastly, two monitoring statistics of SKLPP model are built to detect process faults. Simulations on a continuous stirred tank reactor (CSTR) system show that SKLPP is more effective than LPP in terms of fault detection performance.

摘要：介绍了游梁式抽油机井的典型故障,设计了一套基于数据的抽油机井实时故障诊断实验平台。该实验平台利用施耐德电气公司的可编程逻辑控制器采集抽油机井参数,利用上位机绘制示功图,根据示功图实时监控抽油机井运行状态,对故障状态进行报警并诊断故障类型。该实验平台涵盖了抽油机井的数据采集、处理、显示、报警和电动机的变频调速等内容,有助于学生深入理解测控系统设计方法和PID控制算法、掌握测控技术在采油过程中的应用,有利于培养学生的工程实践能力。

摘要：Fisher判别分析(FDA)是一种有效的化工过程故障模式分类方法,但是其忽视了数据局部结构信息的挖掘。针对该问题,提出一种多块局部Fisher判别分析(MLFDA)方法,以更有效地识别化工过程故障。从变量和样本两个维度来分析数据的局部结构特性。针对变量维度的局部信息挖掘问题,设计了一种基于变量与数据集主元空间的相关度的变量分块方法,将全局过程变量划分为多个局部变量块。进一步考虑到样本维度的局部结构特性,应用基于局部权重因子的局部Fisher判别分析(LFDA)为每个局部变量块构建分类器。提出一种基于分类性能加权的多分类器集成方法,以融合不同分类器的决策结果。在Tennessee Eastman过程上的仿真结果说明,M LFDA方法具有比传统的FDA和LFDA方法更低的故障误分类率。

摘要：设计了一套基于数据驱动方法的模拟电路故障诊断实验平台。该平台利用OrCAD PSpice软件模拟电路的正常运行状态和故障运行状态,利用人工神经网络、支持向量机和随机森林等数据驱动的故障诊断方法建立故障模型并识别电路故障。该平台涵盖了电路故障模拟和故障诊断等实验教学内容,有助于学生深入认识电路故障、增强调试故障电路的能力,为本科生和研究生研究先进数据驱动方法提供实验条件。