针对工业过程的非线性和多模态特征,提出了一种基于局部近邻标准化(local neighborhood standard ization,LNS)和主多项式分析(principal polynomial analysis,PPA)结合的故障检测算法。首先,将样本数据通过局部近邻标准化(local neighbor standardization,LNS)算法,对每个样本构建k近邻数据集;然后应用k近邻数据集的均值和方差对当前样本进行标准化处理;最后使用PPA对已经标准化处理后的样本建模,计算出T2和SPE统计量,并确定控制限进行故障检测。LNS算法能够去除数据中的多模态特征,而PPA算法能够有效的处理非线性数据,因此LNS-PPA方法能够提高具有多模态非线性特征的工业过程故障检测能力。将该方法应用于多模态非线性数值例子和田纳西伊斯曼(TE)化工过程,并将测试结果与主元分析法(principal component analysis,PCA)、主多项式分析法进行对比,其结果能够有效验证LNS-PPA的优越性。

-包含了Pensim仿真软件的安装文件以及中文使用手册 很详细的步骤，方便自己生成数据 -包含了两个Excel文件，分别是正常工况下的数据和故障1下的数据，都是300h的数据，每0.5h的采样间隔，故障1是底物流加速度以10%的幅度阶跃降低，从80h加入，一直到发酵结束 -可以自己使用Pensim仿真软件生成各种故障数据 -附带两篇论文介绍青霉素发酵过程数据集

大数据-算法-非线性过程监测中的数据降维及相关问题研究邵纪东.pdf

存在缺失数据的多个相关隐藏调度变量时的非线性过程识别