基于多向核熵成分分析的微生物发酵过程多阶段划分及故障监测

针对多向核主元分析法(MKPCA)在监控动态非线性和多模态间歇生产过程故障的不足,提出一种基于物理信息熵的多阶段多向核熵成分分析(multiple sub-stage multi-way kernel entropy component analysis,MSMKECA)的新方法用于故障监控。该方法首先通过核映射将数据从低维空间映射到高维特征空间;其次在高维特征空间依据熵结构信息计算每个时刻数据矩阵的相似度指标进行阶段划分,将间歇过程划分为各稳定阶段和各过渡阶段,并在过渡阶段用时变的协方差代替固定协方差;最后在划分的阶段里分别建立模型进行间歇过程监测解决间歇过程的动态非线性和多阶段特性;将所提出的算法应用于青霉素发酵仿真系统的在线监测,验证了该方法的有效性。     

基于多阶段多向核熵成分分析的间歇过程故障检测方法

针对间歇过程的非线性、多阶段特性,提出一种基于多阶段多向核熵成分分析（multistage-MKECA,MsMKECA）的故障检测方法。针对间歇过程的多阶段特性,建立一种时序核熵主元关联度的矩阵相似性阶段划分方法,实现对间歇生产过程的多阶段划分;针对传统批次展开方式在线监控需要预估批次未来值的缺陷,进一步引入一种批次-变量三维数据展开方式建立每个阶段的MKECA非线性统计模型,实现对间歇过程的分阶段监控。最后对盘尼西林发酵过程开展仿真研究,结果表明所提方法能够比传统MKECA方法更为快速地进行故障检测。     

基于多动态核聚类的间歇过程在线监控

针对传统的多元统计监测方法不能有效检测工业过程中由于初始条件波动较大所引发的弱故障问题,提出一种基于多动态核聚类的核主元分析(DKCPCA)监控策略,实现多阶段间歇过程的弱故障在线监控.该方法首先针对过程中各阶段每一批次数据结合自回归移动平均时间序列模型(ARMAX)和核主成分分析(KPCA)方法分别建立动态核PCA模型,然后根据各批次模型间载荷的相似性采用分层次聚类方法进行聚类,最后将聚在一起的批次数据进行展开重新再建立动态核PCA模型,随着聚类数目的不同从而建立多个类模型.当在线应用时给出了多模型选择策略,以提高监测精度.将此方法应用于青霉素发酵过程的监控中,监测结果表明此方法取得了比DKPCA和MKPCA更好的监测性能.     

基于稀疏核主元分析的在线非线性过程监控

核主元分析(KPCA)适合非线性过程的监控,但存在计算量大、实时性差等缺点。提出一种基于稀疏KPCA(SKPCA)的过程监控方法,先使用SKPCA对正常建模数据进行加权,少数权值大的数据基本能代表全部正常数据的信息,因此稀化了建模数据,然后根据稀化后的正常数据建立过程的KPCA模型,并提出监控指标,大大减少了计算量,提高了监控的实时性,最后以化工分离过程为对象,就KPCA与SKPCA的监控效果和实时性进行了详细的对比研究,结果表明了基于SKPCA监控方法的优越性。     

基于小波核聚类的非高斯过程故障检测方法

针对工业过程检测变量具有的非线性和非高斯性等特点,提出了一种基于小波核聚类的核主元分析（WKPCA）方法来处理过程数据的非线性特性,同时引用支持向量数据描述（SVDD）对过程进行建模。本算法先根据Morlet小波具有多分辨分析和能以更高的精度逼近任意函数的特点,将其构建为小波核函数,可以增强KPCA的非线性核映射和抗噪能力,然后在映射后的特征空间中进行均值聚类分析,选择每个聚类中展现特征中心的数据,大大减少了核函数的计算量;最后通过SVDD提出监控指标来描述过程的非高斯特性。将上述方法用在一个标准仿真平台Tennessee-Eastman上,结果表明,该方法能及时有效地检测出系统产生的故障和异常情况。     

基于多向核熵成分分析的微生物发酵间歇过程监测研究

针对微生物发酵间歇过程监测算法只考虑数据信息最大化未考虑数据簇结构信息的不足,提出了基于多向核熵成分分析(Multi-way Kernel Entropy Component Analysis,MKECA)间歇过程监测的新方法。该方法首先引入AT展开策略对三维历史数据进行预处理,然后通过核映射将数据从低维空间映射到高维特征空间,解决数据的非线性特性,并在高维特征空间依据核熵的大小对数据进行降维,使降维后的数据能够最大化地保留原始数据的分布;同时理论证明了所提方法在特定条件下等同于传统方法,也就是说MKECA既能兼顾传统方法的优势,又能弥补传统方法的不足;最后通过青霉素仿真数据进行验证,表明MKECA方法具有更可靠的监控性能,能及时、准确地监测出故障。     

基于加权深度支持向量数据描述的工业过程故障检测

传统支持向量数据描述（SVDD）方法本质上采用浅层学习框架,难以有效监控非线性工业过程的复杂故障。针对此问题,提出一种基于加权深度支持向量数据描述（WDSVDD）的故障检测方法。该方法一方面在深度学习框架下重新定义SVDD优化目标函数,构建基于深度特征的深度SVDD监控模型（DSVDD）,并利用核密度估计法计算监控指标的统计控制限;另一方面,考虑到深度特征的故障敏感度差异特性,在DSVDD监控模型中设计特征加权层,分别从静态和动态信息分析角度给出权重因子的计算方法,利用权重因子突出故障敏感特征的影响以提高故障检测率。应用于一个典型化工过程的测试结果表明,所研究的方法能够比传统SVDD方法更有效地监控过程中复杂故障的发生。     

基于多阶段多向核熵成分分析的间歇过程故障检测方法

针对间歇过程的非线性、多阶段特性,提出一种基于多阶段多向核熵成分分析(multistage-MKECA,Ms MKECA)的故障检测方法。针对间歇过程的多阶段特性,建立一种时序核熵主元关联度的矩阵相似性阶段划分方法,实现对间歇生产过程的多阶段划分;针对传统批次展开方式在线监控需要预估批次未来值的缺陷,进一步引入一种批次-变量三维数据展开方式建立每个阶段的MKECA非线性统计模型,实现对间歇过程的分阶段监控。最后对盘尼西林发酵过程开展仿真研究,结果表明所提方法能够比传统MKECA方法更为快速地进行故障检测。     

一种基于聚类方法的多阶段间歇过程监控方法

针对阶段不等长的多阶段间歇过程,提出了一种基于k-均值聚类方法的阶段分段策略,可以将不等长的阶段准确分类。首先,将间歇过程的三维训练数据按变量方向展开成二维矩阵,再通过k-均值聚类的方法按照相关性将数据聚成多类并运用主元分析（PCA）方法分别对每一类建立模型。在线监控时,通过计算样本与模型之间的相似系数以选择最合适的模型进行在线监控。此方法可以将不同批次在同一采样时刻的过程数据按照相关性分到多个阶段,更符合生产过程中常见的过程数据阶段不等长的情况。最后利用青霉素仿真验证了该方法的有效性。     

基于PSO的间歇生产鲁棒统计过程监控

间歇过程广泛应用于精细化工产品、生物化工产品等高附加值产品的制备.为提高间歇生产的可重复性,提高批次之间产品的一致性,多向主元分析法(MPCA)广泛应用于间歇生产过程的监控.针对MPCA统计监控模型容易受到建模数据中离群点影响的不足,提出了一种基于微粒群优化算法(PSO)的鲁棒MPCA分析方法,并进一步给出了相应鲁棒监控统计量的计算方法.对于链霉素发酵过程的监控表明,相对于普通MPCA,鲁棒MPCA在建模数据中存在离群点时仍能够给出正确的统计监控模型,从而有效减少了建模过程对数据的要求.     

Multivariate statistical process monitoring using an improved independent component analysis

An approach for multivariate statistical monitoring based on kernel independent component analysis (Kernel ICA) is presented. Different from the recently developed KICA which means kernel principal component analysis (KPCA) plus independent component analysis (ICA), Kernel ICA is an improvement of ICA and uses contrast functions based on canonical correlations in a reproducing kernel Hilbert space. The basic idea is to use Kernel ICA to extract independent components and later to provide enhanced monitoring of multivariate processes. I² (the sum of the squared independent scores) and squared prediction error (SPE) are adopted as statistical quantities. Besides, kernel density estimation (KDE) is described to calculate the confidence limits. The proposed monitoring method is applied to fault detection in the simulation benchmark of the wastewater treatment process and the Tennessee Eastman process, the simulation results clearly show the advantages of Kernel ICA monitoring in comparison to ICA and KICA monitoring.     

基于MKECA的非高斯性和非线性共存的间歇过程监测

多向核独立成分分析（multiway kernel independent component analysis,MKICA）在监测间歇过程非高斯性和非线性方面取得了广泛应用,其仅仅是将线性独立成分分析（independent component analysis,ICA）方法利用核主成分分析（kernel principal component analysis,KPCA）白化扩展到非线性领域,但数据经KPCA白化后只考虑数据信息最大化未考虑数据簇结构信息的不足,为解决此问题,采用核熵成分分析（kernel entropy component analysis,KECA）代替KPCA白化的过程监测方法。该方法首先利用AT展开方法将过程三维数据变为二维数据;其次用KECA进行白化处理的同时解决数据的非线性;然后建立ICA监测模型用于非高斯生产过程监测;最后将该方法应用到青霉素发酵仿真和实际的工业过程并与MKICA方法进行对比,验证该方法的有效性。     

A nonlinear kernel Gaussian mixture model based inferential monitoring approach for fault detection and diagnosis of chemical processes

A nonlinear kernel Gaussian mixture model (NKGMM) based inferential monitoring method is proposed in this article for chemical process fault detection and diagnosis. Aimed at the multimode non-Gaussian process with within-mode nonlinearity, the developed NKGMM approach projects the operating data from the raw measurement space into the high-dimensional kernel feature space. Thus the Gaussian mixture model can be estimated in the feature space with each component satisfying multivariate Gaussianity. As a comparison, the conventional independent component analysis (ICA) searches for the non-Gaussian subspace with maximized negentropy, which is not equivalent to the multi-Gaussianity in multimode process. The regular Gaussian mixture model (GMM) method, on the other hand, assumes the Gaussianity of each cluster in the original data space and thus cannot effectively handle the within-mode nonlinearity. With the extracted kernel Gaussian components, the geometric distance driven inferential index is further derived to monitor the process operation and detect the faulty events. Moreover, the kernel Gaussian mixture based inferential index is decomposed into variable contributions for fault diagnosis. For the simulated multimode wastewater treatment process, the proposed NKGMM approach outperforms the ICA and GMM methods in early detection of process faults, minimization of false alarms, and isolation of faulty variables of nonlinear and non-Gaussian multimode processes.     

基于故障判别增强KECA算法的故障检测

基于核熵主成分分析方法的统计模型仅利用正常工况下数据进行建模，而忽略了监控系统数据库中一些已知类别的先前故障数据。为了利用先前故障数据中包含的故障信息来增强故障检测性能，提出了一种故障判别增强KECA（fault discriminant enhanced kernel entropy component analysis, FDKECA）算法。该法通过采用无监督学习和监督学习方法建立模型，同时监测非线性核熵主成分（kernel entropy component, KEC）和故障判别成分（fault discriminant component, FDC）两类数据特征。此外，利用贝叶斯推理将相应的监视统计信息转换为故障概率，并通过加权两个子模型的结果来构建基于总体概率的监视统计量。通过数值仿真和田纳西伊斯曼（Tennessee Eastman, TE）过程仿真实验，证明和传统KECA相比，FDKECA算法能够有效利用故障数据提高故障检测率。     

基于主元分析和核密度估计的多变量统计过程监控及在工厂聚丙烯催化剂反应器的应用

Abstract Data-driven tools, such as principal component analysis （PCA） and independent component analysis （ICA） have been applied to different benchmarks as process monitoring methods. The difference between the two methods is that the components of PCA are still dependent while ICA has no orthogonality constraint and its latentvariables are independent. Process monitoring with PCA often supposes that process data or principal components is Gaussian distribution. However, this kind of constraint cannot be satisfied by several practical processes. To ex-tend the use of PCA, a nonparametric method is added to PCA to overcome the difficulty, and kernel density estimation （KDE） is rather a good choice. Though ICA is based on non-Gaussian distribution intormation, .KDE can help in the close monitoring of the data. Methods, such as PCA, ICA, PCA.with .KDE（KPCA）, and ICA with KDE,（KICA）, are demonstrated and. compared by applying them to a practical industnal Spheripol craft polypropylene catalyzer reactor instead of a laboratory emulator.     

INTRODUCTION OF DYNAMICS TO AN APPROACH FOR BATCH PROCESS MONITORING USING INDEPENDENT COMPONENT ANALYSIS

Use of independent component analysis (ICA) in developing statistical monitoring charts for batch processes has been reported previously. This article extends the previous work by introducing time lag shifts to include process dynamics in the ICA model. Comparison of the dynamic ICA-based method with other batch process monitoring approaches based on static ICA, static principal component analysis (PCA), and dynamic PCA is made for an industrial batch polymerization reactor and a simulated fed-batch penicillin fermentation process. For both case studies, it was found that the dynamic ICA approach detected faults earlier than other approaches, with less ambiguity, and was the only approach that detected all the faults.     

基于小波去噪与KPCA的TE过程故障检测研究

针对化工过程复杂非线性,并且含有噪声和随机干扰的特点,提出利用小波去噪与核主元分析(KPCA)相结合的方法来进行故障检测,既可以达到去噪、抗干扰的目的,又可以将输入空间中复杂的非线性问题转化为特征空间中的线性问题,从而解决了主元分析(PCA)方法在非线性过程中性能差的问题.并将该方法应用于Tennessee Eastm...     

基于混合函数的KICA-LSSVM故障分类方法及应用

利用核独立成分分析(KICA)进行非线性特征提取,然后用最小二乘支持向量机建立故障分类模型。研究表明,不同核函数对模型的性能有很大影响。利用已有核函数构造混合核函数,提出基于混合核函数的KI-CA-LSSVM故障分类方法,并应用到某石化企业的润滑油生产过程。实验结果表明该方法具有很高的分类和泛化能力。     

基于核熵独立成分分析的故障检测方法

传统核独立成分分析（KICA）依据特征值的大小进行降维,但是特征值大并不一定取得的信息熵贡献度也是最大的。针对这个问题,提出一种基于核熵独立成分分析（KEICA）的故障检测方法。将训练数据集投影在高维核空间,通过对数据信息熵的贡献大小选取核主成分,并建立独立成分分析（ICA）模型。对训练样本求{\mathit{I}}^{\mathrm{2}}和\mathrm{S}\mathrm{P}\mathrm{E}统计量,并利用核密度估计计算统计量的控制限。计算测试数据对训练数据的核矩阵,将其投影在ICA模型上并计算测试样本的统计量,统计量超出控制限的样本即可被识别为故障样本。将该方法用于非线性数值例子和Tennessee Eastman（TE）过程的故障检测,并与传统的核主成分分析（KPCA）、核熵成分分析（KECA）和KICA方法进行对比,表明KEICA的监测效果优于其他三种方法。     

基于核熵独立成分分析的故障检测方法

传统核独立成分分析（KICA）依据特征值的大小进行降维,但是特征值大并不一定取得的信息熵贡献度也是最大的。针对这个问题,提出一种基于核熵独立成分分析（KEICA）的故障检测方法。将训练数据集投影在高维核空间,通过对数据信息熵的贡献大小选取核主成分,并建立独立成分分析（ICA）模型。对训练样本求{\mathit{I}}^{\mathrm{2}}和\mathrm{S}\mathrm{P}\mathrm{E}统计量,并利用核密度估计计算统计量的控制限。计算测试数据对训练数据的核矩阵,将其投影在ICA模型上并计算测试样本的统计量,统计量超出控制限的样本即可被识别为故障样本。将该方法用于非线性数值例子和Tennessee Eastman（TE）过程的故障检测,并与传统的核主成分分析（KPCA）、核熵成分分析（KECA）和KICA方法进行对比,表明KEICA的监测效果优于其他三种方法。