基于仿射传播聚类子集主元分析的间歇过程监测方法

针对间歇过程固有的多阶段特性,也为了克服传统阶段划分方法严格按照物理时刻顺序将采样点硬性分割而不能使其寻找数据特征最为相近的聚类中心的严重缺陷,提出基于仿射传播聚类(AP)的子集多向主元分析(subset-MPCA)监测新方法:采用全新的乱序聚类思想,将时间片矩阵打乱用AP进行无约束乱序聚类,使样本突破时间顺序的约束自由找寻与其特征最为相近的聚类中心,获得聚类子集,建立精确的子集MPCA监控模型。在线监控时,引入信息度传递实现实时采样点的阶段归属判断,解决阶段不等长批次的最佳模型选择问题。对青霉素仿真数据的实验表明,该方法较传统方法可有效降低故障的漏报和误报,有着更加可靠的监控性能。     

基于仿射传播聚类子集主元分析的间歇过程监测方法

针对间歇过程固有的多阶段特性,也为了克服传统阶段划分方法严格按照物理时刻顺序将采样点硬性分割而不能使其寻找数据特征最为相近的聚类中心的严重缺陷,提出基于仿射传播聚类(AP)的子集多向主元分析(subset-MPCA)监测新方法:采用全新的乱序聚类思想,将时间片矩阵打乱用AP进行无约束乱序聚类,使样本突破时间顺序的约束自由找寻与其特征最为相近的聚类中心,获得聚类子集,建立精确的子集MPCA监控模型。在线监控时,引入信息度传递实现实时采样点的阶段归属判断,解决阶段不等长批次的最佳模型选择问题。对青霉素仿真数据的实验表明,该方法较传统方法可有效降低故障的漏报和误报,有着更加可靠的监控性能。     

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.     

基于扩散距离的信息熵FCM多阶段LSTM-AE间歇过程故障监测

针对间歇过程中因忽略数据在阶段划分中的非线性，导致故障监测精度低的问题，提出一种基于扩散距离的信息熵模糊C均值(DDEFCM)多阶段长短期记忆网络的自动编码器(LSTM-AE)间歇过程故障监测方法。首先为了自动识别聚类个数，利用信息熵描述批处理后的二维时间片矩阵。再采用扩散距离对模糊C均值聚类(FCM)算法进行改进，解决欧式距离不能表征数据非线性的问题，有效划分间歇过程的稳定阶段，然后利用轮廓系数划分过渡阶段。最后建立多阶段LSTM-AE监测模型。利用青霉素发酵数据和大肠杆菌实际生产数据对该方法进行验证，结果表明所提方法不仅可以提升阶段划分性能，还能更加准确地进行故障监测。     

PDPSO优化多阶段AR-PCA间歇过程监测方法

针对间歇过程固有的多阶段特性和动态性,提出基于种群多样性的自适应惯性权重粒子群算法（PDPSO）优化的多阶段自回归主元分析（AR-PCA）间歇过程监测方法。该方法引入了PDPSO算法指导AP聚类偏向参数的选取,避免了传统方法依据聚类评价指标选取参考度时的盲目性。对PDPSO优化AP聚类的多阶段发酵过程的数据样本建立AR-PCA模型能够消除各阶段的动态性及变量之间的自相关和互相关影响。最后,对自回归（AR）模型的残差矩阵建立主成分分析（PCA）模型用于发酵过程监测。将该方法应用到青霉素发酵过程,并与传统方法进行对比,结果表明,该方法能够有效进行间歇过程阶段划分并降低故障的漏报和误报。     

PDPSO优化多阶段AR-PCA间歇过程监测方法

针对间歇过程固有的多阶段特性和动态性,提出基于种群多样性的自适应惯性权重粒子群算法(PDPSO)优化的多阶段自回归主元分析(AR-PCA)间歇过程监测方法。该方法引入了PDPSO算法指导AP聚类偏向参数的选取,避免了传统方法依据聚类评价指标选取参考度时的盲目性。对PDPSO优化AP聚类的多阶段发酵过程的数据样本建立AR-PCA模型能够消除各阶段的动态性及变量之间的自相关和互相关影响。最后,对自回归(AR)模型的残差矩阵建立主成分分析(PCA)模型用于发酵过程监测。将该方法应用到青霉素发酵过程,并与传统方法进行对比,结果表明,该方法能够有效进行间歇过程阶段划分并降低故障的漏报和误报。     

基于变量分组DTW-MCVA的不等长间歇过程故障检测方法

针对不等长间歇过程监控中批次数据同步化未能充分挖掘局部信息的问题,提出一种基于变量分组DTW-MCVA（VGDTW-CVA）的不等长间歇过程故障检测方法。首先,利用互信息矩阵描述不等长间歇过程测量变量之间的相关性,并基于互信息矩阵进行变量分组。然后利用DTW算法对各个变量组分别进行同步化,并将同步化后的变量组整合为完整的三维数据集。最后,利用MCVA方法建立动态监控模型实现对间歇生产过程的在线监控。盘尼西林发酵过程的仿真结果表明,VGDTW-MCVA能够比基本的DTW-MCVA方法更好地监控间歇过程故障。     

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。     

基于变量分组DTW-MCVA的不等长间歇过程故障检测方法

针对不等长间歇过程监控中批次数据同步化未能充分挖掘局部信息的问题,提出一种基于变量分组DTW-MCVA (VGDTW-CVA)的不等长间歇过程故障检测方法。首先,利用互信息矩阵描述不等长间歇过程测量变量之间的相关性,并基于互信息矩阵进行变量分组。然后利用DTW算法对各个变量组分别进行同步化,并将同步化后的变量组整合为完整的三维数据集。最后,利用MCVA方法建立动态监控模型实现对间歇生产过程的在线监控。盘尼西林发酵过程的仿真结果表明,VGDTW-MCVA能够比基本的DTW-MCVA方法更好地监控间歇过程故障。     

改进k-means聚类算法多模型建模的一种新的评价函数

pH中和过程的建模与控制一直是过程控制领域的难题。针对pH过程，提出了一种基于新性能评价函数的k-means聚类算法的多模型建模方法。针对k-means聚类算法中普遍存在的k值已知以及对初始点依赖严重的问题，在k-means聚类算法的基础进行改进，并且引入一个自定义的聚类效果评价函数确定聚类个数，然后采用偏最小二乘PLS算法建立相应的局部线性化模型。通过仿真研究，利用本文算法建立的多模型，获得到了良好的跟踪效果，验证了该改进算法的可行性和有效性。     

金属点蚀过程中声发射源机制研究

对Q235和不锈钢点蚀过程中的声发射信号特征进行实验研究。选取Q235腐蚀历程中的数据样本,对声发射信号进行了k均值聚类,区分噪声信号与腐蚀过程中的声源信号,得出了Q235腐蚀过程中声发射特性。     

基于聚类的多模型软测量建模及其应用

实际生产中往往存在对产品质量影响重大、但又难以在线测量的一些参数(只能离线测量与分析)。本文提出一种基于聚类的多模型建模方法对这些难以在线测量的参数实现软测量,将相关性分析、主元分析(PCA)、聚类和多模型建模应用于软测量建模中,构建一种实现重要参数软测量的基本框架:首先,基于相关度分析进行辅助变量的选择,然后用主元分析进行数据的进一步降维,再用k-means聚类与多模型建模思想相结合。最后将提出的思想和方法应用于某精馏塔组分的软测量中,仿真结果表明,测量精度有了较大的提高。     

基于聚类选择k近邻的LLE算法及故障检测

针对化工过程在多种运行模式下多种流形结构具有不同最优近邻数问题,提出了基于聚类选择k近邻的局部线性嵌入(LLE)过程监控方法。使用LLE算法提取高维数据的低维子流形,通过局部线性回归得到高维数据空间到特征空间的映射矩阵;选择Silhouette指标作为聚类有效性指标评估嵌入空间样本信息的相似性,进而确定最优近邻数,根据映射矩阵构建故障监控统计量及其控制限,进行故障检测。最后将所提算法与其他经典算法应用于TE化工过程对比分析,验证了算法的有效性。     

基于贝叶斯推理的PKPCAM的非线性多模态过程故障检测与诊断方法

针对一类非线性多模态的化工过程,提出一种基于概率核主元的混合模型(PKPCAM),并利用贝叶斯推理策略进行过程监控与故障诊断.在提出的模型中, 每个操作模态由一个局部化的概率核主元分量描述,从而构建的一系列分量对应了不同的操作模态.首先,将过程数据从原始的度量空间投影到高维特征空间;其次,在该特征空间建立概率主元混合模型,从概率角度刻画数据集的多个局部分量特征;最后,在提取的核主元分量内获得测试样本的后验概率,结合模态内的马氏距离贡献度,提出基于贝叶斯推理的全局概率指标进行故障检测,同时利用模态内变量的相对贡献度,基于全局贡献度指标进行故障诊断.利用TEP仿真平台,与基于k均值聚类的次级主元分析和核主元分析的方法进行了对比分析,验证了提出的贝叶斯推理的PKPCAM方法对非线性多模态过程进行故障检测与诊断的可行性和有效性.     

基于k-means++的高炉铁水硅含量数据优选方法

优质数据集是实现高炉铁水硅含量准确预报的基础。针对铁水硅含量数据记录不均衡，特别是部分样本周期内存在多个硅含量值且波动较大，难以与输入变量进行合理关联等难题，提出了一种基于k-means++聚类算法的铁水硅含量数据优选方法。该方法首先利用k-means++的快速聚类能力，将样本分簇，用以表征不同的炉况；其次统计各簇硅含量频数直方图，由此确定高频区间；最后以高频区间为标准，遴选与样本关联的最佳硅含量值。以某钢铁厂2650 m³的高炉为例，分别建立基于多层感知器和LSTM的深度学习模型进行预测，结果表明，该优选方法处理的数据与传统均值法相比，均方误差可减少0.003，命中率提高10%以上，对铁水硅含量数据的预处理具有较好的指导意义。     

芳烃异构化过程的多模型建模

针对芳烃异构化过程的非线性、复杂性,提出利用仿射传播聚类和最小二乘支持向量机对芳烃异构化过程进行多模型建模,以此来弥补单一模型建模的不足。首先仿射传播聚类对异构化数据聚类,利用最小二乘支持向量机对聚类之后的各个类分别建立子模型,通过计算欧氏距离来判断测试样本的所属类,将测试样本送入所属类的模型进行预测,以此来实现异构化过程的多模型预测。实验证明,与单模型以及基于k均值聚类的神经网络模型相比,本文提出的基于仿射传播聚类的最小二乘支持向量机模型更能准确地预测输出。