基于半监督正交因子分析的过程质量监控方法

实际工业过程中的观测样本大多会受到随机噪声的污染,因此带有噪声假设的概率模型得到广泛应用。传统方法直接对模型的因子进行监控,但由于建模所得因子中可能包含质量无关的信息,因此会增加质量相关故障的误报率,这对主要关心产品质量的生产过程是无益的。同时,针对实际过程与质量样本采样率不同导致的难以精确建模的问题,提出一种半监督正交因子分析(semi-supervised orthogonal factor analysis, Semi-SOFA)方法,建立概率模型,并对因子进行质量相关的正交分解,分别构造T2统计量;根据新样本是否含质量标签的数据性质计算相应的SPE统计量。提出的Semi-SOFA可有效检测出发生的故障是否影响质量,最后通过数值例子和Tennessee Eastman(TE)过程仿真验证了所提方法的有效性。     

一种鲁棒半监督建模方法及其在化工过程故障检测中的应用

复杂化工过程的观测样本往往包含着测量噪声与少量的离群点数据,而这些受污染的数据会影响数据驱动的过程建模与故障检测方法的准确性。本文考虑了化工过程测量样本的这一实际情况,提出了一种鲁棒半监督PLVR模型（RSSPLVR）,并利用核方法将其扩展为非线性的形式（K-RSSPLVR）。此类算法利用基于样本相似度的加权系数作为概率模型的先验参数,能有效消除离群点对建模的影响。利用加权后的建模样本,本文通过EM算法训练了RSSPLVR和K-RSSPLVR的模型参数,并提出了相应的故障检测算法。最后,通过TE过程仿真实验验证了所提出方法的有效性。     

一种鲁棒半监督建模方法及其在化工过程故障检测中的应用

复杂化工过程的观测样本往往包含着测量噪声与少量的离群点数据,而这些受污染的数据会影响数据驱动的过程建模与故障检测方法的准确性。本文考虑了化工过程测量样本的这一实际情况,提出了一种鲁棒半监督PLVR模型(RSSPLVR),并利用核方法将其扩展为非线性的形式(K-RSSPLVR)。此类算法利用基于样本相似度的加权系数作为概率模型的先验参数,能有效消除离群点对建模的影响。利用加权后的建模样本,本文通过EM算法训练了RSSPLVR和K-RSSPLVR的模型参数,并提出了相应的故障检测算法。最后,通过TE过程仿真实验验证了所提出方法的有效性。     

基于加权互信息主元分析算法的质量相关故障检测

质量相关的故障检测已成为近几年研究热点,它的目标是在过程监测中,对质量相关的故障检测率更高,对质量无关的故障少报警或不报警。传统主元分析算法的故障检测会对所有故障均报警,不能达到上述要求。另外,在实际工业生产中,质量变量通常难以实时获得,需要后续分析或延时得到。为此,提出一种融合贝叶斯推断与互信息的加权互信息主元分析算法。首先利用贝叶斯推断的加权方法将度量过程变量和质量变量之间相关关系的互信息进行融合,选出包含质量变量信息量最大的一组过程变量。然后对过程变量利用主元分析（principal component analysis,PCA）进行统计建模,再次根据加权互信息选出包含质量变量信息量最大的主元,建立统计量进行故障检测。最后,通过实验验证该方法的可行性和有效性。     

基于VAE-OCCA的质量相关故障检测方法研究

由于闭环反馈系统的存在，并不是所有故障均会导致质量发生恶化。质量变量通常难以获得或具有一定的延迟，传统的无监督方法不能在检测过程是否正常的同时判断故障对质量的影响。典型相关分析(canonical correlation analysis,CCA)是一种经典的有监督方法，可以考虑输入输出间的关系，已被用于质量相关故障检测。然而，过程数据存在着维度高、非线性等问题，流程系统的复杂性使得CCA对于隐藏特征的捕获更具挑战性。提出了一种变分自编码器-正交典型相关分析(variational automatic encoder-orthogonal CCA,VAE-OCCA)方法。首先，利用变分自编码器对输入数据进行无监督自适应学习，实现对高维非线性过程变量的特征提取；进而，基于典型相关分析方法考虑输入输出关系，利用得到的相关系数矩阵进行奇异值分解建立质量相关和质量无关监测统计量；最后，通过工业案例测试说明提出方法的有效性及优越性。     

基于相关系数的过程系统故障检测与诊断方法

故障检测和故障诊断对提高控制系统的安全性具有重要意义。通过对过程变量之间的相关性变化与过程装置故障之间关系进行深入分析,提出了一种基于过程变量相关系数约束的过程故障诊断方法。对相关过程变量定义基于相关系数（含相关系数、多重相关系数、偏相关系数）约束的过程诊断函数,通过考察相关系数和诊断函数的变化,对与其所涉及变量相关的装置是否发生故障做出判断。如果装置或系统发生故障,则会引起相关系数和诊断函数值发生变化,可通过诊断函数值进行逻辑推断,最终确定故障位置和故障装置。最后通过一个精馏塔的实际工程案例,验证了该方法的有效性。     

基于改进大趋势扩散和隐含层插值的虚拟样本生成方法及应用

针对获取复杂工业过程的难以检测质量或环境污染指标数据的时间和经济成本高导致有标记建模样本稀缺的问题，提出了基于改进大趋势扩散和隐含层插值的虚拟样本生成（VSG）方法，并将其应用于城市固废焚烧过程的二英（DXN）排放预测。首先，采用基于子区域欧氏距离改进大趋势扩散（MTD）方法对真实样本输入/输出空间进行扩展；接着，采用等间隔插值方式生成虚拟样本输入，再结合映射模型和删减机制获得虚拟样本输出；然后，采用基于正则化改进的随机权神经网络隐含层插值依次得到虚拟样本输出和输入，再结合扩展空间对虚拟样本进行删减；最后，将上述具有互补性的虚拟样本与原始真实样本进行混合，实现建模数据容量扩充。通过基准数据集和工业过程DXN数据验证了所提方法的有效性和合理性。     

基于变量概率信息的因子分析监控方法

因子分析（factor analysis,FA）将噪声因素加入到建模过程中,可通过最大期望（expectation maximum,EM）算法建立模型。传统的FA（ST）指标仅利用了变量的期望信息而忽略了更能代表不确定性的方差信息,这可能会导致故障的漏报。通过对过程变量的概率分析,从本质上揭示了FA（ST）的这一缺陷。建模过程中的另一个重要因素是确定因子个数,使得在降维的同时能最大程度地保留对过程有用的信息。针对传统监控指标信息不足的问题,提出的负对数似然概率（negative log likelihood probability,NLLP）指标整合了更全面的概率信息;针对因子个数给定的问题,提出了一种整体-局部因子数确定法,使得因子和变量对于过程的信息解释率都达到收敛。最后通过数值例子和Tennessee Eastman（TE）过程验证了所提方法的有效性和优越性。     

基于加权互信息主元分析算法的质量相关故障检测

质量相关的故障检测已成为近几年研究热点,它的目标是在过程监测中,对质量相关的故障检测率更高,对质量无关的故障少报警或不报警。传统主元分析算法的故障检测会对所有故障均报警,不能达到上述要求。另外,在实际工业生产中,质量变量通常难以实时获得,需要后续分析或延时得到。为此,提出一种融合贝叶斯推断与互信息的加权互信息主元分析算法。首先利用贝叶斯推断的加权方法将度量过程变量和质量变量之间相关关系的互信息进行融合,选出包含质量变量信息量最大的一组过程变量。然后对过程变量利用主元分析(principal component analysis,PCA)进行统计建模,再次根据加权互信息选出包含质量变量信息量最大的主元,建立统计量进行故障检测。最后,通过实验验证该方法的可行性和有效性。     

选择性集成LTDGPR模型的自适应软测量建模方法

随着时间的增加,传统时间差（TD）模型会出现性能显著下降的问题。为了提高TD模型的可靠性和预测精度,同时考虑过程的时滞特征,基于一种选择性集成策略,提出一种局部时间差高斯过程回归（LTDGPR）模型的自适应软测量建模方法。首先,提取出数据库中的时滞动态信息,对建模数据进行重构;然后,采取局部化策略对差分后的重构样本进行统计划分,得到LTDGPR模型集。对于新来的输入样本,选择部分泛化能力强的LTDGPR模型进行集成,估计出含一定时间差的主导变量动态偏移值;最后,基于TD模型思想对当前时刻主导变量值进行在线预测。通过脱丁烷塔过程的数据建模仿真研究,验证了所提方法的有效性和精度。     

基于特征样本核主元分析的TE过程快速故障辨识方法

核主元分析（KPCA）在非线性系统的故障检测方面明显优于普通的PCA方法,但存在无法进行故障辨识以及在故障诊断过程常常出现核矩阵K计算困难等难题。针对上述问题,提出了一种基于特征样本核主元分析方法（FS-KPCA）非线性故障辨识方法。首先采用特征样本（FS）提取方法有效解决核矩阵K的计算量问题。然后利用计算核函数的偏导方法求取KPCA监控中每个原始变量对统计量T²和SPE的贡献率,利用每个变量对监控统计量贡献程度的不同,可以辨识出故障源。将上述方法应用到TE过程,仿真结果表明该方法不仅能够有效辨识故障,而且提高了故障检测和辨识速度。     

基于统计量模式分析的T-KPLS间歇过程故障监控

核函数的全影结构投影(total kernel projection to latent structures,T-KPLS)最近在故障监控领域取得了广泛应用, 其实质是对数据矩阵的协方差矩阵进行分解, 没有利用数据的高阶统计量等有用信息, 在进行特征提取时会造成数据有用信息的丢失, 导致故障识别效果差。为了解决此问题, 提出了统计量模式分析(statistics pattern analysis, SPA)与核函数的全影结构投影法(total kernel projection to latent structures, T-KPLS)相结合的多向统计量模式分析的核函数的全影结构投影法(multi-way statistics pattern analysis total kernel projection to latent structures, MSPAT-KPLS)。该方法首先构造样本的不同阶次统计量, 将数据从原始的数据空间映射到统计量样本空间, 然后利用核函数将统计量样本空间映射到高维核空间并在质量变量的引导下将特征空间分为过程变量与质量变量相关、过程变量与质量变量无关、过程变量与质量变量正交和残差4个子空间;最后针对与质量变量相关和残差空间建立联合监控模型, 当监控到有故障发生时进行故障变量追溯。最后将该方法应用到微生物发酵过程中, 并与传统方法进行比较, 发现该方法具有更好的监控性能。     

基于加权统计局部核主元分析的非线性化工过程微小故障诊断方法

传统统计局部核主元分析（statistical local kernel principal component analysis, SLKPCA）在构造改进残差时未考虑样本的差异性,使得故障样本信息易于被其他样本所掩盖,针对该问题,提出一种基于加权统计局部核主元分析（weighted statistical local kernel principal component analysis, WSLKPCA）的非线性化工过程微小故障诊断方法。该方法首先利用KPCA获取过程的得分向量和特征值并构建初始残差。然后设计了一种基于测试样本与训练样本之间距离的加权策略构建加权改进残差,对含有较强微小故障信息的样本赋予较大权值,以增强故障样本的影响。最后,采用基于测量变量与监控统计量之间的加权互信息构建贡献图以识别故障源变量。在连续搅拌反应釜和田纳西伊斯曼（Tennessee Eastman, TE）化工过程上的仿真结果表明,所提方法具有良好的微小故障检测与识别性能。     

A local and global statistics pattern analysis method and its application to process fault identification☆

Traditional principal component analysis (PCA) is a second-order method and lacks the ability to provide higher-order representations for data variables. Recently, a statistics pattern analysis (SPA) framework has been incor-porated into PCA model to make full use of various statistics of data variables effectively. However, these methods omit the local information, which is also important for process monitoring and fault diagnosis. In this paper, a local and global statistics pattern analysis (LGSPA) method, which integrates SPA framework and locality pre-serving projections within the PCA, is proposed to utilize various statistics and preserve both local and global in-formation in the observed data. For the purpose of fault detection, two monitoring indices are constructed based on the LGSPA model. In order to identify fault variables, an improved reconstruction based contribution (IRBC) plot based on LGSPA model is proposed to locate fault variables. The RBC of various statistics of original process variables to the monitoring indices is calculated with the proposed RBC method. Based on the calculated RBC of process variables' statistics, a new contribution of process variables is built to locate fault variables. The simula-tion results on a simple six-variable system and a continuous stirred tank reactor system demonstrate that the proposed fault diagnosis method can effectively detect fault and distinguish the fault variables from normal variables.     

Nonlinear multiscale modelling for fault detection and identification

In order to detect abnormal events at different scales, a number of multiscale multivariate statistical process control (MSPC) approaches which combine a multivariate linear projection model with multiresolution analysis have been suggested. In this paper, a new nonlinear multiscale-MSPC method is proposed to address multivariate process performance monitoring and in particular fault diagnostics in nonlinear processes. A kernel principal component analysis (KPCA) model, which not only captures nonlinear relationships between variables but also reduces the dimensionality of the data, is built with the reconstructed data obtained by performing wavelet transform and inverse wavelet transform sequentially on measured data. A guideline is given for both off-line and on-line implementations of the approach. Two monitoring statistics used in multiscale KPCA-based process monitoring are used for fault detection. Furthermore, variable contributions to monitoring statistics are also derived by calculating the derivative of the monitoring statistics with respect to the variables. An intensive simulation study on a continuous stirred tank reactor process and a comparison of the proposed approach with several existing methods in terms of false alarm rate, missed alarm rate and detection delay, demonstrate that the proposed method for detecting and identifying faults outperforms current approaches.     

基于最小充分统计量模式分析的故障检测方法

统计量模式分析（SPA）最近在故障检测领域取得了广泛应用,其实质是用数据的统计量矩阵来代替原始数据矩阵进行故障检测,然而其统计量的选取存在盲目性且各统计量之间存在复杂的非线性关联关系,难以满足后续应用主成分分析（PCA）完成故障检测所需的基本条件。为了解决这个问题,提出了基于最小充分统计量模式分析的故障检测方法（MSSPA）。该方法首先将原始数据矩阵进行正交变换以消除变量之间的关联性,然后估计出每个变量的概率密度函数或者多个变量的联合概率密度函数,进而求出原始数据的最小充分统计量,并用最小充分统计量来构造统计量矩阵。最小充分统计量的引入还能够有效应对数据的非高斯分布问题。最后,通过在TE过程上的仿真测试验证了该方法用于故障检测的可行性和有效性。     

基于核T-PLS的化工过程故障检测算法

针对全潜结构投影法（T-PLS）在检测非线性过程故障时误报率和漏报率较高的缺点,提出了基于核函数的全潜结构投影法（KT-PLS）。该算法通过核函数将过程数据从低维输入空间非线性地映射到高维特征空间,实现非线性问题的线性化;然后在质量变量的引导下将特征空间分为与质量直接相关、与质量正交、与质量无关和残差四个子空间;最后分别构建D和Q统计量进行故障检测。将该算法应用到Tennessee Eastman process（TEP）,多种故障模式下的仿真结果表明,KT-PLS比T-PLS更适合监控具有强非线性的生产过程。     

基于非负矩阵分解的多模态过程故障监测方法

针对传统的多元统计故障监测方法往往需要假设测量数据服从单一高斯分布的不足,提出了一种基于非负矩阵分解(NMF)的多模态故障监测方法。首先使用标准的NMF算法对训练集数据进行聚类,将多模态数据划分到各个模态中;然后使用稀疏性正交非负矩阵分解(SONMF)算法对各模态分别建模,同时构造监控统计量进行故障监测。将提出的基于非负矩阵分解的多模态故障监测方法应用于数值例子和TE过程的仿真结果表明,该方法能够及时有效地检测出多模态过程中的故障。