基于核独立元分析的间歇过程在线监控

针对间歇过程独特的数据特点,提出了一种基于核独立元分析(kernelICA)的局部在线建模监控方法。核独立元分析通过规范相关性将比较函数扩展到一个再生的核希尔伯特空间,并用核的方法在此空间对比较函数进行计算和寻优。对含有多种分布的过程源数据,核独立元分析是一种比独立元分析(ICA)更有效的特征提取方法。对于按批次方向展开的间歇过程历史建模数据,在每一个时间间隔点应用核独立元分析算法提取独立元用于建模,并计算I2和SPE统计量及相应的控制限。此方法不需要对未来测量值进行估计,更重要的是解决了核独立元分析不能直接处理间歇过程高维历史建模数据的难题。仿真结果验证了所提出方法的可行性和有效性,并显示出比传统MICA更好的监控效果。     

基于CW-HCA联合指标的高含硫天然气净化过程故障监测

高含硫天然气（HSG）净化过程复杂,导致安全开发风险极高。因此保障净化系统可靠运行、实现过程安全生产具有重要意义。对于类似化工过程,在独立成分分析（ICA）方法基础上,高阶累积量分析（HCA）用样本三阶累积量代替均值方差构造统计指标大大提高了检测率。然而,HCA构造独立分量空间指标时未考虑不同独立分量间重要性差异,这可能致使监测结果经样本高阶累积后出现一定程度的偏差。同时,采用多指标监测策略可能出现指标间监测结果相互冲突问题。为此,提出一种基于贡献度加权高阶累积量分析（CW-HCA）联合指标的故障监测方法。该方法根据独立分量的贡献度对样本的三阶累积量进行加权;再将加权后的指标与残差空间指标联合获得联合指标,实现监测。TE以及HSG净化过程的实验结果表明,所提算法相比ICA算法、HCA算法具有有效性和优越性。     

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。     

递归核PCA及其在非线性过程自适应监控中的应用

PCA、PLS作为常用的多变量统计监控算法，一般适用于线性、定常的过程。针对实际工业过程的时变、非线性特性，提出了一种递归核PCA（RKPCA）方法用于非线性过程的自适应监控。RKPCA算法通过将递归奇异值分解推广到核空间，给出了核形式描述的递归KPCA算法，运算复杂度比KPCA明显降低，保证非线性监控模型能够在线更新。在Alstom工业燃气发生装置上的自适应监控表明，所提出的RKPCA算法能够及时跟踪非线性过程的时变特征，保证了监控模型的有效性。     

连续聚合反应的ICA故障诊断方法研究

针对工业生产中的数据一般无法严格服从高斯分布的问题,采用独立分量分析方法建立了完整的多变量统计过程监控系统结构。以ICA算法提取独立分量,为了提高后续分析的准确性,提出了运用相关系数法剔除伪独立分量的方法;并对独立分量空间进行划分,分别计算两类统计量:I2、Ie2统计量和SPE统计量,确定其控制限,与在线数据进行对比,进行过程的监测与故障诊断。通过一个具体的连续聚合反应过程的仿真实例,证明了这种方法的可行性和有效性。     

基于快速滑窗QR分解的自适应子空间辨识

子空间辨识直接由输入输出数据辨识得到过程状态空间模型,在多变量系统的辨识中取得广泛应用。实现在线子空间辨识算法的关键在于快速、高效的QR分解及SVD分解更新算法。通过将Updating和Downdating操作有效结合,提出了一种快速的滑窗QR分解算法,减少了不必要的重复步骤,进一步提高了计算效率。复杂度分析结果表明,随数矩阵行数增加,快速滑窗QR分解算法比Updating、Downdating两步法可以减少8.3%的计算量。将快速滑窗QR分解算法用于PO-MOESP子空间辨识算法的自适应更新,并通过数值仿真实例验证了算法的有效性。     

在线压缩KECA的自适应算法在故障检测中的应用

在复杂的大规模工业过程系统中,实时过程监视、优化计算时间和降低运行内存是实现最终产品质量的最关键和最具挑战性的任务,提出一种在线压缩核熵成分分析（online reduced kernel entropy component analysis, ORKECA）的自适应故障检测算法。首先计算训练样本的核矩阵,根据保留的特征值与特征向量选择有代表性的观测值,构造一个符合全局数据信息特征的压缩集,计算监测统计数据的平方预测误差（squared prediction error, SPE）,并利用核密度估计确定控制限。对于在线实时采集的数据,计算该数据的统计量并与压缩集的控制限比较,根据过程状态分析核熵成分分析（kernel entropy component analysis, KECA）模型是否需要进行更新,可以有效提高实时监测过程数据的性能。最后,以一个非线性数值案例及TE过程数据对该方法进行仿真数值分析。结果表明,所提的方法具有有效的可行性。     

基于Kernel特征空间分解的组分仪递推模型

提出一种Kernel映射空间中特征值问题的递推求解算法，用于建立能够在线快速更新的软组分仪模型。该算法由向前更新和向后更新两个递推阶段组成，只需极小的计算量即可获得新的特征空间信息，且无需保存整个Kernel矩阵。通过对Tennessee Eastman（TE）过程的终端产品质量的建模研究表明，基于提出的快速更新算法建立的软组分仪模型可以获得准确的预报精度，而且在过程故障情况下也显著优于无在线更新的组分仪模型。     

基于JIT-MOSVR的软测量方法及应用

针对传统多模型软测量方法在面对复杂、多变工况时缺少在线更新机制、更新时输出精度降低等问题,提出了一种基于即时学习算法（JIT）的多模型在线软测量方法（MOSVR）。离线阶段首先采用模糊C均值聚类（FCM）对训练数据进行聚类,接着采用SVR建立初始模型集。在线部分以多模型输出作为主要输出,当出现新工况时,通过在线模型更新策略（OSMU）将输出模式切换为JIT,同时多模型集进行在线更新。该方法不仅拥有多模型输出的快速性、精确性,而且在模型更新时通过JIT模式还能保证输出的连续性、稳定性、精确性。最后将该软测量方法进行了数值仿真并运用到乙烷浓度软测量中,验证了该方法的有效性。     

基于递推部分最小二乘自适应质量监控策略及其在橡胶混炼过程中的应用

提出一种新的基于递推部分最小二乘（RPLS）算法的自适应在线质量监控策略。利用隐变量选择算法，根据实时采集的现场数据，在不增加计算和存储容量的基础上递推更新RPLS过程监测模型，进而更新Qα控制限，从而使RPLS自适应质量监控系统具有强时变跟踪特性，能够有效克服传统监测算法Qα无法反映系统时变性的缺点，大大降低了监控系统的误报率和漏报率，提高监控系统性能。并根据橡胶混炼过程特点，将此方法运用于该时变间歇过程质量监控中，取得了满意效果。     

一种新的模糊聚类-分级算法及其在流程报警管理中的应用

1 INTRODUCTION Normally, operating management experience of in- dustrial process indicates that the probability one ig- nores alarm is 10-4 after handling one alarm signal and the probability one takes no direct action is 10-5 after hearing one alarm. Experiences also indicate that the probability one ignores alarm will increase to 10-3 from 10-4 if one alarm isn't handled within one minute[1]. Therefore, when the second alarm is appearing the probability which it can't be identified is 10…     

复杂大系统的数据校正

由于复杂大系统包含设备较多、物料品种多、工艺流程复杂,所需测量的数据繁多、解题规模庞大.传统的数据校正算法耗费了计算机大量的存储单元,而且计算时间较长.而新的分解协调算法无需协调参数和迭代计算,故计算速度加快,很好地解决了这个问题.     

Mixture robust L1 probabilistic principal component regression and soft sensor application

In this paper, the multivariate Laplace distribution (also called L1 distribution) is adopted to construct a robust probabilistic principal component regression model (MRPPCR-L1) under multiple operating modes. In the practical industrial chemistry process, outliers exist due to incorrect recording, disturbances, and process noises and might result in modelling distortion. To address this problem, Laplace distribution, instead of the Gaussian distribution in traditional methods, is introduced to reduce the negative influence of outliers. Moreover, probabilistic principal component regression is employed for dealing with the mixture modelling problem owing to its probabilistic property to determine the operating modes. The formulation of this approach is derived with the expectation maximum algorithm and the soft sensing model is also developed for prediction. Compared to the conventional method, a numerical example and the Tennessee Eastman process are used to demonstrate the robust modelling performance of the proposed method.     

Multiway discrete hidden Markov model‐based approach for dynamic batch process monitoring and fault classification

A new multiway discrete hidden Markov model (MDHMM)‐based approach is proposed in this article for fault detection and classification in complex batch or semibatch process with inherent dynamics and system uncertainty. The probabilistic inference along the state transitions in MDHMM can effectively extract the dynamic and stochastic patterns in the process operation. Furthermore, the used multiway analysis is able to transform the three‐dimensional (3‐D) data matrices into 2‐D measurement‐state data sets for hidden Markov model estimation and state path optimization. The proposed MDHMM approach is applied to fed‐batch penicillin fermentation process and compared to the conventional multiway principal component analysis (MPCA) and multiway dynamic principal component analysis (MDPCA) methods in three faulty scenarios. The monitoring results demonstrate that the MDHMM approach is superior to both the MPCA and MDPCA methods in terms of fault detection and false alarm rates. In addition, the supervised MDHMM approach is able to classify different types of process faults with high fidelity. © 2011 American Institute of Chemical Engineers AIChE J, 2012     

基于数据驱动的化工过程参数报警阈值优化

为了提高化工过程报警系统的性能,需要对过程参数的报警阈值进行优化设置。针对传统阈值方法存在的问题,采用核密度估计方法、基于历史数据对过程报警状态进行估计,从最小化误报警和漏报警概率的角度建立了优化过程报警阈值的目标函数,并采用数值优化的方法进行求解。应用于TE过程的仿真结果表明,此方法能够有效地减少过程误报警的次数,并且对漏报警的次数进行抑制。     

非规整报警的相关性分析方法

报警管理在化工过程安全中具有重要地位,而报警相关性挖掘是报警管理的重要组成部分。在传统的基于凝聚层次聚类的报警相关性挖掘方法基础上,提出非规整报警相关性计算方法,弥补了传统方法难以处理延迟时间变化与非对称情况的不足。同时以概率形式表示相关性大小,使不同位点之间的相关性计算结果具有可比性。经过仿真案例与工厂真实生产案例测试,该方法能够有效挖掘过程中出现的报警相关性,进而指导报警系统合 理化。     

基于共同趋势模型的非平稳过程在线监控

对于非平稳过程监控,传统的基于数据平稳假设的多元统计过程控制方法是不适用的。针对上述问题,提出了一种基于共同趋势模型的非平稳过程监控方法。共同趋势模型从存在协整关系的非平稳多元变量中辨识出共同因子,将各非平稳过程变量分解成非平稳的共同趋势成分与平稳成分之和的形式。不同于现有的基于协整模型的非平稳过程监控方法,共同趋势模型能够获取各非平稳变量中的平稳成分,消除非平稳共同因子的影响并体现变量间全部的动态均衡关系。将对非平稳过程的监控变为应用共同趋势模型,分解得到各非平稳过程变量中的平稳成分,然后应用传统的多元统计方法,估计平稳成分的统计量及相应的控制限进行监测。石油蒸馏过程监控的实例研究结果表明,所提出的方法比基于协整新息变量的方法具有更可靠的监控效果。     

Hidden Markov model based approach for diagnosing cause of alarm signals

When a fault occurs in a process, it slowly propagates within the system and affects the measurements triggering a sequence of alarms in the control room. The operators are required to diagnose the cause of alarms and take necessary corrective measures. The idea of representing the alarm sequence as the fault propagation path and using the propagation path to diagnose the fault is explored. A diagnoser based on hidden Markov model is built to identify the cause of the alarm signals. The proposed approach is applied to an industrial case study: Tennessee Eastman process. The results show that the proposed approach is successful in determining the probable cause of alarms generated with high accuracy. The model was able to identify the cause accurately, even when tested with short alarm sub-sequences. This allows for early identification of faults, providing more time to the operator to restore the system to normal operation.     

Enhanced high-order information extraction for multiphase batch process fault monitoring

Conventional independent component analysis (ICA) monitoring methods extract the feature information of process data by selecting more important independent components (ICs), which discard a small part of ICs that may contain useful information for faults, leading to unsatisfactory monitoring results. However, when the number of sampling points is greater than that of process variables, the ICA monitoring model does not work well. To address the aforementioned problems, a novel monitoring method, multiphase enhanced high-order information extraction (MEHOIE), is proposed in this paper. The entire production process was first divided into several steady phases and transition phases by the affinity propagation (AP) phase partitioning method. The enhanced high-order information extraction (EHOIE) model was then built in each phase for fault monitoring. Finally, the algorithm was applied in the penicillin simulation platform and industrial microbial pharmaceutical process. The flexibility and superiority of this algorithm were verified by comparing it with other conventional methods.     

过程工业报警系统可视化监控技术及应用

合理有效的可视化监控技术及工具有助于操作员及时理解报警信息并采取响应措施。针对现有可视化技术存在的缺点及不足, 如资源利用不充分、报警等级划分不明确、报警根源分析不彻底等, 构建了4种新型可视化工具:基于信息融合的解释结构模型(静态和动态)、层次高密度报警图、层次优先级色彩图、性能水平趋势图, 分别实现了过程递阶模型建立、报警根源分析、滋扰报警识别、报警优先级划分、报警系统性能常规评估等目的。以TE仿真模型为例, 阐明了上述可视化技术及工具的实用性和有效性, 不仅可以展示报警全貌原始信息, 还可快速识别报警根源、关键报警、滋扰报警以及报警系统性能水平, 实现了高效监控,从一定程度上解决了报警泛滥问题。