基于隐变量空间载荷余弦相似度的间歇过程递推优化

针对间歇过程基于主元相似度优化方法中存在的变量相关性信息损失问题,提出一种单位化隐变量空间下利用载荷余弦相似度进行递推优化的新策略。首先将各时段变量与指标变量构成的扩展矩阵进行主元分解,通过信息的重新分配使得由主元构成的隐变量空间是单位正交的,从而得到包含更多变量相关信息的非单位化载荷矩阵,进一步计算隐变量空间下各时段变量与指标变量之间载荷余弦相似度和批次间指标增量,并对操作曲线进行递推修正。这种非单位化载荷矩阵的主元分解形式,不仅降低了隐变量空间下变量相关性信息损失,也使得更新操作曲线的递推算法更为简化。最后,通过间歇过程某一化工产品结晶纯度的优化研究,验证了所提方法的有效性。     

基于正交余弦相似度的间歇过程操作曲线优化

针对间歇过程的操作曲线优化问题,利用正交信号校正算法,提出一种基于正交余弦相似度的数据驱动型优化策略。利用部分批次指标变量定义指标相关子空间,并通过奇异值分解获得背景空间的基,将新批次时段变量投影到正交基上从而提取出指标相关的信息;采用主元分析算法对校正后的变量降维,在降维后的载荷平面中,基于各校正时段变量与指标变量的余弦相似度实现操作曲线的优化;考虑到变量间的相似度会随着批次发生变化,推导出递推算法来更新操作曲线。将该方法应用到双酚A间歇结晶过程的温度曲线优化中,预测产率的提升验证了所提方法的可行性。     

基于主元相似度的间歇过程操作曲线递推优化

针对一类较长周期的间歇过程操作优化问题,提出了一种基于正常运行批次的数据驱动型操作曲线递推优化方法。首先采用分段离散化方法将原非线性优化问题转化为线性优化问题,再利用主元分析对离散化后的高维时段变量进行降维处理,然后在降维后的主元平面中,基于时段变量与最终产品指标间的余弦相似度,实现对原操作曲线的摄动优化。考虑到时段变量方差和相似度随批次会发生变化,建立了递推算法以实现操作曲线的递推更新。最后将该方法应用于某化工产品的间歇结晶过程中,结果验证了所提方法的有效性。     

基于主元相似度的间歇过程操作曲线递推优化

针对一类较长周期的间歇过程操作优化问题，提出了一种基于正常运行批次的数据驱动型操作曲线递推优化方法。首先采用分段离散化方法将原非线性优化问题转化为线性优化问题，再利用主元分析对离散化后的高维时段变量进行降维处理，然后在降维后的主元平面中，基于时段变量与最终产品指标间的余弦相似度，实现对原操作曲线的摄动优化。考虑到时段变量方差和相似度随批次会发生变化，建立了递推算法以实现操作曲线的递推更新。最后将该方法应用于某化工产品的间歇结晶过程中，结果验证了所提方法的有效性。     

基于主元相似度的间歇过程操作曲线多阶段融合优化

针对一类具有多阶段特性的间歇过程操作曲线优化问题,提出了一种基于过程正常运行批次的数据驱动型操作曲线多阶段融合优化方法。首先通过时间片矩阵的划分以及主元分析,计算加权时间片载荷矩阵,并对其进行聚类分析得出过程的阶段;然后在每一阶段下利用时段变量与指标变量的相似度修正操作曲线;最后通过计算各阶段与指标变量的相关系数,获取阶段的权重从而实现操作曲线融合。将该方法应用到某化工产品的间歇结晶过程中,结果验证了所提方法的有效性。     

基于主曲线的软测量方法及其在精馏塔上的应用

为解决工业过程软测量中的变量维数高、数据相互耦合、非线性强等问题,提出了基于主曲线的软测量方法。其中的基于主曲线的非线性回归模型借鉴了PLS的基本思想,采用主曲线提取隐变量信息的同时考虑了自变量与因变量的相关性;在隐变量空间中,采用多项式函数拟合隐变量之间的非线性关系。在实例研究中,分别采用纯函数数据和氯乙烯精馏塔实时运行数据对该模型进行了验证。仿真结果表明,该模型所需要的隐变量数目比传统的PLS模型更少,并且能够实现更为精确的预测,可较好地处理工业过程中存在的数据高耦合度以及强非线性问题。     

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。     

基于偏最小二乘隐变量空间的控制器设计方法

基于偏最小二乘（PLS）隐变量空间的控制利用PLS算法内部关系主元独立的结构，可以实现自动解耦多变量之间的严重相关性，且自动实现隐变量变量配对，从而使得MIMO控制简化为SISO控制。由于PLS为稳态算法，要进行动态PLS算法才能与控制要求相符。但是因为PLS隐变量之间并不能完全消除相关性，因此如果采用PID控制器，在整定时回路之间将相互影响且控制器参数不稳定，由此进行了基于动态PLS隐变量空间模型的最优化控制。同时就加压网前箱和一个蒸馏器给出了该控制方法的仿真应用，显示了该方法的特性。     

基于异步PCA的故障识别方法

针对传统的主元分析(PCA)方法仅考虑变量间同步相关性的问题,提出一种基于异步PCA的故障识别方法。该方法首先利用导数动态时间规整(DDTW)从待识别故障数据集的关键变量序列和历史故障数据集的故障变量序列中获得最优规整路径,将最优规整路径上的元素扩展为反映关键变量序列和故障变量序列之间异步相关性的新序列,然后对新变量序列的协方差矩阵进行特征值分解获得负荷矩阵,最后根据负荷矩阵中关键变量序列和故障变量序列的低维表示向量之间的相似性识别故障。在连续搅拌反应器(CSTR)过程上的仿真结果表明所提出方法的故障识别性能优于传统的PCA相似系数法。     

基于扩展得分矩阵的多阶段间歇过程质量预测

为考虑质量变量对阶段划分结果的影响,提高建模精度,提出了一种基于扩展得分矩阵的多阶段间歇过程质量预测方法。首先将三维过程数据沿批次方向展开为二维数据矩阵,对每个时间片矩阵进行偏最小二乘(partial least squares,PLS)分析得到可以表征过程变量的得分矩阵和可以表征质量变量的得分矩阵;然后构建每个时间片的扩展得分矩阵,利用扩展得分矩阵捕捉质量变量信息对划分阶段的影响,采用CS (Cauchy-Schwarz)统计量计算相邻两个扩展得分矩阵的相似度,依据相似度将操作过程划分为不同的操作阶段,对划分后的各个阶段分别建立MPLS质量预测模型;最后将该算法在青霉素发酵仿真实验平台和大肠杆菌生产数据上进行了实验验证,实验结果表明了本文所提方法的可行性和有效性。     

Multivariate Modeling of a Chemical Toner Manufacturing Process

Modeling, optimization, process monitoring, and product development in a toner process using multiway principal component analysis and multiway partial least square method is described. Process measurements and product quality values of past successful batches were collected in a data matrix and preprocessed through time alignment, centering, and scaling. Following the identification of latent variables, an empirical model was built through a fourfold cross validation that can represent the operation of a successful batch. The prepared model provided a realistic prediction of process behavior, realistically represented the operation of the industrial unit, and is mathematically simple enough to be used in online optimization and for automatic control strategies of selected abnormal batches.     

Improved performance of process monitoring based on selection of key principal components

Conventional principal component analysis (PCA) can obtain low-dimensional representations of original data space, but the selection of principal components (PCs) based on variance is subjective, which may lead to information loss and poormonitoring performance. To address dimension reduction and information preservation simultaneously, this paper proposes a novel PC selection scheme named full variable expression.On the basis of the proposed relevance of variables with each principal component, key principal components can be determined. All the key principal components serve as a low-dimensional representation of the entire original variables, preserving the information of original data spacewithout information loss.A squaredMahalanobis distance,which is introduced as themonitoring statistic, is calculated directly in the key principal component space for fault detection. To test the modeling and monitoring performance of the proposed method, a numerical example and the Tennessee Eastman benchmark are used.     

步进MPCA及其在间歇过程监控中的应用

针对多向主元分析法(MPCA)在间歇过程监控过程中需要预测过程未来输出的困难,提出了一种新的步进多向主元分析方法。该方法通过建立一系列的PCA模型,避免了对预估过程变量未来输出的需要,通过引入遗忘因子能够自然地处理多阶段间歇过程的情况。对于多阶段链霉素发酵过程的监控表明,相对于普通MPCA,步进MPCA能够更精确地对过程故障行为进行描述。     

基于双层局部KPCA的非线性过程微小故障检测方法

针对传统核主元分析（KPCA）方法难以有效检测微小故障的问题,提出一种基于双层局部核主元分析（double-level local kernel principal component analysis,DLKPCA）的非线性过程微小故障检测方法。该方法从变量和样本两个角度来挖掘数据内部的局部信息,以提高故障检测能力。首先,利用变量分块思想,基于不同变量与核主元之间互信息相关度的相似性,将所有过程变量划分多个局部变量块。然后,构建基于得分向量和特征值的残差函数以挖掘样本局部信息。最后利用贝叶斯融合策略对各块的结果进行融合。在田纳西-伊斯曼基准过程的仿真结果表明,在微小故障检测方面,本文所提方法具有比传统KPCA方法更好的故障检测性能。     

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。     

基于变量子域PCA的故障检测方法

针对工业过程监控中传统主元分析（PCA）方法没有突出局部变量信息的问题,提出一种基于变量子域PCA（variable sub-region PCA,VSR-PCA）的故障检测方法。首先使用PCA将原始数据空间分解成主元子空间（principal component subspace,PCS）和残差子空间（residual subspace,RS）,计算变量与PCS的互信息来度量两者的相关性并以此划分变量子域。然后在变量子域中计算局部T²统计量和局部SPE统计量,并通过贝叶斯推理整合所有子域的信息构造全局统计量,使得在利用所有过程信息的同时挖掘局部变量信息。在连续搅拌反应釜系统上的仿真结果表明,VSR-PCA方法具有更好的过程监控性能。     

自适应MPCA方法在链霉素过程监控中的应用

Multi-way principal component analysis (MPCA) had been successfully applied to monitoring the batch and semi-batch process in most chemical industry. An improved MPCA approach, step-by-step adaptive MPCA (SAMPCA), using the process variable trajectories to monitoring the batch process is presented in this paper. It does not need to estimate or fill in the unknown part of the process variable trajectory deviation from the current time until the end. The approach is based on a MPCA method that processes the data in a sequential and adaptive manner. The adaptive rate is easily controlled through a forgetting factor that controls the weight of past data in a summation. This algorithm is used to evaluate the industrial streptomycin fermentation process data and is compared with the traditional MPCA. The results show that the method is more advantageous than MPCA, especially when monitoring multi-stage batch process where the latent vector structure can change at several points during the batch.     

An efficient latent variable optimization approach with stochastic constraints for complex industrial process

For complex chemical processes, process optimization is usually performed on causalmodels fromfirst principle models. When the mechanism models cannot be obtained easily, restricted model built by process data is used for dynamic process optimization. A new strategy is proposed for complex process optimization, in which latent variables are used as decision variables and statistics is used to describe constraints. As the constraint condition will be more complex by projecting the original variable to latent space, Hotelling T² statistics is introduced for constraint formulation in latent space. In this way, the constraint is simplified when the optimization is solved in low-dimensional space of latent variable. The validity of the methodology is illustrated in pH-level optimal control process and practical polypropylene grade transition process.     

Multiway independent component analysis mixture model and mutual information based fault detection and diagnosis approach of multiphase batch processes

Batch process monitoring is a challenging task, because conventional methods are not well suited to handle the inherent multiphase operation. In this study, a novel multiway independent component analysis (MICA) mixture model and mutual information based fault detection and diagnosis approach is proposed. The multiple operating phases in batch processes are characterized by non‐Gaussian independent component mixture models. Then, the posterior probability of the monitored sample is maximized to identify the operating phase that the sample belongs to, and, thus, the localized MICA model is developed for process fault detection. Moreover, the detected faulty samples are projected onto the residual subspace, and the mutual information based non‐Gaussian contribution index is established to evaluate the statistical dependency between the projection and the measurement along each process variable. Such contribution index is used to diagnose the major faulty variables responsible for process abnormalities. The effectiveness of the proposed approach is demonstrated using the fed‐batch penicillin fermentation process, and the results are compared to those of the multiway principal component analysis mixture model and regular MICA method. The case study demonstrates that the proposed approach is able to detect the abnormal events over different phases as well as diagnose the faulty variables with high accuracy. © 2013 American Institute of Chemical Engineers AIChE J, 59: 2761–2779, 2013