基于分布式ICA-PCA模型的工业过程故障监测

提出基于分布式ICA-PCA( independent component analysis-principal component analysis)模型的工业过程故障监测方法,适合于复杂工业过程难以自动划分子块及过程数据存在非高斯信息的情况。首先,对过程数据进行PCA分解,并在PCA主成分不同的方向上构建不同的子块,把原始特征空间自动划分为不同子空间。然后,对各个子块采用ICA-PCA两步信息提取的策略,提取出高斯信息和非高斯信息,并构建新的统计量和统计限。最后,通过Tennessee Eastman(TE)过程的仿真实验,验证所提出故障监测模型的有效性和可行性。     

基于ICA混合模型的多工况过程故障诊断方法

针对工业过程数据的多模态和非高斯特性,提出一种基于独立元混合模型（independent component analysis mixture model,ICAMM）的多工况过程故障诊断方法。该方法将独立元分析与贝叶斯估计结合,同时完成各个工况的数据聚类和模型参数求取,并建立基于贝叶斯框架下的集成监控统计量实时监控过程变化。在检测到故障后,针对传统的变量贡献图方法无法表征变量之间信息传递关系的缺点,提出基于信息传递贡献图的故障识别方法。该方法首先计算各变量对独立元混合模型统计量的贡献度,进一步通过最近邻传递熵描述故障变量之间的传递性,挖掘故障变量之间的因果关系,从而确定故障源变量和故障传播过程。最后对一个数值系统和连续搅拌反应釜（CSTR）过程进行仿真研究,结果验证了本文所提出方法的有效性。     

基于IJB-PCA-ICA算法的故障检测

针对现代工业过程数据的高维性和分布复杂性等问题,提出了一种基于IJB-PCA-ICA（improved Jarque-Bera-principal component analysis-independent component analysis）的故障检测方法。首先采用改进的Jarque-Bera检测方法（J-B test）对原始数据划分高斯与非高斯核心部分,并对其中的高斯性与非高斯性均不明显的变量划分半高斯部分。将半高斯部分通过高斯分布置信概率加权与高斯核心部分和非高斯核心部分分别建立高斯子空间和分高斯子空间,然后对高斯子空间进行相关性划分后采用PCA方法得到高斯子空间的统计量;对非高斯子空间进行主元投影划分后采用ICA方法得到非高斯子空间的统计量,接着通过贝叶斯推断得到的联合统计量进行故障检测。最后通过Tenessee Eastman（TE）仿真实验,有效验证了所提出方法的有效性。     

基于ICA混合模型的多工况过程故障诊断方法

针对工业过程数据的多模态和非高斯特性,提出一种基于独立元混合模型(independent component analysis mixture model,ICAMM)的多工况过程故障诊断方法。该方法将独立元分析与贝叶斯估计结合,同时完成各个工况的数据聚类和模型参数求取,并建立基于贝叶斯框架下的集成监控统计量实时监控过程变化。在检测到故障后,针对传统的变量贡献图方法无法表征变量之间信息传递关系的缺点,提出基于信息传递贡献图的故障识别方法。该方法首先计算各变量对独立元混合模型统计量的贡献度,进一步通过最近邻传递熵描述故障变量之间的传递性,挖掘故障变量之间的因果关系,从而确定故障源变量和故障传播过程。最后对一个数值系统和连续搅拌反应釜(CSTR)过程进行仿真研究,结果验证了本文所提出方法的有效性。     

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。     

基于IJB-PCA-ICA算法的故障检测

针对现代工业过程数据的高维性和分布复杂性等问题,提出了一种基于IJB-PCA-ICA(improved Jarque-Beraprincipal component analysis-independent component analysis)的故障检测方法。首先采用改进的Jarque-Bera检测方法(J-B test)对原始数据划分高斯与非高斯核心部分,并对其中的高斯性与非高斯性均不明显的变量划分半高斯部分。将半高斯部分通过高斯分布置信概率加权与高斯核心部分和非高斯核心部分分别建立高斯子空间和分高斯子空间,然后对高斯子空间进行相关性划分后采用PCA方法得到高斯子空间的统计量;对非高斯子空间进行主元投影划分后采用ICA方法得到非高斯子空间的统计量,接着通过贝叶斯推断得到的联合统计量进行故障检测。最后通过Tenessee Eastman(TE)仿真实验,有效验证了所提出方法的有效性。     

基于PCA混合模型的多工况过程监控

针对传统多元统计故障检测方法大多假设测量数据服从单一高斯分布的不足,提出了一种基于PCA(principal component analysis)混合模型的多工况过程监测方法。首先通过直接对混合模型的各高斯成分的协方差进行PCA降维变换,使得协方差阵对角化,既减少了运算量又避免了变量相关而导致的奇异性问题;同时采用BYY增量EM算法自动获取混合模型的最佳混合分量数目,避免了常规EM算法的不足。所得的混合模型,除包括均值、协方差和先验概率等参数外,还包括了PCA载荷阵,即对每个混合元建立了PCA模型。然后给出了统计量定义,实现对多工况过程的故障检测。数值例子和TE过程的应用表明,本文提出的方法无需过程先验知识,能自动获取工况数目、精确估计各个工况的统计特性,并更准确及时地检测出多工况过程的各种故障。     

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。     

基于加权统计特征KICA的故障检测与诊断方法

针对核独立元分析（kernel independent component analysis, KICA）在非线性动态过程中对微小故障检测率低的问题,提出一种基于加权统计特征KICA（weighted statistical feature KICA, WSFKICA）的故障检测与诊断方法。首先,利用KICA从原始数据中捕获独立元数据和残差数据;然后,通过加权统计特征和滑动窗口获取改进统计特征数据集,并由此数据集构建统计量进行故障检测;最后,利用基于变量贡献图的方法进行过程故障诊断。与传统KICA统计量相比,所提方法的统计量对非线性动态过程中的微小故障具有更高的故障检测性能。应用该方法对一个数值例子和田纳西-伊斯曼（Tennessee-Eastman, TE）过程进行仿真测试,仿真结果显示出所提方法相对于独立元分析（ICA）、KICA、核主成分分析（kernel principal component analysis, KPCA）和统计局部核主成分分析（statistical local kernel principal component analysis, SLKPCA）检测的优势。     

基于区间二型模糊神经网络的出水氨氮软测量

针对污水处理过程出水氨氮（ammonia nitrogen,NH₄-N）难以实时检测的问题,提出了一种基于区间二型模糊神经网络（interval type-2 fuzzy neural networks,IT2FNN）的软测量方法,建立了出水NH₄-N的软测量模型,实现了出水NH₄-N的实时检测。首先,采集和预处理相关过程变量的实际运行数据,通过主元分析法筛选出与出水NH₄-N相关性较强的过程变量。其次,利用IT2FNN建立所选变量与出水NH₄-N的软测量模型,通过梯度下降算法对模型相关参数进行修正。最后,将基于IT2FNN的出水NH₄-N软测量模型应用于实际污水处理过程。实验结果表明,提出的出水NH₄-N软测量方法不仅能够实现污水处理过程出水NH₄-N的实时检测,而且具有较高的检测精度。     

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。     

External analysis‐based regression model for robust soft sensing of multimode chemical processes

To remove the influence of operation mode changes in the chemical process, the whole variable set is partitioned into external, main, and quality variables. External variables are related to the operation mode. Two regression models are initially developed between external variables and main variables/quality variables, based on which the influence of the operation mode is removed from both input and output of the soft sensor. Then, an additional regression model is constructed for soft sensing, which is robust to the change of the operation mode. Compared to existing methods, the new method has advantages to handle two critical issues: (1) capable of quality estimation in new process modes; (2) able to distinguish changes in operation modes from process faults. Besides, a monitoring and analysis strategy is proposed for performance evaluation of the new soft sensor. Two case studies are provided to illustrate the efficiency of the proposed method. © 2013 American Institute of Chemical Engineers AIChE J, 60: 136–147, 2014     

基于主成分分析的输出集成反馈网络及其在化工动态过程建模中的应用

针对主成分分析和反馈神经网络的优点，提出基于主成分分析的输出集成反馈网络建模方法，并对训练算法作了推导，在动态化工过程建模中取得满意的效果。     

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。     

Enhanced statistical analysis of nonlinear processes using KPCA, KICA and SVM

In this paper, some drawbacks of original kernel independent component analysis (KICA) and support vector machine (SVM) algorithms are analyzed for the purpose of multivariate statistical process monitoring (MSPM). When the measured variables follow non-Gaussian distribution, KICA provides more meaningful knowledge by extracting higher-order statistics compared with PCA and kernel principal component analysis (KPCA). However, in real industrial processes, process variables are complex and are not absolutely Gaussian or non-Gaussian distributed. Any single technique is not sufficient to extract the hidden information. Hence, both KICA (non-Gaussion part) and KPCA (Gaussion part) are used for fault detection in this paper, which combine the advantages of KPCA and KICA to develop a nonlinear dynamic approach to detect fault online compared to other nonlinear approaches. Because SVM is available for classifying faults, it is used to diagnose fault in this paper.For above mentioned kernel methods, the calculation of eigenvectors and support vectors will be time consuming when the sample number becomes large. Hence, some dissimilar data are analyzed in the input and feature space.The proposed approach is applied to the fault detection and diagnosis in the Tennessee Eastman process. Application of the proposed approach indicates that proposed method effectively captures the nonlinear dynamics in the process variables.     

基于多数据空间全潜结构映射的化工过程性能评估方法

针对化工过程运行状态在线评估的问题,提出多数据空间全潜结构映射（multi-space total projection to latent structures,MsT-PLS）性能评估方法。该方法采用“离线建模,在线评估”的评估策略。首先对历史多数据输入空间进行全面分解,结合多数据空间基向量提取方法,剔除多数据输入空间中与质量变量无关信息的干扰。在与质量变量相关的多数据输入空间上,建立不同运行性能等级的离线数据网络分类模型,实现“离线建模”。“在线评估”阶段,以数据滑动时间窗为评估单元,将过程性能分为稳定和过渡性能等级,把在线数据与历史性能等级进行相似度匹配。利用过程变量相对贡献度,对性能变化起决定性影响的过程变量进行识别和贡献度分析,为系统性能劣化原因的识别提供了参考。最后,应用到乙烯裂解过程在线性能评估中,说明了本评估方法可以对系统进行准确的在线性能评估。