基于GMM的多模态过程模态识别与过程监测

多模态复杂过程的多变量、多工序、变量时变性以及模态转换时间不确定等多种原因, 导致面向多模态生产过程的监测问题十分复杂. 对此, 基于高斯混合模型的监测方法, 结合定性知识和定量知识, 解决了多模态过程监测中离线数据模态划分、稳定模态和过渡模态的监测模型建立以及在线数据的模态识别等关键问题, 最终实现了对多模态过程的监测.     

多模态过程的全自动离线模态识别方法

多模态是复杂工业生产过程的普遍特性.不同模态具有不同的过程特性,需要建立不同的模型,因此离线建模数据的模态划分与识别是整个多模态过程建模的关键问题之一.目前,常用的聚类算法需要对其结果进行人工分析和后续处理,无法真正实现多模态过程的全自动模态识别.因此,本文提出一种全自动的多模态过程离线模态识别方法.首先通过宽度为H的大切割窗口对数据进行切割,利用改进的K-means聚类算法对窗口单元进行聚类;根据聚类结果,对稳定模态淹没现象进行处理,得到模态的初步划分结果;最终,利用小滑动窗口L,对稳定模态及过渡模态交接区域进行细划分,准确定位稳定模态与过渡模态的分割点.算法实现了多模态过程的全自动离线识别,并给出合理有效的识别结果.仿真分析表明此方法能够实现模态的自动识别,且识别结果准确.     

基于概率密度PCA的多模态过程故障检测

为了提高故障检测和分类能力,提出基于概率密度PCA的多模态过程故障检测算法。对各模态的训练数据建立PCA模型,计算各个模型的控制限和匹配系数。根据匹配系数计算各模态统一的控制限。对新来的数据,运用概率密度确定其模态。新来数据向对应模态的模型上投影并计算统一的统计量,比较统计量与控制限进行多模态过程故障检测。把该方法应用到数值例子和半导体过程中,仿真结果表明,该算法在分类及多模态过程故障检测方面具有很高的准确性。     

基于主元分析得分重构差分的故障检测策略

基于主元分析(PCA)的统计过程控制方法通常假设数据的生成过程是独立同分布的.当数据存在多模态结构或过程变量非线性相关时, PCA方法的故障检测性能将受到影响.针对上述问题,本文提出一种基于PCA得分重构差分的故障检测策略.首先,应用PCA将输入空间分解为主元子空间和残差子空间;接下来,应用k近邻(k NN)规则重构当前样本得分向量并计算样本的得分重构差分向量;最后,计算得分重构差分向量的统计值并进行故障检测.本文方法不仅可以降低数据多模态和变量非线性相关等特征对过程故障检测的影响,同时可以降低统计量的自相关性、提高过程故障检测率.将本文方法在两个模拟例子和田纳西–伊斯曼(TE)过程中进行测试,并与PCA、核主元分析(KPCA)、动态主元分析(DPCA)和k最近邻故障检测(FD–k NN)方法进行对比分析,测试结果证明了本文方法的有效性.     

基于偏最小二乘的质量相关多模态故障检测技术

偏最小二乘(PLS)算法通常适用于稳定工况下的工业过程故障检测.在日趋复杂的工业过程中,过程数据通常不满足正态分布,存在非线性、动态、多模态等问题.针对多模态问题,已有大量模态区分方法可用,但这些方法都未考虑质量相关因素,因此并不适用于质量相关类算法.为此,针对质量相关类算法提出新的质量相关模态区分规则,该规则通过核模糊聚类对添加线性递增时间变量的数据在时间方向上进行初步的聚类,再通过质量相关指标进一步准确划分模态;同时,过程复杂化导致静态控制限不能满足故障检测的需求,现存的动态控制限适用范围具有一定的局限性,可通过改进动态控制限将其推广为广义动态综合控制限.实验中,先是基于两种非线性偏最小二乘模型将新方法应用于青霉素发酵过程故障检测中,极大减少了漏报率和误报率.最后,通过数值仿真实验验证了添加线性递增时间变量的合理性.     

基于差分的动态加权SVDD在多模态过程故障检测中的应用

传统SVDD作为一种单模态静态故障检测算法,对多模态动态过程故障的检测难以保证其检测的准确性和实时性。为了解决这一问题,提出一种基于近邻差分加权动态SVDD检测方法（NND-DWSVDD）。首先利用NND剔除数据多模态结构,保证过程数据服从单峰分布;对差分处理后的数据引入动态方法并加入权值将有用的信息凸显出来;最后利用SVDD方法建立监测模型实现在线监测。NND-DWSVDD提高了多模态动态过程故障检测率,对于多模态动态过程故障检测,NND-DWSVDD不要求多模型建模,只需单独的一个模型,符合单模态故障检测要求。通过多模态数值例子和半导体生产过程数据对该方法的有效性进行了验证。     

基于统计差分LPP的多模态间歇过程故障检测

针对工业过程数据存在的非高斯和多模态特性,提出一种基于统计差分LPP的多模态间歇过程故障检测方法。首先将统计模量分析的方法应用到间歇过程训练数据集中,计算统计过程变量的均值和方差,将不等长的批次变成等长的统计量,保证统计模量近似服从高斯分布;然后运用差分算法使多模态变为单模态,最后运用LPP算法进行降维和特征提取,计算样本的T2统计量,并利用核密度估计确定控制限。对于新来的测试样本数据统计差分处理后,向LPP模型上进行投影,计算新数据的T2统计量并与控制限比较进行故障检测。最后通过半导体过程数据的仿真结果表明,该算法的故障检测效果最好,验证了所提方法的有效性。     

基于LNS-DEWKECA算法的多模态工业过程故障检测

受市场需求主导,工业过程需要在多种工作模态下切换,数据往往呈现多模态复杂分布特性,研究多模态的故障检测技术对于保障工业过程的安全运行具有重要意义.为此,提出一种基于局部近邻标准化(LNS)和方向熵加权核熵成分分析(DEWKECA)的故障检测算法.利用LNS实现多模态数据的标准化,相比于全局标准化, LNS可以有效消除多模态特性;考虑到故障样本与正常样本在变化趋势上的差异,定义样本变化方向的信息熵为方向熵,用来衡量样本变化方向的无序程度,从而利用DEWKECA实现数据降维,可以更有效提取数据变化方向特征;考虑到多模态数据往往服从非高斯分布,采用局部离群因子(LOF)算法建立监控统计量,根据核密度估计确定其控制限.最后,通过数值例子及TE过程仿真验证所提出算法的有效性.     

基于核主元分析–主元分析的多阶段间歇过程故障监测与诊断

具有过渡特性的多阶段间歇过程故障监测是一个复杂的问题,既需要考虑稳定阶段下的故障监测,也需要考虑不同阶段间的过渡故障监测.为克服传统硬划分方法导致误警和漏报率高的缺陷,同时也为实现更加精确、有效的故障监测与诊断,提出一套完整的基于核主元分析-主元分析(KPCA-PCA)的多阶段间歇过程故障监测与诊断策略.该方法依据数据相似度实现阶段划分,定义模糊隶属度辨识相邻阶段间的过渡,最后对稳定阶段和过渡过程分别建立具有时变协方差的PCA和KPCA故障监测与诊断模型.通过对青霉素发酵过程的仿真平台及工业应用研究表明,该方法具有更可靠的监控性能,能及时、准确的检测出过程中存在的异常情况.     

基于标准距离k近邻的多模态过程故障检测策略

工业产品的生产经常需要在不同模态间切换,多模态过程数据具有多中心和方差差异大等特点.针对多模态过程数据的特征,通过构造标准距离,提出了基于标准距离k近邻的故障检测策略(SD–kNN).首先在标准距离度量下计算样本与其前k近邻的距离;其次将近邻距离的平方和的均值作为样本的统计量D~2;最后,根据D~2的分布确定检测方法的控制限,当新样本的D~2大于控制限时,判定其为故障,否则为正常.标准距离使不同模态中样本间的近邻距离能够在同一尺度下度量,使得SD–kNN的D~2能够准确反映样本间的相似程度.进行了数值模拟过程和青霉素发酵过程故障检测实验. SD–kNN方法检测出了数值模拟过程的全部故障和青霉素过程95%以上的故障,相对于PCA, kPCA, FD–kNN等方法具有更高的故障检测率. SD–kNN继承了FD–kNN对一般多模态过程的故障检测能力,还能够对方差差异显著的多模态过程进行故障检测.     

一种基于多工况识别的过程在线监测方法

在包含多个工况的工业生产过程中,各个稳态工况之间存在着一定的过渡过程,虽然过渡时间较短,但其复杂的动态特性使得传统的过程监测方法难以获得满意的效果,为此提出一种基于多工况识别的过程监测方法.首先,通过窗口切割对基本稳态工况进行识别;然后,采用滑动窗技术确定过渡过程的起始和结束时间,并进一步基于差分分段技术对过渡过程的子阶段进行分类,考虑到各阶段数据的不同分布特性,利用独立成分分析和主元分析分别提取各阶段数据的非高斯和高斯信息;最后根据贝叶斯推断将3个统计量进行重构, 实现多工况过程的在线监测.通过TE过程的仿真研究,验证了所提出方法的可行性和有效性.     

An efficient multi-PCA based on-line monitoring scheme for multi-stages imperial smelting process

Imperial Smelting Process (ISP) is one of the main methods for Zinc and Lead smelting. In this paper, we firstly focus on its unique characteristics that ISP consists of many feeding cycles repeated in a similar way, and the normal process changes and multiple operating conditions would be frequently found in the process which would always lead to false alarms. To this end, we classify each feeding cycles of ISP into initial stage, transition stage, and steady stage, and use standard PCA, first order perturbation (FOP) based recursive dynamic PCA and multi-mode approach to deal with them respectively. The monitoring results using real data show that the proposed scheme can be able to eliminate false alarms and detect faults efficiently.     

Energy consumption mode identification and monitoring method of process industry system under unstable working conditions

Process industry systems under unstable working conditions are prone to potential anomalies, deviating from the original transition trajectory, and taking longer than expected to return to stability due to persistent disturbances from uncertainties and experience-based regulation errors. The energy waste caused by this situation has not received sufficient attention, and cannot be addressed by existing energy consumption monitoring methods. Herein, an energy consumption mode (ECM) identification and monitoring method under unstable working conditions is proposed, consisting of ECM identification model and multi-mode dynamic monitoring model, focusing on the variation rules of the correlation between energy consumption and other states of the system. In the ECM identification stage, the ECM correlation parameters that reflect the comprehensive production information are selected. Then, given the transfer characteristics of ECM, a Hidden Semi-Markov Model (HSMM) is constructed to fit the migration between modes and the duration within modes. The Variational Bayesian Gaussian Mixture Model is introduced to improve the HSMM, which solves the problem of lacking prior knowledge of ECM and achieves the automatic classification and online identification of ECM. In the dynamic monitoring stage of multi-ECMs, a series of dynamic kernel principle component analysis models are established, and the corresponding monitoring thresholds are set for each ECM. By calculating the maximum of the posteriori probability and the mode thresholds, the ECMs under unstable conditions can be accurately identified and automatically monitored. Compared with previous methods, the proposed method reduces the false detection rate and missed detection rate of abnormal ECM identification to 1.04% and 1.31% in the actual slag grinding production process, which proves its effectiveness.     

Fault detection and isolation in transient states using principal component analysis

This paper proposes the use of principal component analysis (PCA) for process monitoring and fault detection and isolation in processes with several operation modes and long transient states and start-ups. The principal aspects of the PCA approach and the necessary transformations for dealing with this type of processes are presented. In this paper a classical PCA model is used for each steady state of the process and a modification of a batch PCA approach is applied to the transient states of the continuous process. So, in this last case, the PCA model is performed over a three way matrix arranged with the values of the measured variables of several past transitions with a nominal behaviour. This approach presents some problems, such as the unfolding, alignment and imputation. The methods proposed to deal with these problems are explained in detail and compared in order to design a fault detection and isolation method. Two examples are considered to perform the tasks explained. In both cases good results are obtained.     

基于主成分分析和奇偶向量的动态检测方法

导航系统中冗余IMU传统故障检测方法由于数学模型过于复杂,计算量大,存在较大延时,难以实现实时故障检测,而主成分分析法仅仅应用于静态情况下的故障检测与隔离,针对主成分分析法无法在动态情况下对冗余IMU进行故障检测的缺点,提出了一种基于奇偶空间法改进主成分分析的故障检测算法,该方法利用奇偶向量隔离车辆的动态变量,以消除动态变量对故障检测的影响,再用PCA方法检测数据以实现对车辆传感器信息的实时检测,通过将原始数据集转置到特征平面来形成图案,实现了IMU传感器正常与故障模式的准确分离,提高了冗余IMU故障检测的结果精确性和可靠性。实验结果表明,该方法能够较好检测动态状态下冗余IMU的故障,提高了主成分分析的故障检测性能,可有效消除导航系统运动的负面影响。     

Phase and transition based batch process modeling and online monitoring

Multiple phases/stages with transitions from phase to phase are important characteristics of many batch processes. In order to model and monitor batch processes more accurately and efficiently, such process features are needed to be considered carefully. In this work, an index based on the angles between different principal component analysis (PCA) score spaces is developed to quantify the similarities between PCA models. Phase division algorithm is designed based on this new PCA similarity index, following by a statistical transition identification step. The steady phase ranges and transition ranges are then modeled separately. The transition models can be calculated by solving the optimization problems. Application examples show the advantages of the proposed method on both batch process modeling and online monitoring.     

基于稀疏残差距离的多工况过程故障检测方法研究

针对多工况过程,本文提出一种新的基于稀疏残差距离（Sparse residual distance,SRD）统计指标的故障检测方法.首先对正常的多工况标准化后数据直接进行稀疏分解,提取多个工况数据间相关关系,得到字典和对应的稀疏编码,以便构建全局检测模型,避免分工况且突出数据特征.然后计算正常多工况数据的近似值,构建稀疏残差空间,提出计算稀疏残差k近邻距离构建故障检测统计量,利用k近邻捕捉过程具有的非线性、多工况特征.最后通过数值案例和TE（Tennessee Eastman）生产过程进行仿真实验,验证了所提方法的有效性.     

基于PC-wkNN的多工况间歇过程故障检测方法研究*

针对多工况间歇生产过程中,过程数据维数高、中心漂移和方差差异明显等特点,提出了基于主元分析和加权k近邻相结合的故障检测方法(PC-wkNN)。首先应用PCA确定训练数据主元模型,简约数据结构;其次在主元空间以训练样本的第k近邻的局部近邻平均距离倒数为权重,构建加权距离D.加权距离D可以有效降低工况中心漂移和方差差异明显的影响。最后,根据t分布确定统计量D的控制限,当测试样本加权距离D大于控制限,则其为故障;否则为正常。PC-wkNN提高了工况间歇过程故障检测率。通过两个模拟实例及青霉素发酵仿真实验,与PCA,KPCA,FD-kNN,PC-kNN等方法比较,验证了本文方法的有效性。     

基于多尺度核主元分析的非线性过程监控方法研究

针对化工过程数据的多尺度性和非线性特性,提出了一种多尺度核主元分析方法(MSKPCA)监控过程的运行状态。使用小波变换在不同尺度下分解测量信号．然后借助于核函数对分解后的数据进行非线性变换,在变换后的线性空间中用主元分析(PCA)提取过程数据的主要特征,构造监控统计量T2和Q来检测故障。在此基础上,提出了一种贡献图方法．计算过程变量对故障的贡献量,用于故障变量的分离。在TE过程上的监控结果表明,MSKPCA可以比PCA和动态PCA更迅速地检测到过程故障,贡献图方法能够正确地分离故障变量。