在线鲁棒最小二乘支持向量机回归建模

鉴于工业过程的时变特性以及现场采集的数据通常具有非线性特性且包含离群点,利用最小二乘支持向量机回归（least squares support vector regression,LSSVR）建模易受离群点的影响.针对这一问题,结合鲁棒学习算法（robust learning algorithm,RLA）,本文提出了一种在线鲁棒最小二乘支持向量机回归建模方法.该方法首先利用LSSVR模型对过程输出进行预测,与真实输出相比较得到预测误差;然后利用RLA方法训练LSSVR模型的权值,建立鲁棒LSSVR模型;最后应用增量学习方法在线更新鲁棒LSSVR模型,从而得到在线鲁棒LSSVR模型.仿真研究验证了所提方法的有效性.     

基于ISDAE模型的复杂工业过程运行状态评价方法及应用

工业过程的运行状态评价对保证产品质量及提升企业综合经济效益具有重要意义. 针对工业过程中存在强非线性、信息冗余以及不确定性因素影响而难以建立稳健可靠的运行状态评价模型问题, 提出一种基于综合经济指标驱动的稀疏降噪自编码器模型(Comprehensive economic index driven sparse denoising autoencoder, ISDAE)的复杂工业过程运行状态评价方法. 首先, 在SDAE (Sparse denoising autoencoder)模型中引入综合经济指标预测误差项, 迫使SDAE学习与综合经济指标相关的数据特征, 建立ISDAE特征提取模型. 其次, 将ISDAE模型所学特征作为输入训练运行状态识别模型, 级联特征提取模型和运行状态识别模型并通过微调网络结构参数获得运行状态评价模型. 另外, 针对非优状态, 提出一种基于自编码器贡献图算法的非优因素追溯方法, 通过计算变量的贡献率识别非优因素. 最后, 将所提方法应用于重介质选煤过程, 验证所提方法的有效性和实用性.     

基于鲁棒规范变量分析的故障诊断方法

针对工业过程的建模数据中含有离群点的情况,提出一种基于鲁棒规范变量分析(CVA)的故障诊断方法.该方法使用相关系数的鲁棒估计代替传统的相关系数,通过基于粒子群算法的投影寻踪技术计算最大化鲁棒相关系数的规范变量,从而建立统计模型并监控统计量检测过程的变化.连续搅拌反应器(CSTR)系统的仿真结果说明,鲁棒规范变量分析方法能在含离群点数据的基础上建立准确的统计模型,比规范变量分析更有效地监控过程变化.     

鲁棒PLS在间歇生产过程监控中的应用

间歇和半间歇过程在化学工业中占有重要地位,如何对其进行监控一直是过程控制领域研究的热点之一.现实过程中,数据大都存在离群点,易使多向部分最小二乘(MPLS)模型造成误差.针对MPLS统计监控受离群点影响的问题,提出一种基于鲁棒MPLS的统计监控分析和相应鲁棒监控统计量的计算方法.相对于普通MPLS,鲁棒MPLS在建模数据中存在离群点时仍能给出正确的统计监控模型,降低了建模过程对数据的要求.     

复杂工业过程运行状态评价方法回顾与展望

准确感知和认知复杂工业过程的运行状态对于实现过程智能控制和优化决策至关重要,是当前实现工业人工智能需要解决的关键问题之一.传统过程监测理论系统已不能满足现代工业生产过程对过程运行状态认知的精细化及准确化的需求,因此,复杂工业过程运行状态评价技术应运而生,近几年受到学术界和工业界广泛关注并快速发展.对此,首先从复杂工业过程的主要特性以及数据提取过程中面临的问题出发,回顾基于数据驱动的相关工业过程运行状态评价方法;然后根据最优性评价结果总结导致状态非“优”的原因,并进一步给出相关非优因素追溯方法;最后对现有研究内容和这一领域中值得进一步研究的发展方向做出总结和展望.     

基于投影寻踪的非线性鲁棒偏最小二乘法及应用

来自工业现场的数据往往具有非线性特性且包含离群点, 利用非线性偏最小二乘(partial least squares, PLS)建模易受离群点的影响. 针对这一问题, 结合径向基函数(radial basis function, RBF)网络, 本文提出了一种基于投影寻踪的非线性鲁棒PLS方法. 该方法首先利用RBF变换将自变量与因变间的非线性关系转化为线性关系; 然后利用投影寻踪算法提取变换后自变量的鲁棒偏最小二乘法成分; 最后建立鲁棒PLS成分与因变量之间的鲁棒线性回归模型. 将该方法应用于湿法冶金萃余液pH值软测量建模问题, 结果验证了其有效性.     

基于离群点检测和误差修正的空气质量指数预测

空气质量指数(Air Quality Index, AQI)预测可以为人们日常生产活动以及空气污染治理工作提供指导.针对空气质量指数预测模型受离群点影响较大的问题,利用孤立森林算法对空气质量数据集进行离群点分析,采用离群鲁棒极限学习机模型(ORELM)对空气质量指数进行预测,并构建误差修正模块对模型预测误差进行修正.最后,以北京市空气质量数据作为研究对象,分别利用ORELM模型以及极限学习机(ELM)模型进行预测,并对ORELM模型预测结果进行误差修正.实验结果表明:离群鲁棒极限学习机对离群点数据集泛化性能更强,误差修正模块能有效提高模型的预测精度.     

基于Fisher 判别分析的过程运行状态在线评价

为了实时掌握生产过程运行状态, 提出一种基于Fisher 判别分析(FDA) 的过程运行状态在线评价方法. 提出 离线数据分类与识别算法, 以识别不同稳定运行状态的建模数据及其对应的状态等级; 利用FDA提取各个稳定运行 状态的特征属性, 建立评价模型; 在线评价时, 通过“时间窗口”数据特征与各个状态等级的相似度, 实时评价过程运行状态. 将所提出的方法应用于某湿法冶金过程的仿真结果验证了该方法的有效性.

     

基于两层分块GMM-PRS的流程工业过程运行状态评价

过程运行状态评价旨在实时判断运行性能优劣程度,并追溯导致非优运行状态的原因,指导操作人员进行生产调整,保证企业经济效益.因此,对过程运行性能优劣评价的研究具有重要的理论和应用价值.本文针对定量、定性变量共存的流程工业过程运行状态评价问题,提出基于两层分块混合模型的评价方法.将流程工业过程根据其物理特性和管理方向划分子块,产生子块层和全流程层.在定量信息占主导地位的子块内,建立定量的高斯混合模型（Gaussian mixture model,GMM）.在定性信息占主导地位的子块内,建立定性概率粗糙集（Probabilistic rough set,PRS）模型.综合各子块运行状态信息,进一步判定全流程运行状态等级.针对非优运行状态等级,本文提出基于贡献率的非优原因追溯方法,在非优子块内进行原因追溯.最后,将所提方法应用于某黄金湿法冶炼生产过程,说明所提方法的可行性和有效性.     

基于鲁棒加权模糊聚类的污水处理过程监测方法

针对非线性强、先验故障知识少、异常工况识别难的污水处理过程监测问题, 提出一种基于鲁棒加权模糊c均值(Robust weighted fuzzy c-means, RoW-FCM)聚类与核偏最小二乘(Kernel partial least squares, KPLS)的过程监测方法. 首先, 针对污水处理过程的高维非线性耦合特性, 采用核偏最小二乘对高维输入变量进行降维; 其次, 针对传统基于最近邻分配的模糊c均值算法对离群点敏感以及存在聚类不平衡簇的问题, 提出充分考虑样本间相互关系的基于鲁棒加权模糊c均值聚类算法. 通过引入可能性划分矩阵作为权值参数实现不同样本数据的区分加权, 提高了离群点数据聚类的鲁棒性, 同时引入聚类大小控制参数解决不平衡簇的问题. 进一步将基于鲁棒加权模糊c均值算法对核偏最小二乘降维后的得分矩阵进行聚类, 利用聚类得到的隶属度矩阵实现异常工况的检测; 最后, 建立隶属度矩阵与过程变量的回归模型, 并利用得到的变量贡献矩阵描述变量对各个簇的解释程度, 实现异常工况的识别. 数值仿真以及污水处理过程数据实验表明该方法具有更好的鲁棒性能, 在异常工况检测和识别上具有较好的效果.     

EMD-based online Filtering of Process Data

In chemical industries, measurements corrupted by noise or outliers may affect operators’ recognition of the current situation and lead them to make inappropriate control decisions. Data quality is a critical factor for process monitoring and fault diagnosis. A robust online filtering method (OLREMD¹) is proposed to implement online process data rectification with Empirical Mode Decomposition (EMD) as the basic algorithm. Tests with synthetic data show that OLREMD performs robustly with a lower sensitivity to parameters and improved performance on elimination of both noise and outliers. When applied to an industrial de-ethanizing column, OLREMD is shown to enhance the process monitoring performance.     

Online process operating performance assessment and nonoptimal cause identification for industrial processes

Although industrial processes are usually operated at the optimal point in the early stage of the production, the operating performance may deteriorate with time due to process disturbances. In order to pursue optimal comprehensive economic benefit (CEB), online process operating performance assessment on optimality has become a key issue. However, a little work has been published in this research area. In this paper, a new online operating performance assessment and nonoptimal cause identification method for industrial process are proposed. The contributions of this paper can be summarized as follows: a novel performance-similarity-based online operating performance assessment method is proposed; total projection to latent structures (T-PLS) is applied to the area of process performance assessment for the first time; the online assessment results include not only the deterministic performance grades, but also the performance grade conversions which were not covered in the existing assessment method; when the assessment result is nonoptimal, a novel automatic nonoptimal cause identification strategy is developed based on variable contributions, which is meaningful for guiding the further production adjustment. Finally, the feasibility and efficiency of the proposed method are illustrated with a case of gold hydrometallurgical process.     

A novel robust data reconciliation method for industrial processes

Data reconciliation has played a significant role in rectifying process data which can meet the conservation laws in industrial processes. Generally, the actual measurements are often easily contaminated by different gross errors. Thus, it is essential to build robust data reconciliation methods to alleviate the impact of gross errors and provide accurate data. In this paper, a novel robust estimator is proposed to improve the robustness of data reconciliation method, which is based on a new robust estimation function. First, the main robust properties are analyzed with its objective and influence functions for the proposed robust estimator. Then, the effectiveness of the new robust data reconciliation method is demonstrated on a linear numerical case and a nonlinear example. Moreover, it is further used to a practical industrial evaporation production process, which also demonstrates that the process data can be better reconciled with the proposed robust estimator.     

基于鲁棒ICA-PCA的TE故障诊断*

针对复杂工业过程混合分布的问题,提出了鲁棒ICA-PCA(Independent Component Analysis-Principal Component Analysis, ICA-PCA)的故障诊断的新方法。由于实际工业过程数据不可避免的带有大量干扰,为降低数据粗差的影响,首先采用小波去噪算法提高建模数据质量,然后利用鲁棒ICA-PCA算法提取过程的非高斯和高斯信息,并构建了三个统计量进行故障的监控。最后把上述方法应用到田纳西-伊斯曼(Tennessee Eastman,TE)化工过程。仿真结果表明,相比于传统PCA算法、ICA-PCA等算法,鲁棒ICA-PCA方法能够有效的检测故障的发生,该方法具有较好的鲁棒性和灵敏性。     

高炉铁水质量鲁棒正则化随机权神经网络建模

高炉炼铁过程运行优化与控制依赖于可靠、稳定的难测铁水质量(Molten iron quality, MIQ)指标模型.针对现有MIQ建模方法的不足, 本文提出一种新型的数据驱动鲁棒正则化随机权神经网络(Random vector functional-link networks, RVFLNs)算法, 用于实现MIQ指标在线估计的鲁棒建模.首先, 为了提高建模效率和降低计算复杂度, 采用数据驱动典型相关性分析方法从众多变量中提取与MIQ相关性最强的变量作为建模输入变量; 其次, 由于传统RVFLNs网络的输出权值由最小二乘估计获得, 易受离群数据影响而鲁棒性差, 引入基于Gaussian分布加权的M估计技术, 提出新型鲁棒RVFLNs算法建立多元MIQ指标的鲁棒模型; 同时, 在鲁棒加权后的最小二乘损失函数基础上, 进一步引入${L_1}$和${L_2}$两个正则化项以构成优化目标函数的Elastic net, 用于稀疏化RVFLNs网络的输出权值矩阵, 解决RVFLNs网络多重共线性和过拟合的问题.最后, 基于某大型高炉工业数据, 进行充分数据实验, 结果表明所提方法具有更高的建模与估计精度以及较强的鲁棒性能.     

A novel pruning approach for robust data clustering

In this paper, we make an effort to overcome the sensitivity of traditional clustering algorithms to noisy data points (noise and outliers). A novel pruning method, in terms of information theory, is therefore proposed to phase out noisy points for robust data clustering. This approach identifies and prunes the noisy points based on the maximization of mutual information against input data distributions such that the resulting clusters are least affected by noise and outliers, where the degree of robustness is controlled through a separate parameter to make a trade-off between rejection of noisy points and optimal clustered data. The pruning approach is general, and it can improve the robustness of many existing traditional clustering methods. In particular, we apply the pruning approach to improve the robustness of fuzzy c-means clustering and its extensions, e.g., fuzzy c-spherical shells clustering and kernel-based fuzzy c-means clustering. As a result, we obtain three clustering algorithms that are the robust versions of the existing ones. The effectiveness of the proposed pruning approach is supported by experimental results.     

氧化铝蒸发浓度的自适应加权LSSVR预测

针对氧化铝蒸发过程的工业现场出口料液浓度在线检测困难、操作参数具有时变性以及传统离线预测所存在的不足等特点,提出了一种多输入多输出系统的自适应加权最小二乘支持向量回归,并用于氧化铝蒸发过程出口料液浓度的在线预测.谊方法根据模型预测效果自适应在线调整建模的训练样本集,利用主元分析提取主元作为分段加权支持向量回归模型的输入,采用网格搜索和交叉验证法对多输入多输出模型参数进行优化.采用工业现场的实测数据进行实验分析,计算结果表明;该方法能够很好地在线预测氧化铝蒸发过程出口料液浓度,相比基于最小二乘支持向量回归以及基于BP神经网络的浓度预测模型,谊方法具有更高的预测精度和更好的泛化性能,满足实际工业生产在线优化控制要求.