改进PCA 在发酵过程监测与故障诊断中的应用

提出一种改进的主元分析(PCA)法．利用主元相关变量残差统计量代替平方预测误差Q统计量，并采用累积方差贡献率及复相关系数确定PCA模型的主元数．将改进的主元分析法应用于粘菌素发酵过程监测和故障诊断中，仿真结果表明改进的PCA方法避免了Q统计量的保守性，并保证了主元子空间中的信忠存量．与一种基于特征子空间的系统性能监控方法相比较，改进的PCA方法具有更强的有效性．     

基于动态主元分析的空分过程异常工况在线诊断

空分过程异常工况的在线诊断对于保证空分产品质量、降低"氮塞"等故障的发生率和减小故障损失有着重要的实用价值。主元分析(PCA)是1种数据驱动的统计建模方法,已广泛应用于复杂工业过程的运行状态监控和故障诊断,然而,传统的PCA方法不能够反应数据的动态特性。动态主元分析(DPCA)作为1种将传统PCA推广到多变量动态过程的方法,其时滞长度的确定是DPCA的关键点。本文应用动态主元分析(DPCA)方法建立了空分过程异常工况的在线诊断系统,并结合空分过程的故障诊断特性,对DPCA中时滞长度提出了可行的确定方法。实际运行效果表明该系统对故障的报警率为100%,误报率约4%,证明了文中所建立的诊断系统的有效性及文中所提出的对于复杂连续生产系统确定DPCA时滞长度的方法的有效性及可行性。     

BDPCA在线过程监测方法

针对基于多向主元分析(Muhiway Principal Component Analysis,MPCA)的方法在批过程故障监测中以样本观测相互独立作为假设前提条件,没有考虑到时间序列相关性的影响及需要对新批次未反应完的数据进行预估的缺陷,提出一种枇过程动态主元分析(Batch Dy-namic PCA,BDPCA)在线监测方法.该方法采用时滞变量将过程的静态和动态特征相结合,有效地去除了测量变量时间序列的自相关关系,并通过时滞窗口提供了在线监测方案,避免了对新批次未反应完的数据进行预估的需要,提出确定时滞变量的算法.将BDPCA应用于β-甘露聚糖酶发酵批过程的仿真监测,与移动窗多向主元分析(Moving Window MPCA.MWMPCA)法相比,仿真结果表明该方法能够更精确地对过程故障行为进行描述,具有良好的准确性和实时性.     

化工过程故障原因诊断的变量异常顺序法

为对化工过程故障进行实时诊断,建立设了备的主元分析(Principal component analysis,PCA)模型,根据实时数据和PCA模型计算综合指标以在线检测其故障的发生,并提出了PCA模型的在线更新策略,以适应实际过程中工况缓变特性。为在线监测到故障发生时,能确定故障根原因,根据各变量的DCS报警上下限判断其异常状态,并记录各变量出现异常的时间顺序,以供操作人员参考,从而准确地诊断所发生故障的根源。基于过程安全生产指导平台,将所提出的方法实际应用于某炼油厂延迟焦化装置的分馏塔单元,长期在线应用结果表明所提出的在线更新PCA模型能准确地连续检测出故障的发生并适应工况的缓变,而变量异常顺序可帮助操作人员正确地确定故障原因。     

基于核规范变量分析的非线性故障诊断方法

提出一种基于核规范变量分析（KCVA）的非线性过程故障诊断方法．该方法使用核函数完成非线性空间到高维线性空间的映射，避免了高维空间中的数据处理和非线性映射函数的使用．在线性空间中使用规范变量分析（CVA）来辨识状态空闻模型，从数据中提取状态信息．3个监测量（Tr^2，Ts^2，Q）用来进行故障检测，同时使用贡献图分离故障变量，并判断故障原因．在CSTR系统上的仿真结果表明，KCVA方法比主元分析法（PCA）和CVA方法能更灵敏地检测到故障的发生，更有效地监控过程变化．     

PCA在克服变量多重相关性中的局限作用

针对主成分分析（PCA）在非线性特征的观测变量中应用的局限作用，对PCA进行了理论研究。基于欧氏空间和统计方法，讨论了PCA的数学本质，以变量高度多重相关为例，分析了非线性系统结构，提出并证明了PCA在克服变量多重相关性和多指标系统评估中存在局限性的必然原因。针对一些具体的非线性问题，提出了若干改进的PCA方法，以及消除其局限性的方法和建议。     

一种基于分级输入训练神经网络的非线性主元分析

基于输入训练神经网络的非线性主元分析（PCA）能够有效地提取过程变量的非线性主元,但是存在主元的个数不能通过网络训练确定,且各个主元重要程度在神经网络中无法区分等缺点，本文提出一种分级输入自调整神经网络,并进一步提出基于此网络的非线性PCA,通过多级输入自调整神经网络,将主元按顺序找出,且根据主元对过程数据的预测误差定量地确定出主元的个数,克服了上述缺点.     

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。     

PCA—RBF方法在聚丙烯熔融指数建模中的应用

针对聚丙烯的生产过程是一个大滞后、时变、非线性的复杂系统,提出了基于主成分分析(PCA)的RBF神经网络聚丙烯熔融指数建模方法。该方法用主元分析对高维输入变量进行预处理,构造反应过程信息的低维主元变量,再经径向基函数神经网络对主元变量进行建模。该方法不仅简化了神经网络的结构,而且可以借助主元分析方法对过程故障和过失误差进行侦破,避免导致模型的错误输出。理论分析和实验结果表明,基于PCA和RBF网络方法的聚丙烯熔融指数建模具有精度高、鲁棒性强的优点,有利于工业生产应用。     

逆投影主元分析方法及其在故障诊断中的应用

本文针对主元分析(PCA)方法在故障检测和诊断应用中的特点，对其进行拓展性研究，提出一种逆投影主元分析方法，意在提高故障检测灵敏度和诊断准确性。该方法针对主元分析将数据从原始变量空间投影到主元空间的特点，试图将含有故障信息的主元从主元空间逆投影回原始变量空间，确定出故障变量，从而实现故障诊断。     

不等长批次过程的有序时段划分、建模及故障检测

对具有不等长时段的多时段批次过程进行监测是十分重要而且具有一定难度的. 时段在批次间的错位现象导致时间方向的不同过程特性混合在一起, 这给时段分析以及在线应用带来了一系列的问题. 为了解决不等长所带来的问题, 本文提出一种基于不等长时段有序识别及建模的故障检测方法. 该方法的主要贡献包括以下方面：1) 该方法通过步进地衡量过程的变量相关性对模型精度以及监测性能的影响, 自动有序地识别出每个不等长时段; 2) 在每个时段内,通过对不规则的过程数据进行整合建立了时段模型以捕捉不规则的时段特性; 3) 本文提供了一种简单而有效的在线判断新样本隶属时段和监测其运行状态的方法. 最后, 本文通过一个实例–具有不等长批次长度的注塑过程阐述了本方法的有效性.     

基于稀疏主元分析的过程监控研究

主元分析（principal component analysis）是一种多元统计技术,在过程监控和故障诊断中具有广泛的应用。针对过程监控中数据量大的特点,提出一种稀疏主元分析（sparse principal component analysis）方法,通过引入lasso约束函数,构建稀疏主元分析的框架,将PCA降维问题转化为回归最优化问题,从而求解得到稀疏化的主元,并提高了主元模型的抗干扰能力。由于稀疏后主元相关的数据量减少,利用数据建立过程监控模型,减少了计算量,并缩短了计算时间,进而提高了监控的实时性。利用田纳西伊斯特曼过程（TE processes）进行实验仿真,并与传统的主元分析方法进行对比研究。结果表明,新提出的稀疏主元分析方法在计算效率和监控实时性上均优于传统的主元分析方法。     

Order estimation of multivariable ill-conditioned processes based on PCA method

Ill-conditioned multivariable processes exhibit significantly strong interactions among system variables and large gain directions from the system inputs to the outputs, which makes the identification and control a challenging task. The objective of this paper is to develop an order estimation algorithm for model identification of ill-conditioned processes using subspace methods. In this paper, the order is determined from noise-corrupted samples with high accuracy based on the principal component analysis (PCA) method. To excite each direction in the ill-conditioned process, test signals are designed carefully based on the system characteristics. Using the PCA modeling, the model prediction error is first reconstructed, and the Akaike Information Criterion (AIC) is then used to examine the modeling error bound and thus to determine the process order. A new weighted direction variable is proposed to strengthen the interactions along the small gain directions, thus improving the identifiability and accuracy of the ill-conditioned model. The effectiveness of the proposed method is confirmed by an application study on a high purity distillation column process under noise conditions.     

限定记忆模式的MEWMA-ICA方法研究及其应用

传统基于多变量指数移动加权平均的独立元分析(MEWMA-ICA)方法:虽然可以有效监测化工过程中的缓变故障,但对突变故障监测滞后。本文提出了限定记忆模式的MEWMA-ICA方法:。该方法:通过引入基于记忆代数的遗忘因子,构造动态建模数据集。随后利用动态数据集建立ICA统计分析模型。最后采用T~2和SPE统计量对系统进行监测。其中,遗忘因子和记忆代数是通过优化算法进行选择的。通过测试问题和裂解气压缩机的仿真研究,验证了限定记忆模式的MEWMA-ICA方法:在保证传统MEWMA-ICA算法对缓变故障监测能力的同时,减少了对突变故障监测的时滞。     

Identification and PID Control for a Class of Delay Fractional-order Systems

In this paper, a new model identification method is developed for a class of delay fractional-order system based on the process step response. Four characteristic functions are defined to characterize the features of the normalized fractionalorder model. Based on the time scaling technology, two identification schemes are proposed for parameters' estimation. The scheme one utilizes three exact points on the step response of the process to calculate model parameters directly. The other scheme employs optimal searching method to adjust the fractional order for the best model identification. The proposed two identification schemes are both applicable to any stable complex process, such as higher-order, under-damped/over-damped, and minimum-phase/nonminimum-phase processes. Furthermore, an optimal PID tuning method is proposed for the delay fractionalorder systems. The requirements on the stability margins and the negative feedback are cast as real part constraints (RPC) and imaginary part constraints (IPC). The constraints are implemented by trigonometric inequalities on the phase variable, and the optimal PID controller is obtained by the minimization of the integral of time absolute error (ITAE) index. Identification and control of a Titanium billet heating process is given for the illustration.      

Robust monitoring and fault reconstruction based on variational inference component analysis

Probabilistic models such as probabilistic principal component analysis (PPCA) have recently caught much attention in the process monitoring area. An important issue of the PPCA method is how to determine the dimensionality of the latent variable space. In the present paper, one of the most popular Bayesian type chemometric methods, Bayesian PCA (BPCA) is introduced for process monitoring purpose, which is based on the recent developed variational inference algorithm. In this monitoring framework, the effectiveness of each extracted latent variable can be well reflected by a hyperparameter, upon which the dimensionality of the latent variable space can be automatically determined. Meanwhile, for practical consideration, the developed BPCA-based monitoring method is robust to missing data and can also give satisfactory performance under limited data samples. Another contribution of this paper is due to the proposal of a new fault reconstruction method under the BPCA model structure. Two case studies are provided to evaluate the performance of the proposed method.     

基于鲁棒尺度的统计建模数据中异常点去除算法的研究及应用

针对基于主元分析 (PCA)的统计监控模型受到历史数据中异常点强烈影响的不足,鉴于建模历史数据中存在的异常点会影响过程监控效果,分析目前常用的鲁棒异常值检测算法原理及其缺陷,提出将中心最短距离(CDC)法与椭球多变量整理(MVT)法相结合,构成一种基于鲁棒尺度的CDC-MVT异常值综合检测算法,更加准确地检测异常点。将该算法应用于工业发酵过程,与CDC法和MVT法相比较,该算法能够有效去除建模数据中的异常点。     

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.     

基于概率PCA过程监控中遗失数据的重构

在实际工业过程中,PCA常常被用于数据重构。但是相比于概率PCA(PPCA),PCA无论在建模上还是在统计监控指标上都存在一些缺陷。基于此,本文提出一种基于PPCA的遗失数据重构方法。通过使样本数据点与其在PPCA模型上的投影点之问的距离最小,该方法能够有效地进行数据重构。此外,还分析了使样本数据白化值最小的数据重构方法。在田纳西-伊斯曼过程中的应用验证了其有效性。