基于EEMD-kNN的工业过程微小故障检测

针对非线性工业过程早期发生的微小故障不易检出的问题，提出一种基于集合经验模态分解(Ensemble empirical Mode Decomposition, EEMD)的k近邻(k-Nearest Neighbor, kNN)指标累积和故障检测方法(EEMD-kNN)。通过EEMD预处理原始建模数据，在本征函数构建的数据空间中引入kNN规则，提出构造一种加权因子来强化特征，使重构建模数据集更好地包含数据的非线性特征；再一次采用kNN规则提取重构样本的非线性特征，并构建k近邻距离平方累积和统计量，通过核密度估计法确定其控制限。通过一个数值案例和TE(Tenessee Eastman)过程进行实验仿真，并与kNN和EEMD-PCA方法进行对比，结果验证了该方法的有效性。     

基于SP-LNS-kNN的半导体生产过程故障检测方法研究*

半导体生产过程是典型的间歇过程,针对其过程数据的多模态、多阶段、模态结构不同和批次不等长等特点,提出了基于统计模量的局部近邻标准化和k近邻相结合的故障检测方法(SP-LNS-kNN)。首先计算样本的统计模量,其次对样本的统计模量使用其局部K近邻集进行标准化,最后计算样本与其前k近邻距离,得到平均累积距离D作为检测指标,进而对工业过程故障进行在线检测。统计模量保留了数据的主要信息,将二维样本数据简化为一维数据。局部近邻标准化可以有效降低中心漂移、模态结构差异明显的影响。SP-LNS-kNN不仅能够对大故障实现检测,并且能够提高对小模态的微弱故障的检测能力。使用SP-LNS-kNN对一个实际半导体生产过程数据进行故障检测实验,并将实验结果与PCA、kPCA、LOF和FD-kNN方法的结果进行对比分析,验证了本文方法的有效性。     

基于方差最大化旋转变换的k近邻故障诊断策略

为了提高FD-kNN针对潜隐变量在非线性和多模态过程中的故障检测能力,提出一种基于方差最大化旋转变换的k近邻故障检测与诊断策略。首先,通过方差最大化方法建立旋转变换将原始数据变换到新的正交空间;接下来在该正交空间中执行FD-kNN方法进行故障检测;最后,结合贡献图方法给出基于贡献图的故障诊断策略。通过一个非线性模拟实例,证明方法对潜隐变量故障诊断是有效的;同时,在典型非线性工业过程田纳西过程进行测试,与PCA、FD-kNN和PC-kNN等方法进行对比,实验结果进一步证明了方法的有效性。     

基于聚类的加速k-近邻分类方法

实际生活中,经常会遇到大规模数据的分类问题,传统k-近邻k-NN(k-Nearest Neighbor)分类方法需要遍历整个训练样本集,因此分类效率较低,无法处理具有大规模训练集的分类任务。针对这个问题,提出一种基于聚类的加速k-NN分类方法 C_kNN(Speeding k-NN Classification Method Based on Clustering)。该方法首先对训练样本进行聚类,得到初始聚类结果,并计算每个类的聚类中心,选择与聚类中心相似度最高的训练样本构成新的训练样本集,然后针对每个测试样本,计算新训练样本集中与其相似度最高的k个样本,并选择该k个近邻样本中最多的类别标签作为该测试样本的预测模式类别。实验结果表明,C_k-NN分类方法在保持较高分类精度的同时大幅度提高模型的分类效率。     

基于独立元的k近邻故障检测策略

k近邻故障检测(fault detection based on k nearest neighbors,FD–k NN)方法能够提高具有非线性和多模态特征过程的故障检测率.由于系统故障通常由潜隐变量异常变化引起,而该类型故障并不能被观测数据直观表现,因此直接在观测变量上执行FD–k NN方法,其故障检测率降低.本文旨在提高FD–k NN方法针对潜隐变量故障的检测能力,提出基于独立元的k近邻故障检测方法.首先,通过对观测数据应用独立元分析(independent component analysis,ICA)方法,获得独立元矩阵;接下来在独立元矩阵中应用FD–k NN方法进行故障检测.这等同于直接监控过程潜隐变量的变化,可以提高过程故障检测率.通过非线性实例仿真实验,证明本文方法检测潜隐变量故障是有效的;同时,在半导体蚀刻工艺过程的仿真实验中,与主元分析(principal component analysis,PCA)方法、核主元分析(kernel principal component analysis,KPCA)方法、基于主元分析的k近邻故障检测(principal component–based k nearest neighbor rule for fault detection,PC–k NN)方法和FD–k NN方法进行对比,实验结果进一步验证了本文方法的有效性.     

基于变量展开和时变协方差的连续更新的MPCA及其在批过程故障监测中的应用

针对传统的多向主元分析（MPCA）模型批过程监测的缺陷,提出了一种基于变量展开和协方差随时间变化的连续更新的MPCA批过程故障监测方法。该方法将基于批次展开能够去除采样数据的主要非线性动态性的优点与基于变量展开不需要对被监测的新批次的未反应完的数据进行预估的优点结合起来,用于批过程的故障监测,一旦因此判断出某一新批次过程正常,则模型参考数据库就随之更新。在实时监测新的批过程时,只需利用已收集到的数据信息,并且在线连续地更新模型参考数据库,提高了批过程性能监测的准确性,克服了MPCA不能处理非线性过程和实时性问题。通过采用该方法与传统的MPCA方法对青霉素补料分批发酵过程的实时监测,结果表明该方法比传统的MPCA更适合于对缓慢变化的批过程进行监测,具有更可靠的监测性能。     

基于高斯分量标准化的K近邻故障检测策略

针对复杂多工况工业过程故障检测问题,提出一种基于高斯分量标准化的K近邻(Gaussian Component Standardization K-Nearest Neighbor, GCS-KNN)故障检测策略。样本数据应用高斯混合模型(Gaussian Mixture Model, GMM)进行训练,将数据分解为多个高斯分量;通过每个高斯分量的均值和协方差对该分量内的数据进行标准化处理;应用K近邻(K-Nearest Neighbor, KNN)算法对标准化后的样本进行检测。GCS-KNN通过高斯分量标准化消除数据的多模态特性,提高传统基于KNN检测方法的检测率。利用数值例子和半导体工业过程仿真实验验证了该方法的有效性,并与传统的主元分析(Principal Component Analysis, PCA)、KNN、动态主元分析(Dynamic PCA,DPCA)和加权KNN(Weighted KNN,WKNN)等方法进行对比,结果证实此方法具有显著的优势。     

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。     

基于区域划分的局部更新指纹定位算法

针对室内定位指纹数据库更新成本过高的问题,设计了一种通过区域划分进行局部更新指纹数据库的RFID（Radio Frequency Identification,射频识别技术）室内定位算法。该算法通过聚类算法将指纹地图分成若干个子区域,每个子区域选取一个代表点代表该子区域的指纹有效性,通过检测代表点的有效性来选择加权k近邻算法（Weighted k-Nearest Neighbor,WkNN）定位或子区域数据库的局部更新。实验结果表明,该算法在低成本的条件下极大限度地提高了定位精度和长期定位稳定性。     

基于统计模量和局部近邻标准化的局部离群因子故障检测方法

针对多工况过程数据的批次不等长、中心漂移、工况结构不同等特点,提出基于统计模量和局部近邻标准化的局部离群因子故障检测方法（SP-LNS-LOF）。首先计算每个训练样本的统计模量;然后使用局部近邻集标准化统计模量,得到标准样本;最后计算标准化样本的局部离群因子,并将其作为检测指标,将局部离群因子的分位点作为检测控制限,当在线样本的局部离群因子大于检测控制限时,判定其为故障;否则为正常。统计模量提取过程的主要信息,且消除批次不等长的影响;局部近邻标准化克服工况中心漂移和工况结构不同的困难;局部离群因子度量样本的相似度,实现故障样本和正常样本的分离。进行了半导体蚀刻过程故障检测仿真实验,实验结果表明SP-LNS-LOF检测出了全部21个故障,比主元分析（PCA）、核主元分析（kPCA）、基于k近邻的故障检测（FD-kNN）、局部离群因子（LOF）方法具有更高的检测率。理论分析和仿真实验说明SP-LNS-LOF方法适用于多工况过程故障检测,具有较高的故障检测效率,能保证多工况生产过程的安全性。     

Quality relevant nonlinear batch process performance monitoring using a kernel based multiway non-Gaussian latent subspace projection approach

Multiway kernel partial least squares method (MKPLS) has recently been developed for monitoring the operational performance of nonlinear batch or semi-batch processes. It has strong capability to handle batch trajectories and nonlinear process dynamics, which cannot be effectively dealt with by traditional multiway partial least squares (MPLS) technique. However, MKPLS method may not be effective in capturing significant non-Gaussian features of batch processes because only the second-order statistics instead of higher-order statistics are taken into account in the underlying model. On the other hand, multiway kernel independent component analysis (MKICA) has been proposed for nonlinear batch process monitoring and fault detection. Different from MKPLS, MKICA can extract not only nonlinear but also non-Gaussian features through maximizing the higher-order statistic of negentropy instead of second-order statistic of covariance within the high-dimensional kernel space. Nevertheless, MKICA based process monitoring approaches may not be well suited in many batch processes because only process measurement variables are utilized while quality variables are not considered in the multivariate models. In this paper, a novel multiway kernel based quality relevant non-Gaussian latent subspace projection (MKQNGLSP) approach is proposed in order to monitor the operational performance of batch processes with nonlinear and non-Gaussian dynamics by combining measurement and quality variables. First, both process measurement and quality variables are projected onto high-dimensional nonlinear kernel feature spaces, respectively. Then, the multidimensional latent directions within kernel feature subspaces corresponding to measurement and quality variables are concurrently searched for so that the maximized mutual information between the measurement and quality spaces is obtained. The I² and SPE monitoring indices within the extracted latent subspaces are further defined to capture batch process faults resulting in abnormal product quality. The proposed MKQNGLSP method is applied to a fed-batch penicillin fermentation process and the operational performance monitoring results demonstrate the superiority of the developed method as apposed to the MKPLS based process monitoring approach.     

基于特征子空间的滑动窗PCA在批过程故障诊断中的应用

基于传统的多向主元分析MPCA(multiway principal component analysis)常会导致误诊断,且对批过程难以保证在线状态监测和故障诊断的实时性,提出了一种基于特征子空间的滑动窗主元分析方法。在实时故障监测与诊断时,该方法采用适当大小的滑动窗逐步更新当前子数据空间,对当前子数据空间故障的识别通过依次计算其与基底库中各故障的匹配度来进行。这种方法克服了传统的MPCA不能处理非线性过程和实时性问题,并避免了MPCA在线应用时预报未来测量值带来的误差, 提高了批过程性能监测和故障诊断的准确性。     

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.     

Multimode process monitoring with PCA mixture model

For multimode processes, Gaussian mixture model (GMM) has been applied to estimate the probability density function of the process data under normal-operational condition in last few years. However, learning GMM with the expectation maximization (EM) algorithm from process data can be difficult or even infeasible for high-dimensional and collinear process variables. To address this issue, a novel multimode process monitoring approach based on PCA mixture model is proposed. First, the PCA technique is directly applied to the covariance matrix of each Gaussian component to reduce the dimension of process variables and to obtain nonsingular covariance matrices. Then the Bayesian Ying-Yang incremental EM algorithm is adopted to automatically optimize the number of mixture components. With the obtained PCA mixture model, a novel process monitoring scheme is derived for fault detection of multimode processes. Three case studies are provided to evaluate the monitoring performance of the proposed method.     

基于\begin{document}$ \pmb k $\end{document}近邻主元得分差分的故障检测策略

针对具有非线性和多模态特征过程的故障检测问题, 本文提出一种基于k近邻主元得分差分的故障检测策略.首先, 通过主元分析(Principal component analysis, PCA)方法计算样本的真实得分.然后, 应用样本的k近邻均值计算样本估计得分.接下来, 通过上述两种得分计算样本的得分差分矩阵和残差矩阵, 其中残差矩阵由样本的估计得分计算得到,这区别于传统方法.最后, 在差分子空间和残差子空间中分别建立新的统计指标进行故障检测.值得注意的是本文的得分差分方法能够消除数据结构对过程故障检测的影响, 同时, 新的统计量能够提高过程的故障检测率.将本文方法在两个模拟例子和Tennessee Eastman (TE)过程中进行测试, 并与传统方法如PCA、KPCA、DPCA和~FD-kNN等进行对比分析, 测试结果证明了本文方法的有效性.     

基于改进的MPCA与DTW方法及其在批过程故障诊断中的应用

针对传统的多向主元分析(Multiway Principal Component Analysis,MPCA)常会导致误诊断,且对批生产过程难以保证在线状态监测和故障诊断的实时性,提出了一种改进的MPCA与动态时间错位(Dynamitc Time Warping,DTW)方法,该方法采用多模型非线性结构代替传统的MPCA单模型线性化结构,并利用对称式DTW算法解决了多元轨迹同步化的问题。将该方法应用到青霉素发酵批过程的在线故障监测中,结果表明它克服了MPCA不能处理非线性过程和实时性问题,并避免了MPCA在线应用时预报未来测量值带来的误差,提高了批过程性能监测和故障诊断的准确性。     

CSMWPCA方法及其在批过程故障诊断中的应用

鉴于传统的多向主元分析（MPCA）难以保证在线状态监测和故障诊断的实时性，提出了一种基于特征子空间的滑动窗主元分析（CSMWPCA）故障监测与诊断方法。在实时故障监测与诊断时，该方法采用适当大小的滑动窗逐步更新当前子数据空间，对当前子数据空间故障的识别通过依次计算其与基底库中各故障的匹配度来进行，克服了传统的MPCA不能处理非线性过程和实时性问题。与一种新的移动窗多向主元分析（MWMPCA）方法相比，CSMWPCA方法能更有效地识别故障发生的原因。