基于一维卷积自编码器—高斯混合模型的间歇过程故障检测

传统基于数据驱动的间歇过程故障检测方法往往需要对数据的分布进行假设,其模型多阶段划分不精确,导致故障检测率受到影响.对此提出一种基于一维卷积自编码器—高斯混合模型（One dimensional convolution-auto encoder-Gaussian mixture model,1DC-AE-GMM）的检测新方法.该方法不需要对原始数据进行假设,首先对原始数据进行等长和缩放处理,并以最小重构误差的原则在具有卷积和多个中间层的深层神经网络上进行训练,以非线性的方式自动、精确地进行阶段划分和特征提取;然后在网络的编码层上建立高斯混合模型并进行聚类,在提取特征的同时大大减少了建立模型的计算量;最后结合马氏距离提出全局概率检测指标,实现故障检测.通过在一类半导体蚀刻过程的仿真实验,结果表明该方法可以有效地提高故障检测率.     

基于K-PSO稀疏表示的故障分类方法研究

针对现代复杂生产过程中不能准确识别、分类多种故障的问题,提出一种改进的稀疏表示故障分类方法。该方法依据信号的稀疏表示来判断故障所属类别。其具体实现过程首先是利用K-均值奇异值分解(K-SVD)算法构造过完备字典,使其包含原信息的主要特征,再通过粒子群(PSO)算法有效地搜索并寻找稀疏分解中产生的在过完备字典范围中的最匹配原子,最后利用以该匹配原子为基础的稀疏表示结果实现对多故障问题的分类识别。运用数值仿真验证了该算法的可行性和有效性。同时,针对柴油机燃油系统的故障分类,将该方法与基于BP神经网络和SVM的分类识别方法进行比较,实验表明该算法在故障分类上具有更好的效果。     

基于DBN-PID的木材干燥窑参数检测系统

针对目前在木材干燥过程中检测参数精度低的问题,设计了一种木材干燥窑参数检测系统;该系统对干燥窑有关参数进行实时采集、调理,经ARM处理器进行数据处理后,将采集的数据通过WiFi无线网络上传至PC机;为改进系统的控制算法,引入深度学习方法,提出了一种基于DBN-PID的控制算法,并与BP-PID算法进行了实验比较;实验结果表明,DBN-PID控制算法应用在木材干燥窑参数检测系统中具有更高的检测精度;为进一步说明DBN-PID算法的性能,还与BP-PID算法进行了仿真比较;仿真表明,DBN-PID算法能够很好的近似非线性对象,具有较强的自适应能力.     

基于深层长短期记忆网络与批规范化的间歇过程故障检测方法

传统的基于数据驱动的间歇过程故障诊断方法往往需要对过程数据的分布进行假设，而且对非线性等复杂数据的监控往往会出现误报和漏报，为此提出一种基于长短期记忆网络（LSTM）与批规范化（BN）结合的监督学习方法，不需要对原始数据的分布进行假设。首先，对间歇过程原始数据运用一种按变量展开并连续采样的预处理方式，使处理后的数据可以向LSTM单元输入；然后，利用改进的深层LSTM网络进行特征学习，该网络通过添加BN层，结合交叉熵损失的表示方法，可以有效提取间歇过程数据的特征并进行快速学习；最后，在一类半导体蚀刻过程上进行仿真实验。实验结果表明，所提方法比多元线性主成分分析（MPCA）方法故障识别的种类更多，可以有效地识别各类故障，对故障的整体检测率达到95%以上；比传统单层LSTM模型建模速度更快，且对故障的整体检测率提高了8个百分点以上，比较适合处理间歇过程中具有非线性、多工况等特征的故障检测问题。     

基于深度学习的木材含水率预测

精确测量木材含水率一直是木材干燥控制系统研究的热点和难点,含水率测量的准确性会直接影响到木材干燥质量的好坏和干燥成本的高低。为提高木材含水率检测的准确性,采用深度学习方法,建立了一种以深度信念网络为核心的木材含水率检测系统辨识模型。将该模型应用在深度学习预测控制算法中,根据实际测量得到的木材干燥窑的温湿度值及木材电阻率,实现对应木材含水率的预测输出。仿真结果表明,预测值与实际值之间的均方根误差小,预测精度高,说明了将深度学习算法应用于木材含水率预测模型中的有效性。     

基于多社交数据源的协同推荐方法研究

协同过滤推荐作为一种有效的推荐方法,普遍存在数据稀疏性和冷启动问题,利用社交网络的多项数据源对协同推荐方法进行了改进.为了克服评分矩阵的稀疏性问题,提出结合用户评分相似度和用户信任度选择推荐邻居,同时对用户相似度计算进行了改进;提出了一种简单有效的信任推理方法,能够识别出用户间隐含的间接信任关系,进一步缓解了数据稀疏性问题;为了解决推荐系统的冷启动问题,提出综合利用项目的类型属性信息和领域专家信息进行联合推荐.实验结果表明,提出的改进策略非常有效,在精度和召回率方面都较已有方法具有明显改善.     

基于PCA-PDBNs的故障检测与自学习辨识

如何提高工业过程故障识别的准确性及其算法训练的效率一直是故障检测与辨识研究领域的重点和热点。将深度学习方法引入该领域,结合粒子群优化(PSO)算法和深度信念网络(DBNs),提出了一种基于PSO的DBNs辨识方法(即PSODBNs,PDBNs),使用该方法对复杂函数的拟合进行了数值仿真。实验结果表明,相比于基本的DBNs模型,经PSO算法对网络参数优化后的DBNs模型获得了更好的函数逼近效果,具有更高的辨识精度。为验证该方法在实际工业过程故障检测中的可行性,结合主元分析(PCA),提出了一种PCA-PDBNs模型,并将此应用于田纳西-伊斯曼(TE)过程的故障检测中,结果表明,基于PCA-PDBNs方法降低了故障检测模型的复杂度,进一步提高了对未知故障类型的辨识精度,取得了较好效果。     

基于混合MPLS的多阶段过程质量预报方法

针对传统的多向偏最小二乘方法(multi-way partial least squares, MPLS)在质量预报中存在着模型预测精度低、局部预报能力不足等问题,提出一种多MPLS模型融合方法来提高预报表现。利用高斯混合模型(Gauss mixture model, GMM)对每批次过程和质量数据组成的高维空间进行阶段识别。针对多批次同一子阶段长度不等问题,采用动态时间规整(dynamic time warping, DTW)算法依据最长持续时间同步为等长轨迹,并在子阶段中按变量展开方式建立MPLS模型。根据Fisher判据分析(Fisher discriminate analysis, FDA)最小化子阶段数据集间相关性,利用核密度方法估计子阶段数据集去相关后的概率密度分布来在线监测阶段切换。利用贝叶斯原则融合各子阶段MPLS模型进行质量预报。将该方法应用到工业青霉素发酵过程中,表明了所提方法具有更好的监控性能和预报能力。