局部时差约束邻域保持嵌入算法在故障检测中的应用

传统的邻域保持嵌入(neighborhood preserving embedding,NPE)算法通过k近邻(k-nearest neighbors,k-NN)方法选择邻域进行重构来实现降维。但在实际工业过程中采集的样本具有时序相关性,仅仅通过欧氏距离选择近邻样本不能充分反映数据中包含的信息,从而影响检测效果。因此,提出一种局部时差约束邻域保持嵌入(local time difference constrained neighborhood preserving embedding,LTDCNPE)算法,充分考虑样本间的时间和空间关系,从而建立准确的故障检测模型。首先,该算法在固定尺度的时间窗内,根据样本的时序关系和空间特征挑选出邻域。其次,利用样本间的时间差异为邻域样本进行加权,使数据特征保留了高维空间的局部结构。然后,对降维后得到的主元空间和残差空间构建T^{\mathrm{2}}和SPE统计量并确定控制限。最后,通过数值例子和Tennessee-Eastman(TE)过程仿真验证LTDCNPE算法的有效性。     

Improved Kernel PLS-based Fault Detection Approach for Nonlinear Chemical Processes

In this paper, an improved nonlinear process fault detection method is proposed based on modified ker-nel partial least squares （KPLS）. By integrating the statistical local approach （SLA） into the KPLS framework, two new statistics are established to monitor changes in the underlying model. The new modeling strategy can avoid the Gaussian distribution assumption of KPLS. Besides, advantage of the proposed method is that the kernel latent variables can be obtained directly through the eigen value decomposition instead of the iterative calculation, which can improve the computing speed. The new method is applied to fault detection in the simulation benchmark of the Tennessee Eastman process. The simulation results show superiority on detection sensitivity and accuracy in com-parison to KPLS monitoring.     

基于ReliefF的主元挑选算法在过程监控中的应用

传统的主成分分析（principal component analysis,PCA（算法选取包含大部分方差信息的成分作为主元,并将其应用到过程监控中。但是故障信息不一定会投影到方差较大的成分上,使用方差贡献度挑选主元会导致严重的信息丢失和监控效果的恶化。因此使用ReliefF-PCA算法,其中ReliefF算法从故障角度出发,挑选出在区分正常样本和故障样本上权重更高,效果相对更好的成分作为主元。这样挑选出的主元避免了传统PCA算法在主元挑选过程中出现的主观性、盲目性以及重要信息的丢失。ReliefF-PCA算法在过程监控中主要有两个优势,第1,监控效果更好;第2,对原始数据降维效果更好。随后,基于ReliefF-PCA算法,提出一种加权的故障变量贡献图方法。最后,通过Tennessee Eastman（TE（仿真实验测试,ReliefF-PCA算法达到了预期效果。     

合成氨生产中水碳比参数对能耗的影响

本文讨论了合成氨生产中水碳比参数对吨氨能耗的影响,介绍了在实时优化中采用的简化模型和控制回路,在实际投运中取得了满意的效果。     

基于稀疏性非负矩阵分解的故障监测方法

提出了基于稀疏性非负矩阵分解(SNMF)的故障监测方法。非负矩阵分解(NMF)是一种新的降维方法,可以得到原始数据的低秩近似矩阵。与传统的多元统计过程监控方法如主成分分析(PCA)相比,NMF对潜变量的性质没有假设,除了非负性的要求。将稀疏编码和非负矩阵分解方法结合在一起,因为施加了稀疏性的约束,稀疏性非负矩阵分解方法可以得到对数据更稀疏的表示。在分解时对低秩近似矩阵进行正交化处理,从而在降维时除去变量中的冗余信息,将信息集中到更少的投影方向上。然后,用SNMF方法来提取过程的潜变量,并定义新的监测指标来进行故障监测。使用核密度估计(KDE)方法来计算新定义的监测指标的控制上限。最后,将提出的基于SNMF的监测方法应用于TE过程来评估其监测性能,并与基于传统NMF和PCA的方法进行比较。仿真实验结果表明了所提出新方法的可行性。     

基于全变量信息的子空间监控方法

实际化工过程采集得到的数据往往维度较高,直接建模比较复杂。主元分析(principal component analysis,PCA)方法可以提取原始数据主要特征,得到低维数据,但传统的PCA过程监控方法仅保留了方差较大的主元,会造成信息缺失,这将大大影响过程监控性能。针对这一问题,提出了一种新的基于全变量信息(full variable information,FVI)的子空间监控方法。首先,依据每个变量与主元空间(principal component subspace,PCS)和残差空间(residual subspace,RS)相似性的高低,将原始数据空间划分为3个维度较低的子空间,3个子空间保存了全部过程变量,可以更充分地利用过程信息。其次,在每个子空间中,分别建立监控模型,并利用贝叶斯推断整合子空间的监控结果。最后,通过数值仿真及Tennessee Eastman(TE)过程仿真研究验证FVI方法的有效性。     

基于VAE-OCCA的质量相关故障检测方法研究

由于闭环反馈系统的存在,并不是所有故障均会导致质量发生恶化。质量变量通常难以获得或具有一定的延迟,传统的无监督方法不能在检测过程是否正常的同时判断故障对质量的影响。典型相关分析(canonical correlation analysis,CCA)是一种经典的有监督方法,可以考虑输入输出间的关系,已被用于质量相关故障检测。然而,过程数据存在着维度高、非线性等问题,流程系统的复杂性使得CCA对于隐藏特征的捕获更具挑战性。提出了一种变分自编码器-正交典型相关分析(variational automatic encoder-orthogonal CCA,VAE-OCCA)方法。首先,利用变分自编码器对输入数据进行无监督自适应学习,实现对高维非线性过程变量的特征提取;进而,基于典型相关分析方法考虑输入输出关系,利用得到的相关系数矩阵进行奇异值分解建立质量相关和质量无关监测统计量;最后,通过工业案例测试说明提出方法的有效性及优越性。     

沧州大化集团公司的CIPS系统

计算机集成生产技术（ＣＩＰ）在化工行业的应用日益受到人们的广泛关注,通过计算机集成技术,企业可以降低生产成本,提高企业赢得市场竞争的能力。本文总结了我们在沧州大化集团公司ＣＩＰＳ工程的实施工作。     

一种基于聚类方法的多阶段间歇过程监控方法

针对阶段不等长的多阶段间歇过程,提出了一种基于k-均值聚类方法的阶段分段策略,可以将不等长的阶段准确分类。首先,将间歇过程的三维训练数据按变量方向展开成二维矩阵,再通过k-均值聚类的方法按照相关性将数据聚成多类并运用主元分析（PCA）方法分别对每一类建立模型。在线监控时,通过计算样本与模型之间的相似系数以选择最合适的模型进行在线监控。此方法可以将不同批次在同一采样时刻的过程数据按照相关性分到多个阶段,更符合生产过程中常见的过程数据阶段不等长的情况。最后利用青霉素仿真验证了该方法的有效性。