基于两步子空间划分的化工过程监测方法

为了解决现代化工过程采集的数据维度高、分布复杂的问题,提出一种基于两步子空间(two step subspace division, TSSD)划分的化工过程监测方法。为了降低过程分析复杂度,将具有相似特性的变量划分为同一空间。考虑数据的复杂分布问题,将第一步得到的每个子空间划分为高斯空间与非高斯空间。利用主元分析(principal component analysis, PCA)和独立元分析(independent component analysis, ICA)方法建立检测模型并构造统计量。整合每个子空间的统计量并基于局部离群因子(local outlier factor, LOF)方法构建综合统计量。结果表明:TSSD方法对于16个故障均能取得最优的漏报率,尤其是故障10和故障16,漏报率分别为15.375%和6.75%,有效验证所提出的基于两步子空间划分的过程监测方法的优越性。     

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。     

基于距离空间统计量分析的多模态过程无监督故障检测

工业过程往往运行于多个生产模态,针对多模态过程数据的空间分布特点,提出了一种新的基于样本距离空间统计量分析的故障检测方法(DSSA)。首先用每一个样本与其训练集样本中的邻居之间的k个最近邻距离之差来表示该样本,将样本从原始变量空间映射到对应的距离空间中。然后在距离空间中通过移动窗口的方式计算各阶统计量,最后对由各阶统计量组成的统计量样本进行主元分析(PCA)。将DSSA方法、PCA方法以及另一种基于k近邻规则的多模态故障检测方法(FD-kNN)应用于TE过程中,仿真结果表明DSSA方法对多模态故障检测更为有效。     

多模态化工过程的全局监控策略

引言基于数据驱动的过程监控方法从20世纪80年代建立以来得到了蓬勃的发展,理论体系逐渐完善,功能模块不断丰富。特别是最近几年,来自人工智能,机器学习及信号处理领域的各种方法的引入为该领域注入了新的活力。目前,多数基于数据     

基于高阶偏最小二乘的间歇过程建模

间歇过程的产品与现代人的生活息息相关,而建立可靠的模型是保障间歇过程安全运行的基础。针对间歇过程的数据特点,引入一种新的广义线性回归模型--高阶偏最小二乘（higher order partial least squares,HOPLS）。它与传统的间歇过程建模方法具有本质的不同,三维数据（批次×变量×时间）不需要展开成二维矩阵,而是直接被分解成一组正交的Tucker矩阵之和。通过高阶奇异值分解（high order singular value decomposition,HOSVD）,张量变换和高阶正交迭代（higher order orthogonal iteration,HOOI）找到能同时包含自变量和因变量最大信息的潜向量,与此同时得到对应的负载向量。对于新观测值,通过模型就可以实现对因变量的预测。最后利用PenSim2.0,对青霉素发酵过程进行仿真研究,验证了该间歇过程建模方法的有效性。     

基于局部密度估计的多模态过程故障检测

以市场需求为导向的现代工业过程的生产条件要根据市场的需求不断做出调整,因此实际工业过程中存在多种工况的复杂情况,而过程的数据将不再完全服从高斯分布,其均值与协方差结构往往随着工况的切换而发生较大变化,为了能及时检测此类生产过程中的故障,提出一种新的基于带宽可变的局部密度估计的过程在线监控策略。首先利用局部投影保留（locality preserving projection, LPP）将高维数据投影到低维子空间中,充分地保留数据的局部结构;然后通过带宽可变的非参数密度核函数来进行局部密度估计,并采用局部密度因子（local density factor, LDF）的思想构造监控统计量,进而对工业过程故障进行在线检测;最后通过仿真研究,结果表明所提方法能够有效地应用于多模态过程的故障检测。     

基于时序关联分析的旋转机械故障诊断

随着大型旋转机械设备的广泛应用,高速旋转机械的故障诊断得到越来越多的关注。旋转机械的周期旋转特性导致信号间存在很强的时序关联关系,当故障发生时,故障特性会在旋转周期间逐渐传递。该研究分析滚动轴承不同类型故障、不同损伤程度振动信号时序相关特性的差异度,提出了周期记忆神经网络(periodization long short-term memory, P-LSTM)故障诊断方法。该方法首先提取旋转机械周期内数据特征,并利用记忆因子对特性在周期间的传递规律进行选择性遗忘,学习其周期间的时序相关特征,从而实现滚动轴承的故障诊断。最后利用滚动轴承多类故障数据对所提出方法进行性能分析和试验,验证了P-LSTM方法学习旋转机械周期间的时序相关特性的有效性,以及进行故障诊断的准确度。     

动态过程的数据校正和显著误差的侦破

在过程工业中，通常需要在线或离线对多个过程变量进行测量，将其作为生产管理、决策分析、过程操作与控制的依据。然而，由于测量过程可能受到多种不可预测因素的影响（如设备泄漏、传感器失灵、过程波动等），导致测量数据不可避免地包含误差。因此开展测量数据的误差侦破与校正方法的研究具有重要意义。     

德士古气化炉炉温软测量建模及其工程实现

以焦化厂德士古煤气化炉为对象,根据煤气化流程的工艺分析,针对德士古气化炉膛温度软测量的需要,研究了辅助变量选择,数据采集与处理,以及利用模糊神经网络和RBF网络建立炉温软测量模型等问题,建立了炉温软测量系统.该系统在不增加设备投资的条件下,通过工厂信息集成处理和先进的监控技术,提高生产装置的工艺操作水平和管理水平为目的.现场调试运行结果表明应用本文方法建模精度较高,系统效果良好.该系统能够充分发挥DCS系统和网络计算机的功能优点,完全克服了在测温元件损坏时对生产的不利影响.