基于LSNPE算法的化工过程故障检测

复杂化工过程通常具有多个操作模态,而且采集的数据不服从单一的高斯或非高斯分布。针对化工过程的多模态和复杂数据分布问题,将局部标准化（local standardized,LS）策略应用于邻域保持嵌入（neighborhood preserving embedding,NPE）算法,提出了一种新的基于局部标准化邻域保持嵌入（local standardized neighborhood preserving embedding,LSNPE）算法的故障检测方法。首先,使用LSNPE算法提取高维数据的低维子流形,进行维数约减,同时保持邻域结构不变。其次,通过特征空间中样本的局部离群因子（local outlier factor,LOF）构造监控统计量并确定其控制限。相较于监控多模态化工过程的多模型策略,提出的LSNPE方法不需要过程先验知识的支持,只需建立一个全局的监控模型。最后,通过数值仿真及Tennessee Eastman（TE）过程仿真研究验证了本文提出方法的有效性。     

基于半监督正交因子分析的过程质量监控方法

实际工业过程中的观测样本大多会受到随机噪声的污染,因此带有噪声假设的概率模型得到广泛应用。传统方法直接对模型的因子进行监控,但由于建模所得因子中可能包含质量无关的信息,因此会增加质量相关故障的误报率,这对主要关心产品质量的生产过程是无益的。同时,针对实际过程与质量样本采样率不同导致的难以精确建模的问题,提出一种半监督正交因子分析（semi-supervised orthogonal factor analysis,Semi-SOFA）方法,建立概率模型,并对因子进行质量相关的正交分解,分别构造T²统计量;根据新样本是否含质量标签的数据性质计算相应的SPE统计量。提出的Semi-SOFA可有效检测出发生的故障是否影响质量,最后通过数值例子和Tennessee Eastman（TE）过程仿真验证了所提方法的有效性。     

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.     

一种改进的FNN及其在德士古炉温软测量中的应用

在模糊神经网络中采用传统的梯度下降优化方法,其搜索速度慢,并易于陷于局部最小的缺点,提出一种自适应粒子群算法,采用由一个模糊推理机来动态地修改速度参数,模糊推理机的两个输入分别是当前速度参数,以及规范化的当前最好性能估计,输出是速度参数的增量;并将该方法用于模糊神经网络的参数的优化中,得到一种新的建模方法.最后以德士古气化炉为对象,用该方法建立炉膛温度的软测量模型,结果表明该方法该模型运算速度快,同时具有良好泛化性能,能够满足软测量建模精度的要求.     

一种集成传感器故障诊断方案

针对传感器故障，提出了一种基于小波奇异性检测和修正的Bayes算法(MB)的集成故障诊断方法。用RBF神经网络建立传感器故障模型．对系统的状态进行在线估计．进而得到残差．然后对残差进行小波分析．再用修正的Bayes算法进行传感器故障的在线检测、分离的估计。对连续搅拌釜式反应器(CSTR)的仿真结果表明．该集成故障诊断方法能够对传感器故障进行快速准确的分离和估计．克服了传统小波分析方法大尺度下存在时延的缺点．并对传感器故障具有容错性。     

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 shor...     

基于GMM的间歇过程故障检测

对间歇过程的多操作阶段进行划分时,往往会被离群点和噪声干扰,影响建模的精确性,针对此问题提出一种新的方法:主元分析--多方向高斯混合模型(Principal component analysis-multiple Gaussian mixture model, PCA-MGMM)建模方法.首先用最短长度法对数据进行等长处理,融合不同展开方法相结合的处理方式消除数据预估问题;利用主元分析方法将数据转换到对故障较为敏感的低维子空间中,得到主元的同时消除了离群点和噪声的干扰;通过改进的高斯混合模型(Gaussian mixture model, GMM)算法对各阶段主元进行聚类,减少了运算量的同时自动得到最佳高斯成分和对应的统计分布参数;最后将局部指标融合为全局概率监控指标,实现了连续的在线监控.通过一个实际的半导体制造过程的仿真研究验证了所提方法的有效性.     

应用聚类和模糊神经网络方法设计模糊规则库

基于聚类技术和模糊神经网络提出一种新的自动生成模糊系统规则库的设计方法．采用结构辨识和参数辨识相结合的方法，构造模糊系统完善的模糊规则库．用此设计方法对函数逼近问题进行仿真，结果表明该方法具有规则数目少、学习速度快、建模精度高等特点．