时序约束NPE算法在化工过程故障检测中的应用

针对动态过程的故障检测问题,在邻域保持嵌入算法中改进邻域挑选,提出一种新的维度约简方法：时序约束邻域保持嵌入（time constrained neighborhood preserving embedding,TCNPE）算法。与邻域保持嵌入（neighborhood preserving embedding,NPE）算法只通过欧氏距离挑选邻域不同的是,TCNPE考虑到数据之间的时序相关性,在一定长度的时间窗之内采用k-近邻方法挑选邻域,并对时间窗内近邻与非近邻构造局部约束关系。首先,利用TCNPE提取数据特征,进行线性降维,然后构造T²和SPE统计量并利用密度估计（kernel density estimation,KDE）确定其控制限。最后,通过数值例子和TE过程（Tennessee-Eastman process）仿真来说明本文方法的有效性。     

基于核PLS方法的非线性过程在线监控

针对过程监控数据的非线性特点,提出了一种基于核偏最小二乘（KPLS）的监控方法。KPLS方法是将原始输入数据通过核函数映射到高维特征空间,然后在高维特征空间再进行偏最小二乘（PLS）运算。与线性PLS相比,KPLS方法能充分利用样本空间信息,建立起输入输出变量之间的非线性关系。与其他非线性PLS方法不同,KPLS方法只需要进行线性运算,从而避免非线性优化问题。在对过程进行监控时,首先采用KPLS方法建立模型,得到得分向量,然后计算出T²和SPE统计量及其相应的控制限。Tennessee Eastman(TE)模型上的仿真研究结果表明,所提方法比线性PLS相似文献   

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。