基于多证据融合决策的间歇过程测量数据异常检测方法

间歇过程测量数据的高维、非线性、非高斯分布特征直接影响过程测量数据异常检测的准确性，为了融合多源数据异常检测信息，提升间歇过程测量数据异常检测精度，提出了一种基于多证据融合决策的间歇过程测量数据异常检测方法，该方法通过引入证据理论（Dempster-Shafer，D-S），采用主焦元判别伪证据和重新计算证据权重改进冲突证据处理方法，减小了冲突证据对多证据融合决策结果的影响，提高了间歇过程测量数据异常检测的准确率。构建了基于多证据融合的测量数据异常检测模型并将其应用到间歇过程测量数据异常检测决策判决中。实验结果表明，该方法能够融合多证据信息，有效地处理冲突证据，实现了间歇过程测量数据异常检测，降低了误检和漏检率。     

基于DHSC的多模态间歇过程测量数据异常检测方法

多模态间歇过程测量数据异常直接影响数据驱动的多元统计分析过程建模的准确性，导致间歇过程的监控性能降低。针对多模态间歇过程测量数据异常问题，提出了一种基于动态超球结构变化（DHSC）的多模态间歇过程测量数据异常检测方法。该方法通过引入时序约束的模糊C均值聚类（SCFCM），利用隶属度变化划分多模态间歇过程的模态；针对不同模态，采用支持向量数据描述（SVDD）建立基于训练数据的静态超球体和基于待检数据的动态超球体，选择重要的支持向量作为球体结构，进而通过识别超球体发生结构变化实现过程测量数据异常检测。青霉素发酵过程仿真实验表明，所提出的方法能够实现多模态间歇过程的模态划分，减少了模态切换对过程测量数据异常检测精度的影响，并能够根据超球体结构变化检测过程测量数据异常，具有较高的检测精度，降低了误检率。     

基于PARAFAC2时段划分的间歇过程故障检测

间歇过程的多时段特性直接影响多元统计分析过程建模的准确性。针对间歇过程多时段特性,本文提出一种基于平行因子分解2（PARAFAC2）时段划分的间歇过程故障检测方法,首先对每一个时间片矩阵进行PARAFAC2建模,得到时间片矩阵的模型控制限,然后从间歇过程初始时刻开始,按照时序依次将每个时间片添加到时间块并进行PARAFAC2建模,得到时间块矩阵的模型控制限,通过评估时间片和时间块模型控制限的差异性确定初始时段划分点,并利用时段评价划分指标（PPCI）获取最佳的时段划分结果,最后在所得结果基础上分别对各个时段构建MPCA故障检测模型,实现间歇过程故障检测。所提方法保留了间歇过程三维结构特征和数据的完整性,深入考虑了间歇过程实际运行的时序性,提高了故障检测的准确性。利用青霉素发酵过程仿真实验验证了所提方法的有效性。