基于多约束DTW的MPCA间歇过程监测方法

针对间歇过程固有的批次不等长问题,也为了克服传统解决批次间同步问题方法存在的数据浪费、扭曲原始过程变量的自相关及交叉相关关系的严重缺陷,提出基于多约束的动态时间规整(dynamic time warping,DTW)方法,按照轨迹中点与点的模式进行动态匹配解决的同步问题.同时,引入了全局路径限制和失真度阈值限制对DTW方法进行改进,解决了传统DTW方法长时间运行造成的故障监测严重滞后的问题,同时克服了其处理过程的复杂性与其离线性导致其实际应用的困难.用多向主元分析(multiway principal component analysis,MPCA)方法将多约束DTW处理过的数据进行建模.将该方法应用到青霉素发酵过程仿真实验中,结果表明:该方法能够快速准确地对不等长批次进行规整,与传统方法相比,故障的误报率、漏报率明显降低.     

PDPSO优化多阶段AR-PCA间歇过程监测方法

针对间歇过程固有的多阶段特性和动态性,提出基于种群多样性的自适应惯性权重粒子群算法(PDPSO)优化的多阶段自回归主元分析(AR-PCA)间歇过程监测方法。该方法引入了PDPSO算法指导AP聚类偏向参数的选取,避免了传统方法依据聚类评价指标选取参考度时的盲目性。对PDPSO优化AP聚类的多阶段发酵过程的数据样本建立AR-PCA模型能够消除各阶段的动态性及变量之间的自相关和互相关影响。最后,对自回归(AR)模型的残差矩阵建立主成分分析(PCA)模型用于发酵过程监测。将该方法应用到青霉素发酵过程,并与传统方法进行对比,结果表明,该方法能够有效进行间歇过程阶段划分并降低故障的漏报和误报。     

PDPSO优化多阶段AR-PCA间歇过程监测方法

针对间歇过程固有的多阶段特性和动态性,提出基于种群多样性的自适应惯性权重粒子群算法（PDPSO）优化的多阶段自回归主元分析（AR-PCA）间歇过程监测方法。该方法引入了PDPSO算法指导AP聚类偏向参数的选取,避免了传统方法依据聚类评价指标选取参考度时的盲目性。对PDPSO优化AP聚类的多阶段发酵过程的数据样本建立AR-PCA模型能够消除各阶段的动态性及变量之间的自相关和互相关影响。最后,对自回归（AR）模型的残差矩阵建立主成分分析（PCA）模型用于发酵过程监测。将该方法应用到青霉素发酵过程,并与传统方法进行对比,结果表明,该方法能够有效进行间歇过程阶段划分并降低故障的漏报和误报。