基于核慢特征回归与互信息的常压塔软测量建模

针对工业过程的非线性及动态特性,提出了一种新的慢特征回归软测量方法。该方法首先通过添加时延数据构造动态数据集,利用互信息最大化准则筛选变量从而减少信息冗余的影响。同时该方法在慢特征分析的基础上引入核函数扩展,加强模型处理非线性数据的能力,并将获得的核慢特征用于回归建模。核慢特征分析通过分析样本的变化,提取具有缓慢变化特征的成分,可以有效地刻画工业过程的变化趋势,提升回归模型精度。最后该方法的有效性在常压塔常顶油干点与常一线初馏点的软测量模型中得到了验证。     

基于KSFDA-SVDD的非线性过程故障检测方法

慢特征分析(SFA)是一种无监督的线性学习算法,没有考虑过程数据的类别信息和非线性特征。针对此问题,提出一种基于核慢特征判别分析(KSFDA)和支持向量数据描述(SVDD)的非线性过程故障检测方法KSFDA-SVDD。该方法首先利用核技巧将数据从原始空间映射到高维空间,然后通过最大化正常工况数据和故障模式数据之间伪时间序列的时间变化同时最小化正常工况数据内部伪时间序列的时间变化计算判别矩阵,最后利用SVDD描述采用判别矩阵降维后的正常工况数据的分布域,构建监控统计量检测过程故障。在连续搅拌反应器(CSTR)过程上的仿真结果表明所提出方法的故障检测性能优于传统的KPCA方法。     

基于混合核函数和PLS的胎面尺寸预测模型

为实现对生产过程中胎面尺寸的准确预测,分析胎面生产工艺,结合混合核函数和偏最小二乘法(PLS)的特点构造了一种基于混合核函数和PLS的软测量模型。该预测模型把辅助变量通过输入非线性函数映射到高维特征空间,在高维特征空间中采用线性建模方法建立模型后经过非线性函数映射回原数据空间形成非线性模型。应用效果表明,该模型具有较强的学习和泛化能力,并且具有较高的预测精度,能较好地满足胎面实际生产要求。     

基于主曲线的软测量方法及其在精馏塔上的应用

为解决工业过程软测量中的变量维数高、数据相互耦合、非线性强等问题,提出了基于主曲线的软测量方法。其中的基于主曲线的非线性回归模型借鉴了PLS的基本思想,采用主曲线提取隐变量信息的同时考虑了自变量与因变量的相关性;在隐变量空间中,采用多项式函数拟合隐变量之间的非线性关系。在实例研究中,分别采用纯函数数据和氯乙烯精馏塔实时运行数据对该模型进行了验证。仿真结果表明,该模型所需要的隐变量数目比传统的PLS模型更少,并且能够实现更为精确的预测,可较好地处理工业过程中存在的数据高耦合度以及强非线性问题。     

基于混合核函数PCR方法的工业过程软测量建模

针对核函数PCR方法中单个核函数的局限性，提出了混合核函数PCR方法并将其用于工业过程软测量建模，以提高模型的推广能力和非线性处理能力。混合核函数集中了多个核函数的特点，兼具局部和全局特性，并可以通过参数调节他们对混合核函数的作用，将过程的先验知识融入到核函数的确定，进而适合不同的应用。工业丙烯腈生产过程丙烯腈收率软测量建模的应用表明，基于混合核函数PCR的软测量模型要优于核函数PCR方法，满足了工业应用要求。     

基于局部线性嵌入的测地线流式核多工况软测量建模方法

针对复杂工业过程在多工况条件下缺乏标记样本无法进行软测量建模,而原有模型失准问题,研究了一种局部线性嵌入（locally linear embedding, LLE）和测地线流式核（geodesic flow kernel, GFK）相结合的无监督软测量建模方法。该方法首先通过局部线性嵌入提取各个工况间的公共模式信息,然后将已知工况数据和未知工况数据的公共模式信息投影到流形空间,利用测地线流式核框架在流形空间上实现域迁移,以减小不同工况间数据的分布差异。最后用偏最小二乘回归法建立软测量模型,得到主导变量的软测量值。通过对TE过程中不同工况下的成分变量软测量和不同工况下的球磨机负荷参数软测量结果,验证了所提算法的实用性和有效性。     

基于深度集成支持向量机的工业过程软测量方法

基于支持向量机（SVM）的软测量建模方法已经在工业过程控制领域得到广泛应用,然而传统支持向量机直接针对原始测量变量建立模型,未能充分挖掘数据的内在特征信息以提高预测精度。针对该问题,本文提出一种基于深度集成支持向量机（DESVM）的软测量建模方法。该方法首先利用深度置信网络（DBN）来对数据进行深层次的信息挖掘,提取出数据的内在特征,然后引入基于Bagging算法的集成学习策略,构建基于深度数据特征的集成支持向量机模型,以提升软测量预测模型的泛化能力。最后通过数值系统和真实工业数据对方法进行应用分析,结果表明本文提出的方法能够有效提升支持向量机软测量模型的预测精度,能够更好地预测过程质量指标的变化。     

基于深度集成支持向量机的工业过程软测量方法

基于支持向量机(SVM)的软测量建模方法已经在工业过程控制领域得到广泛应用,然而传统支持向量机直接针对原始测量变量建立模型,未能充分挖掘数据的内在特征信息以提高预测精度。针对该问题,本文提出一种基于深度集成支持向量机(DESVM)的软测量建模方法。该方法首先利用深度置信网络(DBN)来对数据进行深层次的信息挖掘,提取出数据的内在特征,然后引入基于Bagging算法的集成学习策略,构建基于深度数据特征的集成支持向量机模型,以提升软测量预测模型的泛化能力。最后通过数值系统和真实工业数据对方法进行应用分析,结果表明本文提出的方法能够有效提升支持向量机软测量模型的预测精度,能够更好地预测过程质量指标的变化。     

基于证据合成的高斯过程回归多模型软测量方法

针对生物发酵过程,提出了一种基于证据理论的高斯过程回归多模型软测量方法,其中多模型融合策略同时考虑了数据聚类特性和软测量子模型统计特性。首先,对聚类后的各子类建立高斯过程回归子模型;然后,基于聚类隶属度函数和高斯过程回归子模型后验概率分别设计子模型权值,并利用证据合成规则将两类权值进行证据合成得到融合权值;最后,将该融合权值作为加权因子对子模型进行融合。通过青霉素发酵过程仿真数据和红霉素发酵过程工业数据研究表明, 相比单一模型和传统多模型高斯过程回归软测量方法,本文所提方法具有较高的预测精度和较小的预测不确定度。     

基于双子空间并行回归的化工过程质量相关故障检测方法

邻域保持嵌入(neighborhood preserving embedding, NPE)是一种常用的无监督学习方法,在故障检测领域得到了广泛应用。由于NPE提取的数据特征无法解释输入数据和输出数据之间的关系,因此在化工过程质量相关故障检测方面存在局限性。另外,NPE在提取数据流形结构时忽略了动态信息的表征。为了解决上述问题,基于NPE和慢特征分析(slow feature analysis,SFA)算法提出了一种名为双子空间并行回归(twin-space parallel regression,TSPR)的质量相关故障检测方法,该方法能够同时提取数据的流形特征和变化速度信息。首先,通过基于互信息的策略将原始过程空间分为序列相关子空间和序列无关子空间,以应对变量在时间序列相关性的差异。其次,在两个子空间中分别应用提出的邻域保持-慢特征嵌入算法(neighborhood preserving-slow feature embedding regression,NP-SFE)和NPE算法提取数据的有效结构特征,并同时用最小二乘回归在两个特征子空间中构建过程变量与质量变量的回归关系。随后,...     

Dynamic nonlinear soft sensor modelling method using linear slow feature analysis and least squares support vector regression for batch processes

Data-driven soft sensor models have been extensively utilized in industrial processes. Batch processes are usually employed to manufacture low-volume and high value-added products in chemical, materials, and pharmaceutical industries. The most distinctive features of batch process lie in nonlinear, repetition, and slow time varying characteristics. In this paper, a data-driven soft sensor modelling method based on linear slow feature analysis (LSFA) and least squares support vector regression (LSSVR) is proposed. In this method, LSFA was used to effectively capture the driving force behind the data features that change as slowly as possible. Then, a LSSVR model was constructed between the extracted slow feature variables and quality variables. Finally, a numerical example, industrial penicillin fermentation processes, and cobalt oxalate synthesis process were utilized to confirm the prediction accuracy and model reliability of the proposed approach.     

Application of support vector regression for developing soft sensors for nonlinear processes

The field of soft sensor development has gained significant importance in the recent past with the development of efficient and easily employable computational tools for this purpose. The basic idea is to convert the information contained in the input–output data collected from the process into a mathematical model. Such a mathematical model can be used as a cost efficient substitute for hardware sensors. The Support Vector Regression (SVR) tool is one such computational tool that has recently received much attention in the system identification literature, especially because of its successes in building nonlinear blackbox models. The main feature of the algorithm is the use of a nonlinear kernel transformation to map the input variables into a feature space so that their relationship with the output variable becomes linear in the transformed space. This method has excellent generalisation capabilities to high‐dimensional nonlinear problems due to the use of functions such as the radial basis functions which have good approximation capabilities as kernels. Another attractive feature of the method is its convex optimization formulation which eradicates the problem of local minima while identifying the nonlinear models. In this work, we demonstrate the application of SVR as an efficient and easy‐to‐use tool for developing soft sensors for nonlinear processes. In an industrial case study, we illustrate the development of a steady‐state Melt Index soft sensor for an industrial scale ethylene vinyl acetate (EVA) polymer extrusion process using SVR. The SVR‐based soft sensor, valid over a wide range of melt indices, outperformed the existing nonlinear least‐square‐based soft sensor in terms of lower prediction errors. In the remaining two other case studies, we demonstrate the application of SVR for developing soft sensors in the form of dynamic models for two nonlinear processes: a simulated pH neutralisation process and a laboratory scale twin screw polymer extrusion process. A heuristic procedure is proposed for developing a dynamic nonlinear‐ARX model‐based soft sensor using SVR, in which the optimal delay and orders are automatically arrived at using the input–output data.     

基于联合互信息的动态软测量方法

针对工业过程中普遍存在的时延特性和动态特性,提出一种基于联合互信息的动态软测量方法.以联合互信息最大化作为准则,从各辅助变量的历史输入数据矩阵中选取一个连续子变量集,组成包含过程时延信息和动态信息的新数据集,进而确定各辅助变量的时延参数、历史数据长度.各辅助变量参数完全基于过程历史数据确定,与后续软测量模型的建立无关,因此建立动态软测量模型的形式可根据对象非线性程度自主选择.针对实际脱丁烷塔塔底丁烷浓度软测量的仿真研究验证了方法的有效性.     

Dynamic soft sensor development based on Gaussian mixture regression for fermentation processes

The dynamic soft sensor based on a single Gaussian process regression (GPR) model has been developed in fermentation processes.However,limitations of single regression models,for multiphase/multimode fermentation processes,may result in large prediction errors and complexity of the soft sensor.Therefore,a dynamic soft sensor based on Gaussian mixture regression (GMR) was proposed to overcome the problems.Two structure parameters,the number of Gaussian components and the order of the model,are crucial to the soft sensor model.To achieve a simple and effective soft sensor,an iterative strategy was proposed to optimize the two structure parameters synchronously.For the aim of comparisons,the proposed dynamic GMR soft sensor and the existing dynamic GPR soft sensor were both investigated to estimate biomass concentration in a Penicillin simulation process and an industrial Erythromycin fermentation process.Results show that the proposed dynamic GMR soft sensor has higher prediction accuracy and is more suitable for dynamic multiphase/multimode fermentation processes.     

基于改进差分进化和最小二乘支持向量机的铝酸钠溶液浓度软测量

针对氧化铝蒸发过程铝酸钠溶液浓度难以在线检测问题,提出了改进差分进化和最小二乘支持向量机的铝酸钠溶液浓度软测量建模方法。首先基于灰色关联分析和核主成分分析确定模型的输入变量,再用改进差分进化算法的最小二乘支持向量机构建软测量模型。并与DE-LSSVM软测量模型进行比较;最后应用蒸发过程生产数据进行验证,结果表明,新模型具有更好的学习能力和泛化性能且预测精度更高,可为蒸发过程操作优化提供必要的指导。     

基于AKPLS方法的聚丙烯熔融指数软测量

针对聚丙烯装置熔融指数软测量中的非线性和多牌号切换问题,提出一种基于自适应核偏最小二乘（AKPLS）的软测量方法。通过对聚丙烯装置反应系统进行机理分析,采用非线性PLS——KPIs方法来拟合辅助变量和熔融指数之间的函数关系。为适应装置生产多牌号产品的现状,进一步提出KPLS自适应策略,以软测量模型的泛化误差作为优化目标,对KPLS模型系数进行在线更新。工业数据应用结果表明,所提出的AKPLS方法能够比PLS、KPLS方法更准确地预报聚丙烯熔融指数的变化。     

Improved dynamic kernel PCA based on local preserving projections and its application for electric submersible pump fault diagnosis

Dynamic kernel principal component analysis (DKPCA) has been frequently implemented for nonlinear and dynamic process monitoring of complex industrial processes. However, traditional DKPCA focuses only on the global structural analysis of data sets and strongly neglects the local information, which is equally essential for process detection and identification. In this paper, an improved DKPCA, referred to as the local DKPCA (LDKPCA), is proposed based on local preserving projections (LPP) for nonlinear dynamic process fault diagnosis. The method combines the advantages of LPP and DKPCA by utilizing the local structure feature to maintain the geometric structure of the data in a unified framework. To achieve a highly comprehensive feature extraction, the local characteristics are fused in DKPCA to produce an optimization objective. The neighbouring points of the new objective function projection in the feature space are still maintained in proximity, and the variance information is retained simultaneously. For the purpose of fault detection, two statistics, known as the T² and squared prediction error (SPE) statistics, are constructed, based on the LDKPCA model, and used to monitor the latent variable space and the residual space, respectively. In addition, the sensitivity analysis is brought in for fault identification of the two statistics. Based on the experimental analysis using the shaft breakage data of an offshore oilfield electric submersible pump (ESP), the proposed method outperforms the conventional DKPCA in terms of fault monitoring performance. The experimental results demonstrate the potential of the method in nonlinear dynamic process fault diagnosis.     

基于多源信息特征融合的抽油井动液面集成软测量建模

针对传统抽油井动液面(DLL)检测只能依靠人工操作回声仪测试,无法实时在线检测的问题,提出基于多源信息特征融合的抽油井动液面集成软测量新方法。采用快速傅里叶变换(FFT)将抽油机悬点载荷及振动时域信号转换成频域信号;采用核主元分析(KPCA)提取悬点载荷及振动频谱和电功率、井口油、套压时域信号非线性特征;利用改进的模糊交互式自组织数据分析聚类(ISODATA)和高斯过程回归(GPR)融合时频信息特征,建立多个动态子模型;利用权重优化证据理论(D-S)构造的概率分配函数作为权值因子,对子模型输出进行集成以得到最终的DLL预测值。油田现场应用证明了该方法的有效性。     

深度融合特征提取网络及其在化工过程软测量中的应用

复杂化工过程的观测数据往往同时包含非线性和强动态特性,而传统的化工过程软测量方法无法准确提取观测数据的非线性动态特征,以至影响数据建模和质量预报的准确性。提出了一种基于变分自编码器的深度融合特征提取网络(deep fusion features extraction network, DFFEN)。在变分自编码器框架下,通过构建潜隐特征信息传递通道,提取非线性动态潜隐变量。并利用自注意力机制(self-attention)融合关键的隐层信息,优化因信息传递通道过长而导致的潜在特征被遗忘的问题。此外,在后端网络构建潜隐变量和关键质量变量之间的回归模型,以实现关键质量变量的预报。最后,通过数值案例和实际的合成氨过程验证了所提出的DFFEN模型的可行性和有效性。