基于动态单类随机森林的非线性过程监控方法

针对高维化工过程中存在的非线性和动态特性,提出了一种基于动态单类随机森林(dynamic one-class random forest,DOCRF)的过程监控方法。对正常运行状态下的过程数据进行稀疏性分析,根据其反分布产生离群点数据。利用典型变量分析对正常数据进行相关性分析,分别将正常数据和离群点数据投影到典型变量空间,利用典型变量空间数据训练单类随机森林。基于单类随机森林模型根据待检测样本与正常数据的相似度构造监控统计量进行故障检测。在Tennessee Eastman过程的仿真结果表明,所提DOCRF方法总体优于单类支持向量机方法。     

基于DMVU-OCSVM的故障诊断方法

针对工业过程的非线性和动态特性,提出一种基于动态最大方差展开（DMVU）和单类支持向量机（OCSVM）的故障诊断方法DMVU-OCSVM。为了分析数据的动态特性和非线性,应用流形学习技术DMVU提取数据变量中的非线性动态流形特征。基于所提取的流形特征信息建立OCSVM统计模型,并构造非线性监控统计量实时检测过程故障。在连续搅拌反应器（CSTR）系统上的仿真结果说明,本文提出的方法能够比OCSVM更有效地检测过程故障。     

基于变量分组DTW-MCVA的不等长间歇过程故障检测方法

针对不等长间歇过程监控中批次数据同步化未能充分挖掘局部信息的问题,提出一种基于变量分组DTW-MCVA（VGDTW-CVA）的不等长间歇过程故障检测方法。首先,利用互信息矩阵描述不等长间歇过程测量变量之间的相关性,并基于互信息矩阵进行变量分组。然后利用DTW算法对各个变量组分别进行同步化,并将同步化后的变量组整合为完整的三维数据集。最后,利用MCVA方法建立动态监控模型实现对间歇生产过程的在线监控。盘尼西林发酵过程的仿真结果表明,VGDTW-MCVA能够比基本的DTW-MCVA方法更好地监控间歇过程故障。     

基于K均值聚类与局部离群因子算法的故障检测研究

针对化工生产过程的多工况、数据多模态问题,提出一种基于K均值聚类的局部离群因子故障检测方法。首先利用K均值聚类算法对多模态工业数据进行聚类,将各个模态的数据分离出来,然后运用局部离群因子算法在各个模态下单独建立模型,并且确定各个模态下的局部离群因子控制限。检测时首先判断样本属于哪一类,然后在相应类别下求取局部离群因子值并与此类别下的控制限进行比较,确定是否为故障数据。将此方法运用到TE过程的多模态数据中,并且将此方法与单独应用局部离群因子算法做故障检测对比,结果表明:所提算法可以大幅提高故障的检测率。     

基于变量分组DTW-MCVA的不等长间歇过程故障检测方法

针对不等长间歇过程监控中批次数据同步化未能充分挖掘局部信息的问题,提出一种基于变量分组DTW-MCVA (VGDTW-CVA)的不等长间歇过程故障检测方法。首先,利用互信息矩阵描述不等长间歇过程测量变量之间的相关性,并基于互信息矩阵进行变量分组。然后利用DTW算法对各个变量组分别进行同步化,并将同步化后的变量组整合为完整的三维数据集。最后,利用MCVA方法建立动态监控模型实现对间歇生产过程的在线监控。盘尼西林发酵过程的仿真结果表明,VGDTW-MCVA能够比基本的DTW-MCVA方法更好地监控间歇过程故障。     

基于共同趋势模型的非平稳过程质量相关故障检测方法

现有质量相关监控方法基于数据平稳的假设，而实际生产中存在大量的非平稳过程。针对上述问题，提出了一种基于共同趋势模型的非平稳过程质量相关故障检测方法。该方法首先识别出系统中的非平稳过程变量和质量变量，再利用Gonzalo-Granger分解求解共同趋势模型，从而分离非平稳数据中的平稳部分和非平稳部分，然后，整合平稳数据，以及非平稳数据的平稳子空间整合，应用慢特征分析（slow feature analysis, SFA）和典型相关分析（canonical correlation analysis, CCA）建立质量相关的监控模型，实现对非平稳质量变量的有效监控。最后通过对比实验，证明所提出方法可以有效发现非平稳过程质量相关故障。     

基于密度聚类和随机森林的地下储气库注采系统风险评估方法研究

针对储气库注采运行过程中须承受交变载荷作用以及"强采强注"的不稳定工况带来的动态风险因素,提出一种基于密度聚类和随机森林的地下储气库注采系统风险评估方法.采用异常值检测和相关性分析构建特征数据矩阵,用主元分析法进行维度约简,基于密度并结合储气库现场生产工况进行聚类分析,以实现对不同聚类簇的划分,最后应用随机森林模型判别...     

基于联合典型变量矩阵的多阶段发酵过程质量相关故障监测

为考虑发酵过程的质量变量和动态特征对于阶段划分的影响,提出了一种基于联合典型变量矩阵的多阶段发酵过程质量相关故障监测方法。首先,将历史三维数据沿批次方向展开,对每个时间片矩阵进行典型相关分析（canonical correlation analysis, CCA）,得到融合过程变量和质量变量信息的联合典型变量矩阵,对其进行K均值聚类,实现基于静态特征的第1步划分;然后采用慢特征分析（slow feature analysis, SFA）算法提取表征过程动态性的慢特征,对其进行聚类实现第2步划分。最后综合分析两步划分结果,将生产过程划分为不同的稳定阶段和过渡阶段,并在划分的子阶段中分别建立CCA监测模型进行质量相关故障监测。该方法通过静态和动态特征的变化实现两步划分,准确区分强动态变化与阶段切换,有效提高质量相关的故障监测模型精度。青霉素仿真平台与大肠杆菌实际生产数据验证了所提方法的可行性和有效性。     

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。     

Efficient recursive kernel canonical variate analysis for monitoring nonlinear time‐varying processes

Kernel canonical variate analysis (KCVA) cannot be adopted for monitoring nonlinear time‐varying processes because of changes in variance, mean, and correlation between variables. Efficient recursive kernel canonical variate analysis (ERKCVA) is thus proposed to monitor the nonlinear time‐varying processes. In a high‐dimensional feature space, the covariance matrix can be updated recursively by the exponentially weighted moving average approach. The first‐order perturbation theory is introduced to obtain the recursive singular value decomposition of the Hankel matrix, which can significantly reduce the computational cost of the proposed method. Prediction errors and state variables are non‐Gaussian; thus, upper control limits can be derived from the estimated probability density function by kernel density estimation. The proposed method is demonstrated by simulating a continuous stirred tank reactor. Simulation results indicate that ERKCVA could efficiently capture the predefined normal and natural changes in nonlinear time‐varying processes. In addition, ERKCVA can also identify 4 types of sensor faults.     

Subspace identification for two-dimensional dynamic batch process statistical monitoring

Dynamics are inherent characteristics of batch processes, which may be not only within a batch, but also from batch to batch. Two-dimensional dynamic principal component analysis (2-D-DPCA) method [Lu, N., Yao, Y., Gao, F., 2005. Two-dimensional dynamic PCA for batch process monitoring. A.I.Ch.E. Journal 51, 3300-3304] can model both kinds of batch dynamics, but may lead to the inclusion of large number of lagged variables and make the contribution plot difficult to read. To solve this problem, subspace identification technique is combined with 2-D-DPCA in this paper. The state space model of a 2-D batch process can be identified with canonical variate analysis (CVA) method based on the auto-determined support region (ROS). In 2-D-DPCA modeling, the utilization of state variables instead of lagged process variables reduces the number of variables and provides a clearer contribution plot for fault diagnosis.     

一种改进的动态数据校正离群值检测法

Data reconciliation technology can decrease the level of corruption of process data due to measurement noise, but the presence of outliers caused by process peaks or unmeasured disturbances will smear the reconciled results. Based on the analysis of limitation of conventional outlier detection algorithms, a modified outlier detection method in dynamic data reconciliation （DDR） is proposed in this paper. In the modified method, the outliers of each variable are distinguished individually and the weight is modified accordingly. Therefore, the modified method can use more information of normal data, and can efficiently decrease the effect of outliers. Simulation of a continuous stirred tank reactor （CSTR） process verifies the effectiveness of the proposed algorithm.     

A Robust Statistical Batch Process Monitoring Framework and Its Application

In order to reduce the variations of the product quality in batch processes, multivariate statistical process control methods according to multi-way principal component analysis (MPCA) or multi-way projection to latent structure (MPLS) were proposed for on-line batch process monitoring. However, they are based on the decomposition of relative covariance matrix and strongly affected by outlying observations. In this paper, in view of an efficient projection pursuit algorithm, a robust statistical batch process monitoring (RSBPM) framework, which is resistant to outliers, is proposed to reduce the high demand for modeling data. The construction of robust normal operating condition model and robust control limits are discussed in detail. It is evaluated on monitoring an industrial streptomycin fermentation process and compared with the conventional MPCA. The results show that the RSBPM framework is resistant to possible outliers and the robustness is confirmed.     

间歇生产过程鲁棒统计监控及其应用

In order to reduce the variations of the product quality in batch processes, multivariate statistical process control methods according to multi-way principal component analysis (MPCA) or multi-way projection to latent structure (MPLS) were proposed for on-line batch process monitoring. However, they are based on the decomposition of relative covariance matrix and strongly affected by outlying observations. In this paper, in view of an efficient projection pursuit algorithm, a robust statistical batch process monitoring (RSBPM) framework, which is resistant to outliers, is proposed to reduce the high demand for modeling data. The construction of robust normal operating condition model and robust control limits are discussed in detail. It is evaluated on monitoring an industrial streptomycin fermentation process and compared with the conventional MPCA. The results show that the RSBPM framework is resistant to possible outliers and the robustness is confirmed.     

基于GSA-LSTM动态结构特征提取的间歇过程监测方法

间歇过程监测对于保证批次生产过程的稳定运行具有重要意义。传统过程监测方法难以提取间歇过程数据特有的非线性结构和动态时变特征。为此,提出了一种融合图采样聚合网络和长短期记忆网络(GSA-LSTM)的典型相关分析方法用于间歇过程在线监测。首先,利用K近邻方法将批次过程数据转化为图结构形式,利用图采样聚合网络(GraphSAGE)提取数据内部的结构特征,然后利用长短期记忆网络(LSTM)提取数据的非线性动态特征,通过权重系数将结构特征和动态特征融合得到更具有代表性的间歇过程数据特征。进一步地,利用典型相关分析方法对残差建立监测模型。最后将所提方法应用于数值例子和注塑过程监测,结果分析验证了所提方法的有效性。     

基于GSA-LSTM动态结构特征提取的间歇过程监测方法

间歇过程监测对于保证批次生产过程的稳定运行具有重要意义。传统过程监测方法难以提取间歇过程数据特有的非线性结构和动态时变特征。为此,提出了一种融合图采样聚合网络和长短期记忆网络(GSA-LSTM)的典型相关分析方法用于间歇过程在线监测。首先,利用K近邻方法将批次过程数据转化为图结构形式,利用图采样聚合网络(GraphSAGE)提取数据内部的结构特征,然后利用长短期记忆网络(LSTM)提取数据的非线性动态特征,通过权重系数将结构特征和动态特征融合得到更具有代表性的间歇过程数据特征。进一步地,利用典型相关分析方法对残差建立监测模型。最后将所提方法应用于数值例子和注塑过程监测,结果分析验证了所提方法的有效性。