基于主元独立性分析与混合核RVM的复杂过程区间预测方法研究及应用

近年来,随着化工过程日趋复杂,对过程监控及关键变量预测提出了更高的要求。传统意义上的点预测已不能满足化工过程上的实际需求,且点预测无法描述过程上的不确定性问题,因此不能很好地把握预测变量的趋势。由此,提出了一种基于主元独立性分析(principal component independent analysis,PCIA)与混合核相关向量机(RVM)的区间预测方法。首先,结合核主元成分分析(KPCA)和独立元分析(ICA)对复杂过程原始变量进行主元成分提取和独立性分析,形成独立主元;其次,将高斯核函数与多项式核函数相结合形成混合核,与RVM结合对得到的独立主元进行回归建模预测,并运用T分布对预测值进行区间估计;然后,构造区间评价综合函数对区间估计结果进行优劣分析,在分析预测区间覆盖率(PICP)及预测区间宽度(NMPIW)的基础上,引入累积偏差(AD)提高区间评判的合理性。最后,将所提方法应用到TE仿真过程进行区间预测分析,仿真结果表明,提出的区间预测方法对实际生产过程具有较高的预测精度和区间估计质量,可以有效地预测关键变量的趋势。     

基于稀疏核主元分析的在线非线性过程监控

核主元分析(KPCA)适合非线性过程的监控,但存在计算量大、实时性差等缺点。提出一种基于稀疏KPCA(SKPCA)的过程监控方法,先使用SKPCA对正常建模数据进行加权,少数权值大的数据基本能代表全部正常数据的信息,因此稀化了建模数据,然后根据稀化后的正常数据建立过程的KPCA模型,并提出监控指标,大大减少了计算量,提高了监控的实时性,最后以化工分离过程为对象,就KPCA与SKPCA的监控效果和实时性进行了详细的对比研究,结果表明了基于SKPCA监控方法的优越性。     

基于多尺度动态核主元分析的化工过程故障检测

针对化工过程数据的多尺度性和非线性特性,提出一种多尺度动态核主元分析方法.使用小波变换分析数据的多尺度特性,借助核函数来解决非线性映射问题,同时解决了噪声和干扰造成的各变量数据具有时间序列动态性问题.在此基础上,提出一种基于矩阵相似度量的核函数参数选优方法.将上述方法应用于TE模型的故障检测过程中,仿真结果表明,该方法提高了过程性能监视和故障检测的准确性,优于线性主元分析法的检测效果.     

基于特征样本核主元分析的TE过程快速故障辨识方法

核主元分析（KPCA）在非线性系统的故障检测方面明显优于普通的PCA方法,但存在无法进行故障辨识以及在故障诊断过程常常出现核矩阵K计算困难等难题。针对上述问题,提出了一种基于特征样本核主元分析方法（FS-KPCA）非线性故障辨识方法。首先采用特征样本（FS）提取方法有效解决核矩阵K的计算量问题。然后利用计算核函数的偏导方法求取KPCA监控中每个原始变量对统计量T²和SPE的贡献率,利用每个变量对监控统计量贡献程度的不同,可以辨识出故障源。将上述方法应用到TE过程,仿真结果表明该方法不仅能够有效辨识故障,而且提高了故障检测和辨识速度。     

基于加权统计局部核主元分析的非线性化工过程微小故障诊断方法

传统统计局部核主元分析（statistical local kernel principal component analysis, SLKPCA）在构造改进残差时未考虑样本的差异性,使得故障样本信息易于被其他样本所掩盖,针对该问题,提出一种基于加权统计局部核主元分析（weighted statistical local kernel principal component analysis, WSLKPCA）的非线性化工过程微小故障诊断方法。该方法首先利用KPCA获取过程的得分向量和特征值并构建初始残差。然后设计了一种基于测试样本与训练样本之间距离的加权策略构建加权改进残差,对含有较强微小故障信息的样本赋予较大权值,以增强故障样本的影响。最后,采用基于测量变量与监控统计量之间的加权互信息构建贡献图以识别故障源变量。在连续搅拌反应釜和田纳西伊斯曼（Tennessee Eastman, TE）化工过程上的仿真结果表明,所提方法具有良好的微小故障检测与识别性能。     

双谱核主元分析在气液两相流流型识别中的应用

针对压差波动信号的非线性和非高斯特性,提出了一种基于高阶谱和核主元分析相结合的流型识别方法。通过对气液两相流压差波动信号的双谱分析,提取了不同流型下信号的非高斯特征,以双谱分析核主元数字特征提取流型的特征,最后利用最小二乘支持向量机对流型进行智能识别。实验结果表明,提取的核主元特征反映了两相流的流动状态,最小二乘支持向量机可以有效地识别水平管道内的4种典型流型,整体识别率达到95%,为流型识别提供了一种有效的方法。     

基于核独立元分析的间歇过程在线监控

针对间歇过程独特的数据特点,提出了一种基于核独立元分析(kernelICA)的局部在线建模监控方法。核独立元分析通过规范相关性将比较函数扩展到一个再生的核希尔伯特空间,并用核的方法在此空间对比较函数进行计算和寻优。对含有多种分布的过程源数据,核独立元分析是一种比独立元分析(ICA)更有效的特征提取方法。对于按批次方向展开的间歇过程历史建模数据,在每一个时间间隔点应用核独立元分析算法提取独立元用于建模,并计算I2和SPE统计量及相应的控制限。此方法不需要对未来测量值进行估计,更重要的是解决了核独立元分析不能直接处理间歇过程高维历史建模数据的难题。仿真结果验证了所提出方法的可行性和有效性,并显示出比传统MICA更好的监控效果。     

一种改进的动态核主元分析故障检测方法

针对复杂工业系统动态非线性故障检测过程精度低和计算量大的问题,提出了一种改进的动态核主元分析故障检测方法，该方法首先利用不可区分度剔除相关程度较小或者不相关变量,减少数据量，然后通过观测值扩展对筛选后的新数据构建增广矩阵，并对矩阵使用核主元分析提取变量数据的非线性空间相关特征，最后通过监测T ²和SPE 两种统计量诊断出系统发生故障及识别故障变量。仿真实验证明，该方法能对风力发电机故障进行有效监测和诊断，与KPCA方法相比，改进的动态核主元分析方法对微小故障更为敏感。     

基于混合函数的KICA-LSSVM故障分类方法及应用

利用核独立成分分析(KICA)进行非线性特征提取,然后用最小二乘支持向量机建立故障分类模型。研究表明,不同核函数对模型的性能有很大影响。利用已有核函数构造混合核函数,提出基于混合核函数的KI-CA-LSSVM故障分类方法,并应用到某石化企业的润滑油生产过程。实验结果表明该方法具有很高的分类和泛化能力。     

基于辅助变量KNN分析的软测量建模方法

提出一种基于辅助变量最近邻（KNN）分析的软测量建模方法,该方法将KNN算法应用于辅助变量分类,根据分类结果,应用核主成分分析（KPCA）和支持向量回归机（SVR）相结合进行软测量建模。KNN分析独立于后继回归模型,却又直接影响模型结构,KPCA作为中间层,在KNN分类结果指导下提取不同类别包含辅助变量高阶信息的特征主元,然后使用SVR建立特征主元和主导变量之间的回归模型。用该方法建立粗汽油干点软测量模型,结果表明KNN-KPCA-SVR（KKS）模型的预测精度和泛化能力优于线性PLS、RBF核函数SVR和KPCA-SVM模型。     

基于核熵独立成分分析的故障检测方法

传统核独立成分分析（KICA）依据特征值的大小进行降维,但是特征值大并不一定取得的信息熵贡献度也是最大的。针对这个问题,提出一种基于核熵独立成分分析（KEICA）的故障检测方法。将训练数据集投影在高维核空间,通过对数据信息熵的贡献大小选取核主成分,并建立独立成分分析（ICA）模型。对训练样本求{\mathit{I}}^{\mathrm{2}}和\mathrm{S}\mathrm{P}\mathrm{E}统计量,并利用核密度估计计算统计量的控制限。计算测试数据对训练数据的核矩阵,将其投影在ICA模型上并计算测试样本的统计量,统计量超出控制限的样本即可被识别为故障样本。将该方法用于非线性数值例子和Tennessee Eastman（TE）过程的故障检测,并与传统的核主成分分析（KPCA）、核熵成分分析（KECA）和KICA方法进行对比,表明KEICA的监测效果优于其他三种方法。     

基于核熵独立成分分析的故障检测方法

传统核独立成分分析（KICA）依据特征值的大小进行降维,但是特征值大并不一定取得的信息熵贡献度也是最大的。针对这个问题,提出一种基于核熵独立成分分析（KEICA）的故障检测方法。将训练数据集投影在高维核空间,通过对数据信息熵的贡献大小选取核主成分,并建立独立成分分析（ICA）模型。对训练样本求{\mathit{I}}^{\mathrm{2}}和\mathrm{S}\mathrm{P}\mathrm{E}统计量,并利用核密度估计计算统计量的控制限。计算测试数据对训练数据的核矩阵,将其投影在ICA模型上并计算测试样本的统计量,统计量超出控制限的样本即可被识别为故障样本。将该方法用于非线性数值例子和Tennessee Eastman（TE）过程的故障检测,并与传统的核主成分分析（KPCA）、核熵成分分析（KECA）和KICA方法进行对比,表明KEICA的监测效果优于其他三种方法。     

基于改进核主成分分析的故障检测与诊断方法

针对传统基于核主成分分析的故障检测方法提取非线性特征时只考虑全局结构而忽略局部近邻结构保持的问题, 提出基于改进核主成分分析的故障检测与诊断方法。改进核主成分分析方法将流形学习保持局部结构的思想融入核主成分分析的目标函数中, 使得到的特征空间不仅具有原始样本空间的整体结构, 还保持样本空间相似的局部近邻结构, 可以包含更丰富的特征信息。在此基础上, 本文使用改进核主成分分析方法把原始变量空间映射到特征空间, 使用费舍尔判别分析在特征空间中构建距离统计量并通过核密度估计确定其控制限, 进一步利用相似度的性能诊断方法识别发生的故障类型。采用Tennessee Eastman过程故障检测数据集进行的仿真实验表明所提方法可以取得较好的效果。     

基于MKECA的非高斯性和非线性共存的间歇过程监测

多向核独立成分分析（multiway kernel independent component analysis,MKICA）在监测间歇过程非高斯性和非线性方面取得了广泛应用,其仅仅是将线性独立成分分析（independent component analysis,ICA）方法利用核主成分分析（kernel principal component analysis,KPCA）白化扩展到非线性领域,但数据经KPCA白化后只考虑数据信息最大化未考虑数据簇结构信息的不足,为解决此问题,采用核熵成分分析（kernel entropy component analysis,KECA）代替KPCA白化的过程监测方法。该方法首先利用AT展开方法将过程三维数据变为二维数据;其次用KECA进行白化处理的同时解决数据的非线性;然后建立ICA监测模型用于非高斯生产过程监测;最后将该方法应用到青霉素发酵仿真和实际的工业过程并与MKICA方法进行对比,验证该方法的有效性。     

基于核主角的故障检测方法

基于主元分析（PCA）的统计检测方法已经被广泛应用于各种化工过程的故障检测和识别.移动主元分析（moving principal component analysis,简称MPCA）算法基于PCA,根据主元子空间的变化来判断故障是否发生.然而,基于主元分析的统计检测方法是线性方法,无法有效应用于非线性系统.因此,提出一种适合于非线性系统的故障检测方法——基于核主角(kernel principal angle,简称KPA)的故障检测方法,其基本思想与MPCA相似,主要内容包括构建特征子空间和核主角测量两部分.TE过程故障检测仿真实验证明,基于核主角的故障检测方法优于传统的多元统计检测方法（cMSPC）和MPCA.     

Improved multi-scale kernel principal component analysis and its application for fault detection

In this paper the multiscale kernel principal component analysis (MSKPCA) based on sliding median filter (SFM) is proposed for fault detection in nonlinear system with outliers. The MSKPCA based on SFM (SFM-MSKPCA) algorithm is first proposed and applied to process monitoring. The advantages of SFM-MSKPCA are: (1) the dynamical multiscale monitoring method is proposed which combining the Kronecker production, the wavelet decomposition technique, the sliding median filter technique and KPCA. The Kronecker production is first used to build the dynamical model; (2) there are more disturbances and noises in dynamical processes compared to static processes. The sliding median filter technique is used to remove the disturbances and noises; (3) SFM-MSKPCA gives nonlinear dynamic interpretation compared to MSPCA; (4) by decomposing the original data into multiple scales, SFM-MSKPCA analyze the dynamical data at different scales, reconstruct scales contained important information by IDWT, eliminate the effects of the noises in the original data compared to kernel principal component analysis (KPCA). To demonstrate the feasibility of the SFM-MSKPCA method, its process monitoring abilities are tested by simulation examples, and compared with the monitoring abilities of the KPCA and MSPCA method on the quantitative basis. The fault detection results and the comparison show the superiority of SFM-MSKPCA in fault detection.     

Decentralized fault diagnosis using multiblock kernel independent component analysis

In this paper, a multiblock kernel independent component analysis (MBKICA) algorithm is proposed. Then a new fault diagnosis approach based on MBKICA is proposed to monitor large-scale processes. MBKICA has superior fault diagnosis ability since variables are grouped and the non-Gaussianity is considered compared to standard kernel methods. The proposed method is applied to fault detection and diagnosis in the continuous annealing process. The proposed decentralized nonlinear approach effectively captures the nonlinear relationship and non-Gaussianity in the block process variables, and shows superior fault diagnosis ability compared to other methods.