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。     

基于多核支持向量机的多模态过程故障检测

针对具有多模态、非线性特征的复杂分布数据的工业过程,提出一种基于局部相对概率密度（LRPD）的多核支持向量机（MKSVM）故障检测方法LRPD-MKSVM。首先,计算训练样本的局部概率密度矩阵并进行标准化处理,来消除数据的多模态特性;其次,运用标准化后的概率密度矩阵训练多核SVM模型,获得判别分类函数;之后,将测试数据的概率密度矩阵作为多核SVM模型的输入,对其进行分类;最后,将该方法应用于TE多模态工业过程,分别与基于单核的高斯核函数SVM(RBFSVM)、多项式核函数SVM(POLYSVM)分类方法 对比分析,结果表明：基于多核SVM方法的分类正确率明显优于单核SVM方法。     

基于核相似度支持向量数据描述的间歇过程监测

基于支持向量数据描述的间歇过程监测方法选择历史过程数据中最大的核距离作为控制限,忽略了高维空间中超球体的不规则性,导致基于该方法的过程监测精度不高。针对上述问题,提出了一种基于核相似度支持向量数据描述的间歇过程监测方法,将间歇过程数据待监测样本与支持向量之间的核函数值作为相似度权重,利用该相似度对不同时刻的支持向量球心距加权求和,得到待监测间歇过程数据样本的动态控制限,通过判断待监测样本的球心距是否超过其动态控制限,实现间歇过程监测。所提方法综合考虑了超球体的不规则性和过程数据在高维空间分布的局部特性,以及间歇过程数据待监测样本的时变性,提高了间歇过程监测的准确性。利用数值仿真实验和半导体金属刻蚀实验验证了该方法的有效性。     

一种不等长的多模态间歇过程故障检测方法

提出一种不等长的多模态间歇过程故障检测方法。首先,运用局部加权算法对不等长批次数据进行预处理。在训练样本中确定不等长数据的最大可保留长度,利用k近邻信息,通过加权重构出不等长批次缺失的数据点。其次,对等长的训练集构造局部近邻标准化矩阵,运用K-means算法进行模态聚类,使用局部离群因子方法确定第一控制限,并剔除离群样本。最后,对各个模态建立MPCA模型并确定第二控制限。根据各个模态控制限的匹配系数计算统一的统计量和控制限,在统一的控制限下进行多模态故障检测。将提出方法应用于半导体工业过程,仿真结果表明,与传统的故障检测算法相比,本文算法提高了故障检测率,验证了该方法的有效性。     

基于局部相对概率密度kNN的多模态过程故障检测

针对多模态过程数据方差差异明显的空间分布特点,提出一种基于局部相对概率密度k近邻(LRPD-kNN)的多模态过程故障检测方法。首先对训练数据进行标准化,计算训练数据的局部相对概率密度估计值,消除多模态数据的方差差异。然后,对预处理后的数据建立kNN模型,计算统计量和控制限。对于测试数据,计算与训练数据局部相对概率密度的欧式距离平方和,通过比较统计量与控制限进行多模态故障检测。将该方法应用到数值例子和半导体生产过程,仿真结果表明,提出的算法效果要优于PCA、kNN和局部离群因子(LOF)方法,说明算法在方差差异较大的多模态过程故障检测方面具有很高的准确性。     

基于二阶差商LPP的多模态过程故障检测

为了提高局部保持投影(LPP)算法在各模态离散程度差异较大的多模态过程中故障检测性能,提出了一种新的基于二阶差商LPP(SODQ-LPP)的多模态过程故障检测方法。首先对多模态过程训练数据进行二阶差商预处理,消除模态间的方差差异,然后运用LPP算法进行降维和特征提取,计算样本的统计量,并利用核密度估计(KDE)确定控制限。对于新来的校验样本数据进行二阶差商处理后,向LPP模型上进行投影,计算新数据的统计量并与控制限比较进行故障检测。最后通过多模态数值例子和半导体过程数据的仿真实验结果验证了该算法的有效性。     

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MKPLS和SQP方法的间歇过程迭代优化控制

采用多向核偏最小二乘（MKPLS）方法建立间歇过程的模型并进行操作条件的优化。由于存在模型失配和未知扰动，基于MKPLS模型的最优控制轨迹在实际对象上往往难以实现最优的产品质量指标。本文利用间歇过程批次间的重复特性与序贯二次规划（SQP）优化算法中迭代计算的相似特点，提出了一种基于MKPLS模型的批次间优化调整策略，使得经过逐步优化调整得到的控制轨迹作用于实际对象时，可以得到更优的质量指标。该方法的有效性在苯乙烯聚合反应器和乙醇流加发酵过程的仿真对象上得到了验证。     

基于定性仿真的间歇过程误操作后果分析

引言间歇过程广泛存在于工业生产领域,如化工、半导体生产等领域[1]。与连续过程相比,间歇过程自动化水平较低,涉及更多的手动操作,容易发生误操作,进而导致灾难性的后果[2]。因此预先分析可能发生的误操作导致的后果,有利于工厂有针对性地采取措施,有效避免将导致危害的误操作的发     

局部最小二乘支持向量机回归在线建模方法及其在间歇过程的应用

当间歇生产切换于不同的工艺条件时,由于新工况下的样本一般很少,且批次间存在着不确定性（由于原材料波动或过程动态特性波动等）,基于全局学习的建模方法（如最小二乘支持向量机回归,LSSVR）建立的模型泛化性能不强。将局部学习融入LSSVR中,提出一种局部LSSVR（local LSSVR, LLSSVR）的间歇过程在线建模方法。结合前一批次离线优化后的LSSVR参数,针对待预测新样本在线选择与之相关的近邻样本集并基于此进行建模。以建立青霉素发酵过程的菌体浓度为例,验证了LLSSVR算法能够从过程的第2个生产批次开始在线建立较准确的预报模型,较LSSVR有着更好的推广能力、适应性和鲁棒性。     

基于MPCA-MDPLS的间歇过程的故障诊断

针对间歇过程的故障诊断问题,提出了一种新的混合模型方法——MPCA-MDPLS.这种方法包括两个模型：多向主元分析(MPCA)模型和多向判别部分最小二乘(MDPLS)模型.这两个模型的建模数据不仅包括正常工况的数据,而且还包含了各种已知故障数据.因此,MPCA模型具有检测未知故障的能力.给出了MDPLS模型故障诊断限,对经MPCA模型检测不是未知故障的故障做进一步诊断.如果故障是未知的,可以采取其他的方法来分析新的故障,并按不同类别存入到数据库中.当多次出现这种故障之后（一般≥5次）,把新的故障数据加入到建模数据中,并重新建立MPCA-MDPLS模型.通过对实际工业链霉素发酵过程数据的分析,表明了提出的算法是可行的、有效的,并具有识别未知新故障的能力.     

基于距离空间统计量分析的多模态过程无监督故障检测

工业过程往往运行于多个生产模态,针对多模态过程数据的空间分布特点,提出了一种新的基于样本距离空间统计量分析的故障检测方法(DSSA)。首先用每一个样本与其训练集样本中的邻居之间的k个最近邻距离之差来表示该样本,将样本从原始变量空间映射到对应的距离空间中。然后在距离空间中通过移动窗口的方式计算各阶统计量,最后对由各阶统计量组成的统计量样本进行主元分析(PCA)。将DSSA方法、PCA方法以及另一种基于k近邻规则的多模态故障检测方法(FD-kNN)应用于TE过程中,仿真结果表明DSSA方法对多模态故障检测更为有效。     

基于核Fisher包络分析的间歇过程故障诊断

随着间歇过程越来越受重视,其过程监控和故障诊断技术也成为研究热点。以核Fisher判别分析为基础,提出了基于核Fisher的正常工况与故障包络面模型,给出了基于该模型的在线故障诊断流程。此方法利用了Fisher判别分析对类别的划分特点,分别针对正常工况数据和各故障类型数据建立包络曲面模型。与多向Fisher判别分析相比,该方法按批次方向将数据展开,能够解决生产周期不一致问题,在线故障诊断时也不需要预报完整的生产轨迹,并且加入核函数来处理复杂的非线性。最后在青霉素发酵过程的仿真平台上对该方法进行测试,与改进多向Fisher判别分析方法进行对比,该方法获得了满意的诊断效果：能够及早诊断出故障的发生,并在有效识别已有故障的同时还具有对新故障的自学习能力。