基于多时段MPCA的半导体蚀刻过程监测方法

针对MPCA方法在具有多时段的间歇过程中的故障监测效果不佳的问题,提出一种新的多时段建模方法,首先根据各时间片上的主元个数不同,对过程进行模糊划分,然后利用K均值算法对样本数据聚类得到精确划分,最后按照划分结果在各阶段建立代表性统计分析模型对整个过程进行监控。将该方法用于半导体蚀刻过程的故障监测,并与MPCA方法进行了比较证明该方法具有良好的监控性能,能够及时准确及时的监测出引起产品质量发生变化的故障。     

多段MPCA法监测间歇过程的故障

多向主元分析(MPCA)是监测间歇生产过程故障的较为有效的方法,但由于其自身的线性化特点,故在复杂的非线性动态系统的监测中便不能及时、准确地发现故障。本文就MPCA法的这一缺点提出新的多段MPCA法,根据过程本身的动态特性,将间歇过程分成多阶段,用多个MPCA模型来描述。此法应用于监测青霉素发酵的过程,比普通MPCA能更及时、准确地检测到故障。     

基于RMKMFDA的间歇过程监测与故障诊断

针对间歇过程特点和基于多向主元分析(Multiway Principal Component Analysis,MPCA)的间歇过程监控方法的缺陷,利用核映射在处理非线性过程和Fisher判别分析(Fisher Discriminant Analysis,FDA)在故障诊断能力上的优势,提出了基于递推多模型的核多向Fisher判别式分析(Recursive Multi-model Kernel Multi-way FDA,RMKMFDA)的间歇过程监测与故障诊断方法。该方法采用多模型核多向Fisher判别分析(Multi-model Kernel Multi-way FDA,MKMFDA)非线性结构代替MPCA单模型线性化结构,并提出确定时滞变量的算法;一旦通过MKMFDA监测出某一新批次过程正常,则模型参考数据库就随之更新:在线监控时通过比较核Fisher特征向量之间的欧氏距离来实现,而最优核Fisher判别向量用来鉴别故障类型。该方法在实时监控新的批过程时,只需利用已收集到的数据信息,且在线递推地更新模型参考数据库,提高了间歇过程监控的准确性,克服了MPCA不能处理非线性过程和实时性问题。通过采用RMKMFDA与移动窗多向主元分析(Moving Window MPCA,MWMPCA)方法对青霉素分批补料发酵过程的实时监控,结果表明RMKMFDA比MWMPCA能更及时地监测出过程异常情况,更准确地判断异常发生的原因。     

青霉素发酵过程的多阶段MPCA建模及监控

青霉素发酵过程具有非线性极强、动态特性变化快等特点,机理模型难以建立,过程监控和控制很困难.本文针对以上特点,基于多方向主元分析法(MPCA),研究了多阶段MPCA法对青霉素发酵过程的建模及监控.该方法通过多阶段线性结构改进传统MPCA法的单模型线性化结构,以分段线性建模逼近非线性的方式,弥补传统MPCA法的不足,提高监控的准确度和速度.本文详细地讨论了多阶段MPCA建模方法、原理,并通过在青霉素发酵仿真过程的戍用,验证了该方法的监控效果要好于传统MPCA法,可以更及时地检测到过程故障,从而进一步说明该方法比MPCA法的监控性能更可靠.     

基于PARAFAC2时段划分的间歇过程故障检测

间歇过程的多时段特性直接影响多元统计分析过程建模的准确性。针对间歇过程多时段特性,本文提出一种基于平行因子分解2（PARAFAC2）时段划分的间歇过程故障检测方法,首先对每一个时间片矩阵进行PARAFAC2建模,得到时间片矩阵的模型控制限,然后从间歇过程初始时刻开始,按照时序依次将每个时间片添加到时间块并进行PARAFAC2建模,得到时间块矩阵的模型控制限,通过评估时间片和时间块模型控制限的差异性确定初始时段划分点,并利用时段评价划分指标（PPCI）获取最佳的时段划分结果,最后在所得结果基础上分别对各个时段构建MPCA故障检测模型,实现间歇过程故障检测。所提方法保留了间歇过程三维结构特征和数据的完整性,深入考虑了间歇过程实际运行的时序性,提高了故障检测的准确性。利用青霉素发酵过程仿真实验验证了所提方法的有效性。     

一种新的多阶段改进MPCA间歇过程监视方法的研究

针对间歇生产过程存在的多阶段问题,提出了基于数据动态特性CPV(1)(cumulative percent variance of the first principal component)指标进行模糊聚类实现多阶段软划分的方法,解决了传统分段方式对间歇过程进行硬划分的缺陷,使得过程多阶段划分更加准确。在此基础上建立多阶段具有时变主元协方差的改进MPCA(multiway principal component analysis)模型进行间歇过程的监视。将此方法应用于青霉素发酵过程,验证了该方法的可靠度和有效性。     

基于传递熵的MPCA间歇过程监测方法

传统统计分析方法忽略了变量间作用关系,而传递熵可以有效地表达变量间作用关系,因此提出了一种基于传递熵的MPCA间歇过程监测方法.利用传递熵表达变量间的作用关系,在计算传递熵时采用非参数核密度估计法,利用该方法不依赖于数据先验分布知识的特点来处理非高斯分布的过程数据,通过构建传递熵矩阵,结合滑动窗,实现对间歇过程变量间信息传递的动态表达,最后对传递熵矩阵进行多向主元分析方法(MPCA)建模,实现间歇过程监测.通过青霉素发酵的仿真,结果表明与传统多变量统计过程控制(MSPC)方法作对比,本文监测方法能更及时准确地监测到过程异常.     

基于过渡时段分析的多阶段建模及故障诊断

针对间歇过程多阶段硬化分和误分类导致监控效果不理想的问题,提出了1种基于过渡时段分析的多阶段MPCA监控策略。该方法按照过程动态特性的变化,依据模糊C-均值算法(Fuzzy c-Mean,FCM)将过程数据划分为多个阶段,根据隶属度函数处理过渡阶段数据,建立阶段之间的联系;之后采用动态时间规整算法(Dynamic Time Warping,DTW)将分段后数据非线性化规整对齐,较好地解决了过渡阶段的监控问题,并通过在青霉素发酵过程的应用验证了该方法的有效性。     

一种新的非线性迭推多模型核MFDA的间歇过程监控方法（英文）

针对间歇过程特点和基于多向主元分析(Multiway Principal Component Analysis,MPCA)的间歇过程监控方法的缺陷,利用核映射在处理非线性过程和Fisher判别分析(Fisher Discriminant Analysis,FDA)在故障诊断能力上的优势,提出了基于递推多模型的核多向Fisher判别式分析(Recursive Multi-model Kernel Multi-way FDA,RMKMFDA)的间歇过程监测与故障诊断方法。该方法采用多模型核多向Fisher判别分析(Multi-model Kernel Multi-way FDA,MKMFDA)非线性结构代替MPCA单模型线性化结构,并提出确定时滞变量的算法;一旦通过MKMFDA监测出某一新批次过程正常,则模型参考数据库就随之更新;在线监控时通过比较核Fisher特征向量之间的欧氏距离来实现,而最优核Fisher判别向量用来鉴别故障类型。该方法在实时监控新的批过程时,只需利用已收集到的数据信息,且在线递推地更新模型参考数据库,提高了间歇过程监控的准确性,克服了MPCA不能处理非线性过程和实时性问题。通过采用RMKMFDA与移动窗多向主元分析(Moving Window MPCA,MWMPCA)方法对青霉素分批补料发酵过程的实时监控,结果表明RMKMFDA比MWMPCA能更及时地监测出过程异常情况,更准确地判断异常发生的原因。     

一种新的间歇过程鲁棒在线监控方法

多向主元分析(MPCA)的统计监控模型,因为易受建模数据中离群点的影响,还需预估新批次未反应完的数据,所以提出一种新的间歇过程鲁棒在线监控法。先利用改进尺度的CDC/MVT算法获取常规建模的批次数据;再用多模型非线性结构代替传统的MPCA单模型线性化结构,并提出确定时滞变量的算法。前者用于监控β-甘露聚糖酶发酵批过程,并与移动窗多向主元分析(MWMPCA)法相比,即使建模数据中存在离群点,前者仍能获得正确的监控结果,减少建模时对数据的要求;同时克服了MPCA不能处理实时性的问题,避免了MPCA在线应用时预测值的误差;更能精确描述过程的故障,准确性和实时性良好。     

一种基于信噪比确定主元个数的方法

多段主元分析(MPCA)是针对间歇进行故障诊断一种行之有效的方法.在MPCA中主元个数的确定是模型的关键,关系到主元模型的可靠性、准确性、完备性.传统的累积方差贡献率(CPV)方法确定主元个数主观性较大并且没有考虑故障因素.为了提高检测性能,有效的提取主元,文中提出一种信噪比(SNR)与MPCA相结合选取间歇过程主元个数的方法,SNR表明的是故障诊断的灵敏度和主元个数的影响关系,在确保主元信息充分描述数据的基础上,该方法考虑了故障的信息对主元个数的影响来选取主元.将此方法应用于青霉素间歇发酵过程故障诊断中,仿真结果表明T2统计量和SPE统计量的响应曲线对故障更加敏感,有效地提高了故障诊断的准确率.     

基于FDA-KDE间歇过程在线监控

针对基于传统的多向主元分析(Multiway Principal Component Analysis,MPCA)方法用于间歇过程在线监控时需要对新批次未反应完的数据进行预估,从而易导致误诊断,且统计量控制限的确定是以主元得分呈正态分布为假设前提的缺陷,结合Fisher判别分析(Fisher Discriminant Analysis,FDA)在数据分类及非参数统计方法核密度估计(Kernel Density Estimation,KDE)在计算概率密度函数方面的优势,提出了一种FDA-KDE的间歇过程监控方法。该方法首先利用FDA求取正常工况数据和故障数据的Fisher特征向量和判别向量,获得Fisher特征向量的相似度:然后在提出偏平均集成平方误差(Biased Mean Integrated Squared Error,BMISE)交叉验证法确定KDE的带宽从而获得相似度统计量控制限的基础上,利用已获得的数据测量值对过程进行监控,避免了基于MPCA方法对未来测量值的预估;最后采用基于Fisher判别向量权重的贡献图方法来进行故障诊断。通过对青霉素发酵间歇过程应用表明,所提出的方法比传统的MPCA方法能更及时地监测出过程异常情况,更准确地判断异常发生的原因。     

青霉素发酵过程的2DPCA建模及监测

针对多向主元分析（multi-way principal component analysis,MPCA）算法用于间歇过程实施监控时需要将三维数据转换为高阶的二维矩阵,从而易导致算法的计算量大,且会丢失一些有用信息的情况进行了研究,提出了一种新的间歇过程故障诊断方法——二维主成分分析法（2-dimensional principal component analysis,2DPCA）。该算法首先利用各个批次的二维矩阵构造协方差矩阵,进而求得所有批次协方差矩阵的平均值进行建模,大大降低了计算复杂度,运算时间较MPCA缩短了19/20到3/4,且无须占用太多存储空间;同时,2DPCA计算协方差矩阵较MPCA更为准确,取协方差矩阵的平均值能够更加精确地反映不同类型的故障,在一定程度上增强了故障诊断的准确率。最后,通过将所提出的方法应用于青霉素发酵过程的监控中,验证了该算法的有效性和准确性。     

基于时段及过渡区域的KICA间歇过程监测方法

针对间歇过程时段的切换存在过渡区域,同时,间歇过程数据有着强非线性的特点,提出一种基于时段及过渡区域的KICA间歇过程监测方法。该方法基于MPCA及k-means聚类算法对间歇过程进行子时段划分,并基于第一主元贡献率差值识别时段间的过渡区域,在此基础上,对稳定时段建立统一KICA监测模型,而过渡区域针对各时刻滑动窗口进行KICA建模监测。将该方法应用于青霉素发酵过程在线监测,实验结果表明,相比sub..PCA监测方法,本文基于时段及过渡区域的KICA监测方法能更及时、准确的检测到过渡区域的异常。     

基于子时段MPCA-SVM的间歇过程在线故障诊断

针对基于支持向量机(Support Vector Machine,SVM)的间歇过程故障诊断准确率低的问题,结合间歇过程的时段特性,提出了一种基于子时段MPCA-SVM的间歇过程在线故障诊断方法。首先,利用多向主成分分析(Multi-way principal component analysis,MPCA)提取出间歇过程正常运行状态下的每个采样点的主成分,将相邻的且具有相同主成分个数的采样点归到同一粗划分时段内,再在每一个粗时段内利用相邻采样点的负载矩阵的角度信息作为相似性判据来细化分时段;其次,对每个时段建立MPCA在线过程监测模型,同时,利用MPCA提取每个时段内各个类型故障的特征,并用特征数据建立SVM故障诊断模型;最后,MPCA监测模型实施监测功能,当检测到故障时,相应时段的SVM故障诊断模型进行诊断。将该方法应用于青霉素发酵过程仿真平台进行验证,该方法相比于不分时段的SVM的故障诊断方法,平均可提高故障诊断准确率11%,实验结果表明了该方法的有效性和可行性。     

基于多时段MPCA模型的间歇过程监测方法研究

针对间歇过程的多时段特性, 提出一种新的生产操作时段划分方法. 该方法利用反映过程特性变化的主成分个数、负载矩阵以及主成分矩阵的变化实现间歇过程子时段的三步划分. 根据各时间片主成分个数不同, 对生产操作时段进行粗划分. 为了更客观地反映负载矩阵以及主成分矩阵的相似性, 提出了基于加权负载向量夹角余弦的负载矩阵相似度度量以及基于加权主成分欧氏距离的主成分矩阵相似度度量方法. 以相似度最小原则, 对时间片矩阵进行奖惩竞争聚类, 进而实现了生产操作子时段的细划分. 将基于改进时段划分方法的MPCA建模应用于注塑成型过程在线监测, 实验结果验证了该方法的有效性.     

一种新的非线性FDA间歇过程监控方法

针对间歇过程非线性的特点,将核方法引入到Fisher判别分析(Fisher Discriminant Analysis,FDA)中,提出了基于多模型核多向Fisher判别分析(Multi-model Kernel Multi-way FDA,MKMFDA)的间歇过程非线性监测与故障诊断方法。该方法仅利用已获得的数据测量值对过程进行监控,避免了传统多向主元分析(Multi-way Principal Component Analysis,MPCA)方法对未来测量值的估计;且在线监控时通过比较核Fisher特征向量之间的欧氏距离来实现,而最优核Fisher判别向量用来鉴别故障类型。青霉素发酵过程应用表明,MKMFDA方法比传统的MPCA方法能更及时地监测出过程异常情况,更准确地判断异常发生的原因。     

基于自适应多向独立成分分析的间歇过程监控的研究

针对间歇过程批次与批次之间,操作条件缓慢变化的特性,提出一种基于自适应多向独立成分分析(MICA)的监控算法。该方法首先用MICA法建模,然后在历史数据集中加入新的正常批次并剔除最早批次,逐渐更新模型,同时引入遗忘因子,提高对新过程特性的适应性。青霉素发酵过程的仿真结果表明,自适应MICA比MICA更准确地描述过程行为,并有效减少检测故障时的误报。     

时段划分的多向主元分析间歇过程监测及故障变量追溯

针对间歇过程的多时段特性,提出一种生产过程操作时段划分方法.该方法利用反映过程特性变化的负载矩阵以及主成份矩阵的变化实现了间歇过程子时段的两步划分.提出了基于加权负载向量夹角余弦的负载矩阵相似性度量以及基于加权奇异值变化的奇异值矩阵相似性度量方法,以更客观的反映负载矩阵以及奇异值矩阵的相似性,进而更准确的判断过程特性的变化.根据同一操作子时段的过程特性,其负载矩阵和奇异值矩阵相似性较大的特点,实现了生产过程的子时段划分.将基于子时段划分的多向主元分析(MPCA)建模应用于三水箱系统的在线监测和故障变量追溯,实验结果验证了该方法的有效性.     

基于改进的MPCA与DTW方法及其在批过程故障诊断中的应用

针对传统的多向主元分析(Multiway Principal Component Analysis,MPCA)常会导致误诊断,且对批生产过程难以保证在线状态监测和故障诊断的实时性,提出了一种改进的MPCA与动态时间错位(Dynamitc Time Warping,DTW)方法,该方法采用多模型非线性结构代替传统的MPCA单模型线性化结构,并利用对称式DTW算法解决了多元轨迹同步化的问题。将该方法应用到青霉素发酵批过程的在线故障监测中,结果表明它克服了MPCA不能处理非线性过程和实时性问题,并避免了MPCA在线应用时预报未来测量值带来的误差,提高了批过程性能监测和故障诊断的准确性。