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。     

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。     

局部Fisher判别分析算法及仿真研究*

复杂化工过程常被多种类型的故障损坏,正常的训练数据无法建立准确的操作模型。为了提高复杂化工过程中故障的检测和分类能力,传统无监督Fisher判别分析(Fisher Discriminant Analysis,FDA)算法无法在多模态故障数据中的应用,本文提出基于局部Fisher判别分析(Local Fisher Discriminant Analysis,LFDA)的故障诊断方法。首先计算训练数据的局部类内和类间离散度矩阵,寻找LFDA的投影方向;其次把训练数据和测试数据向投影向量上投影,提取特征向量;最后计算特征向量间的欧氏距离,运用KNN分类器进行分类。把提出的LFDA方法应用到Tennessee Eastman(TE)过程,监控结果表明,LFDA的效果好于FDA和核Fisher判别分析(Kernel Fisher Discriminant Analysis,KFDA),说明LFDA方法在分类及检测不同类的故障方面具有高准确性及高灵敏度的优势。     

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。     

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。     

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。     

基于改进粒子群算法的核函数参数优化

针对核主元分析(Kernel Principal Component Analysis, KPCA)的性能极大地受到本身核函数参数影响问题,提出一种新型的聚类KPCA-FDA-IPSO核参数优化方法。该方法结合KPCA特征分析的相关方法,综合考虑样本的类内离散度和类间距离,并通过Fisher判别分析(Fisher Discriminant Analysis, FDA)建立的数学模型,再将传统粒子群优化算法(Particle Swarm Optimization, PSO)改进为具有继承机制的粒子群优化算法(Inheritance PSO,IPSO),并对核函数寻优。通过数据集仿真和应用研究,验证了该方法能有效地优化核函数参数并提高了KPCA的故障诊断性能。     

基于混合KPLS-FDA的过程监控和质量预报方法

提出一种基于核偏最小二乘(KPLS)与费舍尔判别分析(FDA)相结合的过程监控和质量预报方法—–混合 KPLS-FDA 方法.首先,利用 KPLS 提取过程数据的非线性特征,使用 FDA 建立 KPLS 的内部模型;然后,求出满足最大分离度的核 Fisher 特征向量和判别向量来实现状态监测,若系统运行正常,则根据 KPLS 回归模型预报产品的质量,否则利用 Fisher 相似度系数确定故障类型;最后,通过轧钢过程的仿真研究验证了混合 KPLS-FDA 方法的有效性.     

基于特征子空间的滑动窗PCA在批过程故障诊断中的应用

基于传统的多向主元分析MPCA(multiway principal component analysis)常会导致误诊断,且对批过程难以保证在线状态监测和故障诊断的实时性,提出了一种基于特征子空间的滑动窗主元分析方法。在实时故障监测与诊断时,该方法采用适当大小的滑动窗逐步更新当前子数据空间,对当前子数据空间故障的识别通过依次计算其与基底库中各故障的匹配度来进行。这种方法克服了传统的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。     

BDPCA在线过程监测方法

针对基于多向主元分析(Muhiway Principal Component Analysis,MPCA)的方法在批过程故障监测中以样本观测相互独立作为假设前提条件,没有考虑到时间序列相关性的影响及需要对新批次未反应完的数据进行预估的缺陷,提出一种枇过程动态主元分析(Batch Dy-namic PCA,BDPCA)在线监测方法.该方法采用时滞变量将过程的静态和动态特征相结合,有效地去除了测量变量时间序列的自相关关系,并通过时滞窗口提供了在线监测方案,避免了对新批次未反应完的数据进行预估的需要,提出确定时滞变量的算法.将BDPCA应用于β-甘露聚糖酶发酵批过程的仿真监测,与移动窗多向主元分析(Moving Window MPCA.MWMPCA)法相比,仿真结果表明该方法能够更精确地对过程故障行为进行描述,具有良好的准确性和实时性.     

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。     

基于变量展开和时变协方差的连续更新的MPCA及其在批过程故障监测中的应用

针对传统的多向主元分析（MPCA）模型批过程监测的缺陷,提出了一种基于变量展开和协方差随时间变化的连续更新的MPCA批过程故障监测方法。该方法将基于批次展开能够去除采样数据的主要非线性动态性的优点与基于变量展开不需要对被监测的新批次的未反应完的数据进行预估的优点结合起来,用于批过程的故障监测,一旦因此判断出某一新批次过程正常,则模型参考数据库就随之更新。在实时监测新的批过程时,只需利用已收集到的数据信息,并且在线连续地更新模型参考数据库,提高了批过程性能监测的准确性,克服了MPCA不能处理非线性过程和实时性问题。通过采用该方法与传统的MPCA方法对青霉素补料分批发酵过程的实时监测,结果表明该方法比传统的MPCA更适合于对缓慢变化的批过程进行监测,具有更可靠的监测性能。     

分批生产过程的监测与评价

作为“数据挖掘”的基本技术之一的多元统计技术在数据的降维、分析方面有着广泛的应用。鉴于MPCA（Multi-way Principal Component Analysis）在处理批生产数据方面的优越性，以链霉素发酵生产过程为例，用MPCA方法和生产历史数据建立了统计模型，并将模型用来对生产进行实时监视、故障诊断和效果评价。仿真结果证明了该方法有很好的应用效果。     

CUIMWMPCA方法及其在批过程故障监测中的应用*

针对传统的多向主元分析(multiway principal component analysis,MPCA)批过程监测的缺陷,提出了一种连续更新的改进移动窗多向主元分析(consecutively updated improved moving window MPCA,CUIMWMPCA)方法。该方法采用连续更新的多模型非线性结构代替传统的MPCA固定的单模型线性化结构,一旦通过改进的移动窗多向主元分析(improved moving window MPCA,IMWMPCA)判断出某一新批次过程正常,则     

基于自组织神经网络与核密度估计的非线性MPCA在线故障监测

针对多向主元分析(MPCA)不能提取复杂的非线性系统变量间的非线性特性以及T2统计量置信限的确定是以主元得分呈正态分布为假设前提的情况,提出了一种基于自组织神经网络与核密度估计的非线性MPCA在线故障监测方法.该方法用自组织神经网络去提取变量间的非线性特征信息;用核概率密度函数去估计非线性主元的置信限.将该方法应用到β-甘露聚糖酶补料分批发酵过程的在线故障监测中,应用效果表明用非线性主元比用同样数目的线性主元能够获取更多的变量信息,并且用核密度估计置信限的方法比用参数估计的方法能更准确地对故障进行监测.     

一种新的非线性多向主元分析在线故障监测方法

针对多向主元分析(MPCA)不能提取复杂的非线性系统变量间的非线性特性以及T~2统计量置信限的确定是以主元得分呈正态分布为假设前提的情况,提出了一种基于自组织神经网络与核密度估计的非线性MPCA在线故障监测方法。该方法用自组织神经网络去提取变量间的非线性特征信息;用核概率密度函数去估计非线性主元的置信限。将该方法应用到β-甘露聚糖酶补料分批发酵过程的在线故障监测中,应用效果表明用非线性主元比用同样数目的线性主元能够获取更多的变量信息,并且用核密度估计置信限的方法比用参数估计的方法能更准确地对故障进行监测。     

基于KLLDA和ELM的新型模拟电路故障诊断方法

模拟电路是工业设备中最重要的元器件,其故障可能造成重大的人员伤亡,甚至造成巨大的经济损失。针对这一问题,提出一种基于核局部线性判别分析(Kernel Local Linear Discriminant Analysis,KLLDA)的故障诊断方案。利用小波分析和统计分析对原始信号进行预处理,得到原始特征集;利用KLLDA方法进行降维,并与核主成分分析(Kernel Principal Component Analysis,KPCA)和核线性判别分析(Kernel Linear Discriminant Analysis,KLDA)方法进行比较;采用极限学习机(Extreme Learning Machine,ELM)对测试电路的故障进行定位。对两个故障诊断案例的实验结果表明了该方法的有效性,并表明KLLDA在降维方面总体上优于KPCA和KLDA。     

CSMWPCA方法及其在批过程故障诊断中的应用

鉴于传统的多向主元分析（MPCA）难以保证在线状态监测和故障诊断的实时性,提出了一种基于特征子空间的滑动窗主元分析（CSMWPCA）故障监测与诊断方法。在实时故障监测与诊断时,该方法采用适当大小的滑动窗逐步更新当前子数据空间,对当前子数据空间故障的识别通过依次计算其与基底库中各故障的匹配度来进行,克服了传统的MPCA不能处理非线性过程和实时性问题。与一种新的移动窗多向主元分析（MWMPCA）方法相比,CSMWPCA方法能更有效地识别故障发生的原因。     

基于FCM的青霉素发酵分时段统计建模及监控

对间歇过程进行实时监测具有重要的现实意义,传统的多向主元分析方法(MPCA)是用单一的统计模型来表现原始数据的信息,没有考虑到大多数间歇过程由于操作条件或反应进程的改变,不同操作阶段的数据动态特性会不同,同一操作阶段的变量也往往具有高度非线性的特性,因此会导致一些重要信息的缺失。本文针对青霉素发酵过程固有的多时段特性,提出了一种基于模糊C均值算法的分时段过程监控算法,该方法以每个时刻数据矩阵的相似度指标作为聚类输入,以便准确的判断过程特性变化,实现间歇生产过程的阶段划分,进而用MPCA建立多时段过程监控模型,最后再利用相应的统计指标进行过程监测。将该算法应用于青霉素发酵过程的在线监测,实验结果验证了该方法的有效性和可靠性。