基于多方向主元分析方法的间歇过程性能监视和故障诊断

将多方向主元分析（ＭＰＣＡ）技术应用于间歇生产过程的建模、过程性能监视和故障诊断,ＭＰＣＡ方法唯一需要的信息是过去成功间歇过程数据集合。作为一种有效的数据压缩和信息提取方法,ＭＰＣＡ方法大大降低数据空间结构的维数,消除变量之间的关联性,去除噪声,提高监视系统的鲁棒性,本文针对半导体生产过程中快速热退火间歇过程进行仿真实验研究。仿真结果表明：ＭＰＣＡ方法能够有效地监视间歇过程性能,及时准确诊断引起产     

基于最小窗口MPCA的间歇过程实时监视和故障诊断软件

间歇过程起停频繁，状态变化反复，其过程监视和故障诊断十分困难．实时监视和故障诊断软件在原有DCS系统软、硬件设备基础上，基于最小窗口MPCA非线性多模型建模和监视方法，采用C，VB和MATLAB语言混合编程开发，用于挖掘数据中隐含的信息，解决批次过程实时在线监视和诊断问题．将该套软件应用于某化工过程，能早期预报和诊断异常情况，为操作人员监视和评价过程性能提供了可靠的依据，提高了过程操作的安全性，同时使产品质量提高．     

间歇过程中稳定控制器的设计

对间歇生产过程提出了一种稳定钱棒控制器（ＳＲＣ）的设计方法。该方法是基于解析实正（ＡＲＰ）函数的概念。在此，给出了控制器的模型，分析了控制器的稳定鲁棒性。通过仿真实验表明，这种控制器，可使间歇过程在控制周期内，每一个控制阶段具有较强的性能鲁棒性。     

基于PCI总线高速数据录取系统设计

介绍了ＰＣＩ总线特点及ＡＭＣＣ Ｓ５９３３ＰＣＩ控制器的结构和功能，提出了３种基于ＰＣＩ总线、利用Ｓ５９３３和ＦＰＧＡ设计的高速采集和存储方案，并从性能和结构上进行了比较。     

间歇过程的最优调度策略及应用

给出了间歇过程生产调度问题的概念。它所包括的方面及一般优化数学模型，介绍了整 分段Ｍｏｎｔｅ－Ｃａｒｌｏ优化法，并讨论了这种方法在糖厂煮糖间歇过程的最优调度策略中的应用。     

3DS MAX与AutoCAD结合进行三维技术建模及动画制作方法

分析了３ＤＳ ＭＡＸ与ＡｕｔｏＣＡＤ结合进行三维技术建模的方法,并讲述了二者的特点,各自建模过程 的优点和缺点,及如何将二者结合起来进行三维模建,最后讲述了使用３ＤＳＭＡＸ进行动画设计的要点。     

MCS—48／51／96单片机PC失控的恢复

微机系统受干扰冲击后，表现为程序指针ＰＣ、栈指针ＳＰ、状态字ＰＳＷ及随机存储器ＲＡＭ数据混乱情况具多数。本文以ＭＣＳ－４８／５１／９６单片机为例，深入探讨单片机系统ＰＣ失控后断点的捕获及恢复处理问题。介绍三种方法：陷井软件法、ＣＴＣ监督法及ＰＣ监视法。     

滑动模型MPCA在间歇过程故障检测与诊断中的应用

本文针对间歇生产过程复杂非线性的特点及控制系统的实时监测要求,提出了滑动模型MPCA方法。这种方法首先将三维原始数据空间按不同测量时刻切割成一系列子数据空间,然后根据选取的模型大小将各个时间段中子数据块整合成具有相同数据结构的一系列新的子数据空间,分别建立各个子MPCA模型。滑动模型MPCA方法能够在尽可能小的时间段中监测系统运行状况,能够较好解决间歇生产过程中的非线性问题,并且更好地保证数据信息抽取的完整性。仿真实例验证了该方法的有效性。     

ATM网络性能管理模型及实现方法

ＡＴＭ网络性能管理功能的实现方法就是采用性能监视技术对网络性能的降低作出预防和调整。文章设计了ＯＡＭ监视信元和监视系统结构，提出了性能参数的测量方法及性能管理的结构     

基于多向核熵偏最小二乘的间歇过程监测及质量预测

针对间歇过程数据的批次不等长和强非线性的特点,结合核偏最小二乘和核熵分析,提出了多向核熵偏最小二乘(multi-way kernel entropy partial least squares,MKEPLS)的过程监测及质量预测方法.该方法将三维历史数据沿新的展开方式展开,克服了批次不等长和数据缺失的问题,通过核映射将过程数据从低维输入空间映射到高维特征空间,实现变量之间非线性相关关系的线性转换,解决了数据的非线性特性;根据核熵的大小将特征值和特征向量进行排序并对数据进行降维,弥补了MKPLS方法只按照数据特征值的最大化进行降维的不足.同时,引入核特征提取算法降低核空间的计算量,使其能够在线应用.数值实例和实际工业过程数据的验证效果表明:MKEPLS方法不仅能对故障进行有效监控,提高故障的报警率,同时还能对最终产品质量进行预测.     

基于多向核主元分析的青霉素生产过程在线监测

基于传统主元分析（PCA）方法的过程监测算法假定过程是线性的，对于具有强非线性的生产过程，应用其进行在线监测出现误报率过高的现象.为此提出了一种多向核主元分析（MKPCA）算法用于间歇过程的建模与在线监测.利用PenSim2.0软件将青霉素间歇生产过程的三向数据按批次方向展开为二向数据并进行标准化，采用MKPCA算法建立过程模型并用于过程的在线监测，计算T2、SPE统计量及相应的控制限.仿真结果表明，与传统PCA算法相比，MKPCA算法具有更好的监测性能，不仅大大降低了正常运行过程的误报率，而且能够较早地检测出过程中存在的底物流加速率与搅拌功率故障.MKPCA可以有效处理间歇过程批次间存在的非线性属性，获取过程变量间的非线性关系.     

基于MPCA与DTW的间歇反应过程的性能监视及故障诊断

研究了基于多方向主元分析(MPCA)理论和动态时间错位(DTW)理论对间歇反应过程进行性能监视及故障诊断的方法．多元统计分析理论是根据反应过程的历史批量数据，建立过程的统计数据库、统计数学模型；在此基础上确定过程的统计监控指标，并向各自的统计模型投影，判断其与模型的拟合程度来诊断是否有故障发生．由于间歇反应的各批次物理条件的不同、约束条件的不同，导致批次与批次之间的数据轨迹不同步．动态时间错位(DTW)理论通过搜寻两轨迹的相似特征，适时地对轨迹进行压缩和扩张，从而使其达到一致的程度．这为基于MPCA理论进行故障诊断提供了合理、可靠的数据依据．比较轨迹进行同步化处理前、后的故障诊断结果完全不同。因此，DTW理论的应用在基于MPCA理论进行性能监视及故障诊断中具有重要意义     

基于多向主元分析的多传感器故障诊断

研究一种基于MPCA的多传感器故障诊断方法．这种方法把过程测量空间分为主元子空间和残差子空间．在残差子空间，首先用Q统计指标检测出传感器是否存在故障，如果Q统计指标超限，在主元子空间应用T^2统计量和相应的T^2统计量的贡献率，识别出引起过程异常的主要传感器变量并剔除．然后用同样的方法继续判断其它的传感器故障．仿真实例验证了该方法的有效性．     

基于核主元分析和模式匹配的非线性性能监控和故障诊断

利用核主元分析非线性性能监控的优势,并将相似度分析引入故障诊断领域,提出了基于核主元分析和模式匹配技术相结合的性能监控和故障诊断方法。针对PCA相似度分析存在的问题,对该方法进行了改进。由于KPCA方法具有较好的非线性特性提取能力,因此首先利用KPCA法计算数据的非线性主元,然后计算不同数据集之间的非线性主元相似度;并将主元相似度、非线性主元相似度和基于距离的相似度赋予不同的权值构成综合相似度指标来进行模式匹配。TE过程仿真试验验证了该方法在非线性性能监控与故障诊断中的有效性。     

基于多阶段动态PCA的发酵过程故障监测

针对间隙发酵过程具有多阶段、批次不等长,且过程动态非线性往往与发酵阶段密切相关等特点,提出一种基于多阶段动态主元分析(principal component analysis,PCA)的故障监测策略.该方法采用高斯混合模型(Gaussian mixture model,GMM)对过程数据进行聚类,能客观反映不同阶段操作模态的数据分布特点,可实现子阶段划分.针对各批次阶段划分后存在的不同步问题,采用动态时间错位(dynamic time warping,DTW)方法对各阶段进行轨迹同步,对同步后的子阶段建立动态PCA模型.最后以工业青霉素发酵过程和重组大肠杆菌制备白介素-2发酵过程为背景,采用多阶段动态PCA策略对其进行故障监测,发现算法能有效降低运行过程的漏报和误报率,验证了算法的有效性。     

基于MICA-OCSVM的间歇过程故障监测

针对多向独立成分分析(multi-way independent component analysis,MICA)需要假设过程变量服从非高斯分布的要求,以及MICA基于马氏距离构造的监控统计量会导致故障检测率降低的问题,研究了一种将多向独立成分分析与单类支持向量机(one-class support vector machines,OCSVM)相结合的MICA-OCSVM监测方法.首先采用MICA提取间歇过程所有批次的独立成分;然后分别对每个时刻的所有批次的独立成分进行OCSVM建模,利用确定的决策超平面构造非线性的监控统计量;最后计算所有建模数据的监控统计量,并利用核密度估计确定相应的控制限.将该方法应用到青霉素发酵过程仿真平台,实验结果表明:该方法相比于传统的MICA故障监测方法,无需考虑过程变量服从何种分布,能够有效利用独立成分的结构信息,故障的误报率、漏报率明显降低.     

PCA故障检测方法及应用

基于主元分析（PCA）的传感器故障检测方法中T2和SPE统计量是两个重要指标。首先介绍T2统计量超限而SPE没超限故障检测的方法。利用主元相关变量残差统计量代替平方预测误差SPE统计量,并采用累积方差贡献率确定PCA模型的主元数。该方法避免了SPE统计量的保守性。最后将该方法应用于电厂某机组工作过程检测中,通过仿真验证该方法的有效性。     

间歇过程子阶段PCA建模和在线监测

针对间歇过程的多阶段特性,提出一种新的子阶段主元分析(principal component analysis,PCA)监测方法.首先,将间歇过程三维数据沿时间片展开,采用模糊模式识别方法计算相邻时间片负载矩阵变量方向重心的格贴近度,以最小贴近度为原则,根据格贴近度的变化,实现子阶段的划分;然后,在划分的子阶段内采用一种先沿批次后沿变量的改进展开方式建立PCA监控模型;最后,将该算法应用于青霉素发酵仿真系统的在线监测.结果表明该方法在监控过程中能够有效降低误报和漏报.