基于GMM的多模态过程模态识别与过程监测

多模态复杂过程的多变量、多工序、变量时变性以及模态转换时间不确定等多种原因, 导致面向多模态生产过程的监测问题十分复杂. 对此, 基于高斯混合模型的监测方法, 结合定性知识和定量知识, 解决了多模态过程监测中离线数据模态划分、稳定模态和过渡模态的监测模型建立以及在线数据的模态识别等关键问题, 最终实现了对多模态过程的监测.     

基于概率密度PCA的多模态过程故障检测

为了提高故障检测和分类能力,提出基于概率密度PCA的多模态过程故障检测算法。对各模态的训练数据建立PCA模型,计算各个模型的控制限和匹配系数。根据匹配系数计算各模态统一的控制限。对新来的数据,运用概率密度确定其模态。新来数据向对应模态的模型上投影并计算统一的统计量,比较统计量与控制限进行多模态过程故障检测。把该方法应用到数值例子和半导体过程中,仿真结果表明,该算法在分类及多模态过程故障检测方面具有很高的准确性。     

基于统计差分LPP的多模态间歇过程故障检测

针对工业过程数据存在的非高斯和多模态特性,提出一种基于统计差分LPP的多模态间歇过程故障检测方法。首先将统计模量分析的方法应用到间歇过程训练数据集中,计算统计过程变量的均值和方差,将不等长的批次变成等长的统计量,保证统计模量近似服从高斯分布;然后运用差分算法使多模态变为单模态,最后运用LPP算法进行降维和特征提取,计算样本的T2统计量,并利用核密度估计确定控制限。对于新来的测试样本数据统计差分处理后,向LPP模型上进行投影,计算新数据的T2统计量并与控制限比较进行故障检测。最后通过半导体过程数据的仿真结果表明,该算法的故障检测效果最好,验证了所提方法的有效性。     

基于差分的动态加权SVDD在多模态过程故障检测中的应用

传统SVDD作为一种单模态静态故障检测算法,对多模态动态过程故障的检测难以保证其检测的准确性和实时性。为了解决这一问题,提出一种基于近邻差分加权动态SVDD检测方法（NND-DWSVDD）。首先利用NND剔除数据多模态结构,保证过程数据服从单峰分布;对差分处理后的数据引入动态方法并加入权值将有用的信息凸显出来;最后利用SVDD方法建立监测模型实现在线监测。NND-DWSVDD提高了多模态动态过程故障检测率,对于多模态动态过程故障检测,NND-DWSVDD不要求多模型建模,只需单独的一个模型,符合单模态故障检测要求。通过多模态数值例子和半导体生产过程数据对该方法的有效性进行了验证。     

基于TSNS-RAE的多模态过程故障检测

根据多模态工业生产过程的数据特点,提出基于时空近邻标准化和鲁棒自编码器(TSNS-RAE)的故障检测方法;TSNS处理数据时同时考虑了样本的时间近邻和空间近邻,可以消除数据动态性和多模态特征;相比于普通的自编码器,鲁棒自编码器提升了模型的抗噪性和鲁棒性,具有更好的提取非线性特征的能力;TSNS-RAE模型将原始数据空间分成模型空间和残差空间两部分,选择残差空间的SPE统计量作为监控统计量,通过数值案例和青霉素实验来验证TSNS-RAE的可行性。     

基于YOLO的多模态特征差分注意融合行人检测

针对可见光模态与热红外模态间的差异问题和如何充分利用多模态信息进行行人检测,本文提出了一种基于YOLO的多模态特征差分注意融合行人检测方法.该方法首先利用YOLOv3深度神经网络的特征提取主干分别提取多模态特征;其次在对应多模态特征层之间嵌入模态特征差分注意模块充分挖掘模态间的差异信息,并经过注意机制强化差异特征表示进而改善特征融合质量,再将差异信息分别反馈到多模态特征提取主干中,提升网络对多模态互补信息的学习融合能力;然后对多模态特征进行分层融合得到融合后的多尺度特征;最后在多尺度特征层上进行目标检测,预测行人目标的概率和位置.在KAIST和LLVIP公开多模态行人检测据集上的实验结果表明,提出的多模态行人检测方法能有效解决模态间的差异问题,实现多模态信息的充分利用,具有较高的检测精度和速度,具有实际应用价值.     

基于广义凸下界估计的多模态差分进化算法

针对多模态优化问题,提出了基于广义凸下界估计模型的改进差分进化算法。首先,基于模型变换方法将原优化问题转变为单位单纯形约束条件下的严格递增射线凸优化问题;其次,基于广义凸理论,利用差分进化算法中更新个体的适应度知识,建立原优化问题广义凸下界估计模型,设计实现了基于 N-叉树的估计模型快速计算方法;进而,综合考虑原问题目标值与其估计值之间的差异,提出一种基于有偏采样的小生境指标,并设计区域进化树更新策略来保证算法的局部搜索能力。数值实验结果表明,提出的算法能够有效地发现并维持一定数量的满意解模态,动态地实现全局模态搜索到模态内局部增强的自适应平滑过渡。对于给出的测试问题,能够发现所有的全局最优解以及一些较好的局部极值解。     

基于LNS-DEWKECA算法的多模态工业过程故障检测

受市场需求主导,工业过程需要在多种工作模态下切换,数据往往呈现多模态复杂分布特性,研究多模态的故障检测技术对于保障工业过程的安全运行具有重要意义.为此,提出一种基于局部近邻标准化(LNS)和方向熵加权核熵成分分析(DEWKECA)的故障检测算法.利用LNS实现多模态数据的标准化,相比于全局标准化,LNS可以有效消除多模态特性;考虑到故障样本与正常样本在变化趋势上的差异,定义样本变化方向的信息熵为方向熵,用来衡量样本变化方向的无序程度,从而利用DEWKECA实现数据降维,可以更有效提取数据变化方向特征;考虑到多模态数据往往服从非高斯分布,采用局部离群因子(LOF)算法建立监控统计量,根据核密度估计确定其控制限.最后,通过数值例子及TE过程仿真验证所提出算法的有效性.     

基于标准距离k近邻的多模态过程故障检测策略

工业产品的生产经常需要在不同模态间切换,多模态过程数据具有多中心和方差差异大等特点.针对多模态过程数据的特征,通过构造标准距离,提出了基于标准距离k近邻的故障检测策略(SD–kNN).首先在标准距离度量下计算样本与其前k近邻的距离;其次将近邻距离的平方和的均值作为样本的统计量D~2;最后,根据D~2的分布确定检测方法的控制限,当新样本的D~2大于控制限时,判定其为故障,否则为正常.标准距离使不同模态中样本间的近邻距离能够在同一尺度下度量,使得SD–kNN的D~2能够准确反映样本间的相似程度.进行了数值模拟过程和青霉素发酵过程故障检测实验. SD–kNN方法检测出了数值模拟过程的全部故障和青霉素过程95%以上的故障,相对于PCA, kPCA, FD–kNN等方法具有更高的故障检测率. SD–kNN继承了FD–kNN对一般多模态过程的故障检测能力,还能够对方差差异显著的多模态过程进行故障检测.     

多模态过程中新模态过程建模方法

多模态过程中新出现的模态过程短期内无法获得充足的建模数据,且传统统计控制方法无法有效地估计过程特性.鉴于此,提出一种基于历史模型数据相关特性建立初步模型的方法,充分利用已有多模态历史数据的相关特性,从历史数据中寻找与当前数据特征相似的数据进行补充,建立初始模型,并利用新积累的数据迭代初步模型,逐步实现准确描述过程特性的算法.通过在田纳西-伊斯曼过程中的大量仿真,表明了所提出方法的可行性和有效性.     

基于稀疏残差距离的多工况过程故障检测方法研究

针对多工况过程,本文提出一种新的基于稀疏残差距离（Sparse residual distance,SRD）统计指标的故障检测方法.首先对正常的多工况标准化后数据直接进行稀疏分解,提取多个工况数据间相关关系,得到字典和对应的稀疏编码,以便构建全局检测模型,避免分工况且突出数据特征.然后计算正常多工况数据的近似值,构建稀疏残差空间,提出计算稀疏残差k近邻距离构建故障检测统计量,利用k近邻捕捉过程具有的非线性、多工况特征.最后通过数值案例和TE（Tennessee Eastman）生产过程进行仿真实验,验证了所提方法的有效性.     

基于自适应PCA的高频电源故障检测

针对高频电源故障检测问题,考虑系统的时变性和各变量之间的相关性,在传统主元分析(Principal Component Analysis,PCA)的基础上,引入实时模型更新,提出一种改进的自适应主元分析方法。首先,正常工况下建立历史数据矩阵,对实时采集的无故障数据进行相似度计算,决定模型的局部更新,结合历史数据和更新数据进行协方差矩阵的权重分配,然后,建立新的主元模型,最后使用SPE和T2结合的统计量进行在线故障检测。Matlab环境下,对高频电源现场数据进行仿真验证,表明该方法具有较好的实时性和准确性。     

利用主元方法进行传感器故障检测的行为分析

主元分析方法(PCA)是基于多元统计分析的过程监测和故障诊断手段。在假设过程只存在传感器故障的情况下，系统地分析了PCA方法在传感器典型故障下的检测行为。首先导出了Hoteuing T^2和Q两个检测统计量在传感器不同故障下的变化关系和规律，然后从理论上给出了每个传感器故障的可检测性条件。最后通过火电厂锅炉过程中传感器故障检测实例验证了所得到的结论。     

基于改进主元分析方法的化工生产过程的故障检测

针对化工生产过程中出现的对于过程影响较小的故障,提出一种改进主元分析方法,该方法引入了主元子空间之间的差别的概念.仿真研究中,将该方法与传统的主元分析方法同时应用于TE过程中,结果表明改进主元分析方法比传统的主元分析方法(PCA)能更好的检测出对于过程影响较小的故障.     

小波变换在故障检测中的应用

提出一种基于小波分析的动态系统故障检测方法.该方法不需要模型,具有灵敏度高、克服噪声能力强的特点.仿真研究取得了满意的效果.     

基于PCA多变量统计的故障检测与诊断

主元分析(PCA)是一种能够对过程生产进行监测和质量控制的有效方法,在保证数据信息丢失最少的情况下,大大降低了原始数据空间的维数。为了更好地进行故障检测与诊断,介绍了基于PCA多变量统计的故障检测与诊断,给出了广泛应用在多变量统计过程上的T2和Q(或SPE)统计量。利用PCA分析建模可以消除变量间的非线性关联,降低噪声影响。用田纳西-伊斯曼过程TEP(Tennessee-Eastman Process)平台产生仿真数据,并利用Matlab软件建立故障检测与诊断模型。通过T2和Q(或SPE)统计量与其阈值的判断,进行对系统的故障检测与诊断。实验表明,基于PCA的故障诊断方法能够对过程的非正常变化做出反应,也能较正确地找出发生故障的原因以及相应环节。     

基于脉冲响应函数的正交小波变换系数的故障检测方法

提出了一种基于连续系统脉冲响应函数的正交小波变换系统的故障检测方法。该方法无需对象的数学模型,具有计算量小、故障判决过程简单、实时性较好等优点。     

基于小波变换的柴油机故障智能检测新方法

提出了一种智能检测柴油机喷油压力信号特征点的新方法,可以对柴油机一些常见故障进行不停机的检测。通过对油压信号特征的分析,对之进行了连续小波变换,根据油压信号在不同阶段的频率特征选定相应尺度的小波系数,然后利用这些小波系数的模极小值进行特征点的检测。将现场实测信号在Madab中进行仿真,建立了喷油系统正常工作时的模板向量。实验证明该方法的准确率高,而且便于在各种数字信号处理终端中实现,是有效可行的。     

动态局部邻域主多项式分析故障检测研究

针对复杂工业过程中存在的动态性、多模态及非线性等特征,提出一种动态局部邻域主多项式分析(DNSPPA)的故障检测算法。首先,设置一定长度的时间窗来描述样本点之间的时序相关关系;其次,寻找时间窗内样本在空间方向上的局部近邻集,利用近邻集对数据样本进行标准化处理;最后,在标准化处理后的数据上建立PPA模型,计算统计量并确立控制限进行故障检测。DNSPPA方法能解决复杂工业过程中的动态时序问题和多模态数据中心漂移的问题,从而降低多模态结构对PPA检测性能的影响。使用具有动态特征的多模态非线性数值例子和青霉素数据对DNSPPA方法进行仿真测试,并与主元分析法(PCA)、主多项式分析法(PPA)进行对比,仿真结果表明,DNSPPA方法能更加及时地检测到故障,且故障检测率较高。     

基于二维主成分分析的运动目标检测

运动目标检测是计算机视觉研究的重要领域,在视频监控和智能交通等领域应用广泛.本文提出了一种自适应的运动目标检测方法.该方法采用二维主成分分析建立背景模型,通过比较重建图像和原图像的差异来检测运动目标.为了自适应动态变化的复杂背景,该模型由增量算法在线更新.实验结果表明,提出的方法可以在复杂变化的动态背景环境下进行有效的运动目标检测.