基于C-PCA方法的化工过程故障诊断研究

故障诊断对于化工过程安稳运行有极其重要的作用.主元分析(PcA)方法作为一种基于信号处理的数据驱动方法,已广泛应用于工业过程故障诊断中.但该方法在故障类型识别方面,还存在着不足.本文引入CLIPS专家系统,提出了C-PCA方法,增强了故障识别能力.C-PCA方法结合了PCA和CLIPS专家系统2种方法的优点,与单一的方法相比,具有较强的创新性和优越性.并以田纳西伊斯曼过程为例,验证了C-PCA方法在化工过程故障识别和诊断中应用的有效性.     

基于半监督极限学习机的轴承故障诊断

鉴于在实际的应用中滚动轴承的故障信号所属的类别往往是未知的,而且为了得到一定的测试数据需要花费大量的时间,甚至对机械设备造成了一些损害.利用极限学习机训练速度快且泛化能力强的特点,提出了一种基于半监督极限学习机的滚动轴承故障诊断方法,该方法允许在有少量带标签的轴承故障数据的情况下,将带标签的历史数据与新采集到的部分未带标签的数据一起用来训练得到一个最优的诊断模型.首先通过相空间重构将原始一维信号映射到一个高维的相空间,在相空间中提取初始的轴承特征集,然后将特征集输入半监督的极限学习机中进行训练和测试.实验结果表明,这种基于半监督算法的诊断模型简单,在神经元个数较少的情况下仍然具有很好的泛化能力,具有一定的应用价值.     

化工过程通用故障诊断系统开发研究

介绍一个化工过程通用故障诊断系统ＣＰＤＢ，它采用面向对象技术实现知识表示及推理机制，其知识系统及推理系统都具有较强的重用性，可以 建立面向特定过程的实例系统，对某具体过程的仿真研究表明，ＣＰＤＳ的实例系统的建立及其在线运行结果令人满意。     

基于集成学习的半监督情感分类方法研究

情感分类旨在对文本所表达的情感色彩类别进行分类的任务。该文研究基于半监督学习的情感分类方法,即在很少规模的标注样本的基础上,借助非标注样本提高情感分类性能。为了提高半监督学习能力,该文提出了一种基于一致性标签的集成方法,用于融合两种主流的半监督情感分类方法:基于随机特征子空间的协同训练方法和标签传播方法。首先,使用这两种半监督学习方法训练出的分类器对未标注样本进行标注;其次,选取出标注一致的未标注样本;最后,使用这些挑选出的样本更新训练模型。实验结果表明,该方法能够有效降低对未标注样本的误标注率,从而获得比任一种半监督学习方法更好的分类效果。     

化工过程集成化智能故障诊断系统工具的研究

本文针对复杂化工过程故障诊断问题，提出一个集成化智能诊断系统工具。该工具要用以元系统为核心、并行分层的开放式集成化智能软件结构，在知识表达上采用面向对象的知识表达方法，它具有集成化，智能化和自动化的特点。     

一个用于化工过程故障诊断的知识基系统

本文开发研制了一个用于化工过程故障诊断的实时专家系统 CPFD.该系统由动态数据库、知识库、推理机构和人一机界面等部分组成,知识库由带有确定性因子的产生式规则组成,推理机构(即故障诊断问题求解机构)采用不确定性推理、最佳深度优先控制策略与正反向混合搜索策略.该诊断系统已成功地应用于某大型工业催化裂化装置.     

化工过程集成化智能故障诊断系统工具的研究

本文针对复杂化工过程故障诊断问题，提出一个集成化智能诊断系统工具（ＨＦＤＴ）。该工具系统采用以元系统为核心、并行分层的开放式集在化智能软件结构，在知识表达上采用面向对象的知识表达方法，它具有集成化、智能化的自动化的特点。     

基于半监督回归的选择性集成算法

为了提高小数据量的有标记样本问题中学习器的性能,结合半监督学习和选择性集成学习,提出了基于半监督回归的选择性集成算法SSRES。算法基于半监督学习的基本思想,同时使用有标记样本和未标记样本训练学习器从而减少对有标记样本的需求,使用选择性集成算法GRES对不同学习器进行适当的选择,并将选择的结果结合提高学习器的泛化能力。实验结果表明,在小数据量的有标记样本问题中,该算法能够有效地提高学习器的性能。     

基于分类不确定性最小化的半监督集成学习算法

半监督集成是将半监督学习与集成学习相结合的一种学习范式，它一方面通过无标记样本来提高集成学习的多样性，同时解决集成学习样本量不足的问题，另一方面集成多个分类器能够进一步提升半监督学习模型的性能。现有的研究从理论和实践两个角度证明了半监督学习与集成学习之间的互益性。针对当前半监督集成学习算法对无标记样本信息利用不完全的缺陷，文中提出了一种新的基于分类不确定性最小化的半监督集成学习(Classification Uncertainty Minimization-Based Semi-Supervised Ensemble Learning, CUM-SSEL)算法，它引入信息熵作为对无标记样本进行打标的置信度评判标准，通过最小化无标记样本打标过程中的不确定性迭代地训练分类器，实现对无标记样本的高效利用，以增强分类器的泛化性能。在标准的实验数据集上对CUM-SSEL算法的可行性、合理性和有效性进行了验证，实验表明：随着基分类器的增加，CUM-SSEL算法的训练呈现收敛的趋势，同时它能够获得优于Self-Training, Co-Training, Tri-Training, Semi-Boo...     

基于自训练SGAN的调压器半监督故障诊断模型

针对实际工况下调压器标记样本稀缺导致故障诊断效果不佳的问题,基于自训练算法与半监督生成对抗网络(semi-supervisedgenerativeadversarialnetwork,SGAN)设计了故障诊断模型。首先,对燃气调压器一维压力信号进行预处理,得到灰度图像样本。之后,基于深度卷积生成对抗网络,设计SGAN进行特征提取,判别器采用具有共享权值的堆叠鉴别器模型。然后,设计自训练算法,使用训练好的初始分类器预测无标签样本的类别标签。最后,采用重复标记方式将满足要求的样本扩充到有标签样本集重新训练,保存最终的分类器。实验结果表明,在少量调压器标签样本的情况下,所提模型依旧具有良好的性能。     

基于EasyEnsemble的化工过程故障诊断性能改进

化工过程故障诊断中样本数据分布不均衡现象普遍存在.在使用不均衡样本作为训练集建立各类故障诊断分类器时,易出现分类器的识别率偏置于多数类样本的结果,由此产生虽正常状态易识别,但更受关注的故障状态却难以被诊断的现象.针对该问题,本文提出一种基于Easy Ensemble思想的主元分析–支持向量机(Easy Ensemble based principle component analysis–support vector machine,EEPS)故障诊断算法,通过欠采样方法抽取多数类样本子集组建多个新的均衡数据样本集,使用主元分析(principle component analysis,PCA)进行特征提取并使用支持向量机(support vector machine,SVM)算法进行训练,得到多个基于SVM的故障诊断分类器,然后使用Adaboost算法集成最终的分类,从而提高故障诊断准确性.所提方法被用于TE(Tenessee Eastman)化工过程,实验结果表明,EEPS算法能够有效提高分类器在不均衡数据集上的诊断性能和预报能力.     

基于规范变量残差的化工过程微小故障检测与诊断

微小故障因其幅值低而易被噪声和过程扰动所掩盖,并且会随时间慢慢演变成过程中的严重故障.因此,微小故障的检测和诊断变得越来越重要.为了更有效地监测和诊断微小故障,提出了基于规范变量残差的化工过程微小故障检测和诊断方法.首先,对Hankel矩阵执行奇异值分解来获得主元和残差空间并根据过去和未来数据的差异,求得两个不同的规范...     

化工过程故障原因诊断的变量异常顺序法

为对化工过程故障进行实时诊断,建立设了备的主元分析(Principal component analysis,PCA)模型,根据实时数据和PCA模型计算综合指标以在线检测其故障的发生,并提出了PCA模型的在线更新策略,以适应实际过程中工况缓变特性。为在线监测到故障发生时,能确定故障根原因,根据各变量的DCS报警上下限判断其异常状态,并记录各变量出现异常的时间顺序,以供操作人员参考,从而准确地诊断所发生故障的根源。基于过程安全生产指导平台,将所提出的方法实际应用于某炼油厂延迟焦化装置的分馏塔单元,长期在线应用结果表明所提出的在线更新PCA模型能准确地连续检测出故障的发生并适应工况的缓变,而变量异常顺序可帮助操作人员正确地确定故障原因。     

基于收缩极限学习机的故障诊断鲁棒方法

为降低特征噪声对分类性能的影响,提出一种基于极限学习机(extreme learning machine,ELM)的收缩极限学习机鲁棒算法模型(CELM)。采用自编码器对输入数据进行重构,将隐层输出值关于输入的雅克比矩阵的F范数引入到目标函数中,提取出更具鲁棒性的抽象特征表示,利用提取到的新特征对常规的ELM层进行训练,提高方法的鲁棒性。对Mnist、UCI数据集、TE过程数据集以及添加不同强度的混合高斯噪声之后的Mnist数据集进行仿真,实验结果表明,提出的方法较ELM、HELM具有更高的分类精度和更好的鲁棒性。     

流形结构化半监督扩展字典学习的旋转设备故障诊断

针对有标签数据不足及传统故障诊断模型判别性差的问题,本文提出一种流形结构化半监督扩展字典学习(MS-SSEDL)的故障诊断方法.首先,为改善缺少有标签数据而导致模型的识别性能较差问题,在MS-SSEDL模型中提出无标签数据重构误差项,利用无标签数据学习置信度矩阵,从而学习得到扩展字典以增强字典学习的表示性.然后,为增强MS-SSEDL模型的判别性,通过保存数据的流形结构,学习数据中内在几何信息的稀疏表示,增强信号表示能力及字典判别性.最后,在数字图像、轴承故障及齿轮故障公共数据集的实验表明所提MS-SSEDL方法比其他先进方法的识别性能更优越.     

基于改进MPLS的间歇过程监测与故障诊断

针对间歇过程三维数据预处理中不同展开方式的多向偏最小二乘(MPLS)方法在线应用时存在的缺陷,提出改进的MPLS方法。该方法结合传统沿变量展开与批次展开的优势,不仅包含了批次间的信息,在一定程度上去除了过程的非线性及动态性,而且解决了在线应用时数据填充的问题;其次,该方法采用随时间更新的协方差代替固定的主元协方差充分考虑了得分向量的动态特性:最后,引进时变贡献图的故障诊断方法,实现了对故障源的实时跟踪。将该方法应用到工业青霉素发酵过程中,并与传统的MPLS方法进行比较。结果表明:该方法具有更好的监控性能,并能够及时检测故障及跟踪故障源。     

稀疏特征选择在过程工业故障诊断中的应用

提出一种基于稀疏表达的特征选择方法,用训练样本的均值和方差组成优化算法的样本矩阵,测试样本采用与样本矩阵对应的指示向量,采用同伦算法求解优化问题。给出了算法的详细流程,并与传统的B距离法和小波包变换特征选择方法以及近年来常用的稀疏表达分类、稀疏投影保持和稀疏主元分析针对田纳西-伊斯曼过程进行故障诊断结果比较,结果表明所提出的方法故障诊断的误报率较低。     

基于Radviz及其优化的可视化故障诊断方法*

阐述了Radviz（radial visualization）技术,即将高维数据样本非线性的投影到二维目标空间。Vizrank优化能够从数以万计的投影图中评价和确定最好的投影方式;能够快速找到容易被领域专家认可的可视化模型,只需少量输入变量（27）就能够做到数据的可视化,并且有很好的分类效果。在TEP仿真系统中的应用,表明了Radviz及其优化的可视化故障诊断方法可以将正常与故障状态有效地分开。该可视化故障诊断方法具有简单而不失精确性、易于利用领域专家知识、诊断结果直观形象并容易理解等显著优点。     

Dissipativity-based distributed fault diagnosis for plantwide chemical processes

Most modern chemical processes consist of a number of process units interconnected with mass and energy flows, often with energy integration and materials recycle loops. As such, faults (process faults, actuator faults, or sensor faults) often propagate to multiple process units (subsystems), causing significant difficulties in fault diagnosis for plantwide systems. In this paper, a general distributed fault diagnosis approach is proposed for plantwide chemical processes, which takes into account the interactions among process units. The distributed fault diagnostic observers are designed to be sensitive to the local faults (local sensitivity) and insensitive to faults in other process units (remote faults insensitivity) and disturbances. The above requirements are formulated as plantwide dissipativity conditions and the gains for the distributed estimators and residual generators are obtained offline by solving a set of linear matrix inequalities. A case study of heat exchanger network is presented to demonstrate the effectiveness of the proposed approach.     

基于主动学习策略的半监督聚类算法研究

提出一种选择最富信息数据并予以标记的基于主动学习策略的半监督聚类算法。首先, 采用传统K-均值聚类算法对数据集进行粗聚类; 其次, 根据粗聚类结果计算出每个数据隶属于每个类簇的隶属度, 筛选出满足最大与次大隶属度差值小于阈值的候选数据, 并从中选择差值较小的数据作为最富信息的数据进行标记; 最后, 将候选数据集合中未标记数据分组到与每类已被标记数据平均距离最小的类簇中。实验表明, 提出的主动学习策略能够很好地学习到最富信息数据, 基于该学习策略的半监督聚类算法在测试不同数据集时均获得了较高的准确率。