基于潜变量自回归算法的化工过程动态监测方法

从建立潜变量自回归（AR）模型的角度出发，提出了一种基于潜变量自回归（LVAR）算法的化工过程动态建模与监测方法，旨在提取动态潜变量的同时给出各潜变量的AR模型。LVAR算法在最小化潜变量的AR模型残差的约束下，通过同时搜寻投影变换向量与AR系数向量，实现了对动态潜变量的特征提取及其AR模型的建立。此外，LVAR算法通过先提取动态潜变量后提取静态成分信息的方式，有效地区分了采样数据中的自相关性与交叉相关性。在对比实验中，通过比较分析LVAR方法与其他三种典型的动态过程监测方法在经典化工过程对象上的故障监测结果，验证了LVAR方法在动态过程监测上的优越性与可靠性。     

基于潜变量自回归算法的化工过程动态监测方法

从建立潜变量自回归(AR)模型的角度出发,提出了一种基于潜变量自回归(LVAR)算法的化工过程动态建模与监测方法,旨在提取动态潜变量的同时给出各潜变量的AR模型。LVAR算法在最小化潜变量的AR模型残差的约束下,通过同时搜寻投影变换向量与AR系数向量,实现了对动态潜变量的特征提取及其AR模型的建立。此外,LVAR算法通过先提取动态潜变量后提取静态成分信息的方式,有效地区分了采样数据中的自相关性与交叉相关性。在对比实验中,通过比较分析LVAR方法与其他三种典型的动态过程监测方法在经典化工过程对象上的故障监测结果,验证了LVAR方法在动态过程监测上的优越性与可靠性。关键词:主成分分析;故障检测;缺失数据;过程系统     

基于多元统计方法的过程单元缓变故障识别

在实际化工生产过程中存在一些缓变故障,在发生的初期过程偏离正常工况的程度较少,且受生产数据噪声的影响,不易被传统过程监测方法及时发现。本文针对缓变故障的特点,提出了一种基于偏最小二乘法-主元分析法（PLS-PCA）的过程监测方法。首先利用偏最小二乘法（PLS）回归提取出各变量之间的关系,通过获取变量实测值与回归预测值之间的误差,以放大装置运行状态与预设状态之间的偏差,在此基础上建立基于主元分析法（PCA）的过程监测模型,实现了对缓变故障的早期识别。该过程监测模型被应用在某制氢装置预转化反应器上,结果表明该方法对缓变故障具有较好的早期识别效果,能够比工程师提前13h,比基于传统PCA的过程监测模型提前8h。     

动态因子分析模型及其在过程监控中的应用

在复杂工业系统的监控中,因子分析（FA）方法不需要专业的机理知识,应用系统日常运行数据建立模型,充分考虑了模型误差的普遍意义,具有较大的推广价值。针对实际过程的动态特性,基于自回归（AR）方式扩展过程变量数据矩阵,本文提出一种动态因子分析（DFA）的数据建模方法,充分提取了变量的自相关信息和互相关信息。另一方面,将DFA引入过程监控中,构建统计量作为监控指标,分别衡量变量的特征信息和误差信息,从而实现对动态过程运行状况的监控与评估。在Tennessee-Eastman（TE）过程中的应用研究,反映了这种方法的优越性。     

基于分离系数校正的稀土萃取流程模拟

由于基于稀土萃取机理的流程仿真模型没有考虑萃取槽的萃取效率,导致模型输出的各级组分含量难以符合工业实际工况,为此,本文将机理模型与数据驱动的方法相结合,建立基于分离系数校正的稀土萃取流程模拟。首先,在相对分离系数的稀土萃取流程机理模型的基础上,引入分离系数校正值,实现对稀土萃取机理模型的扩充;其次,运用数据驱动方法,利用斐波那契树优化算法对各级校正值进行优化求解,并使用MATLAB GUI,开发稀土萃取流程模拟系统;最后,结合工业现场实际数据,验证本文流程模拟在工况改变时的动态性能,结果表明本文所建流程模拟符合稀土萃取流程实际工况。     

软测量在橡胶混炼过程建模中的应用

介绍软测量技术在橡胶混炼过程中的应用。软测量技术的关键是建模，橡胶混炼过程建模主要有基于机理和基于数据驱动两种方法。由于混炼过程的复杂性，基于机理的建模方法在实际应用中受到限制，仅用于估算或定性分析；而基于数据驱动的建模方法对过程知识要求较低且具有自学习功能，因而得到快速发展。混炼过程模型还受辅助变量、数据预处理的影响，且模型建立后还需进行校正，目前对数据预处理和模型校正的研究还较少。     

基于过程迁移的间歇过程终点质量预报方法

提出了一种基于过程迁移的间歇过程质量预报方法,旨在解决新间歇过程数据不足难以建立准确预报模型的问题。该方法基于多元统计回归分析模型,通过构建相似间歇过程间的共同潜变量空间,将已有相似间歇过程的数据信息迁移应用到未建模的新间歇过程中,实现新间歇过程的快速建模和质量预报。在线应用时,利用在线数据不断更新过程迁移模型;同时,实时估计模型预测误差的置信区间,判断预报模型预测误差的稳定性;为克服相似过程间可能存在的差异给迁移模型带来的不利影响,根据数据相似度逐步剔除相似间歇过程数据。最后,通过仿真实验验证了所提方法的有效性。     

PDPSO优化多阶段AR-PCA间歇过程监测方法

针对间歇过程固有的多阶段特性和动态性,提出基于种群多样性的自适应惯性权重粒子群算法（PDPSO）优化的多阶段自回归主元分析（AR-PCA）间歇过程监测方法。该方法引入了PDPSO算法指导AP聚类偏向参数的选取,避免了传统方法依据聚类评价指标选取参考度时的盲目性。对PDPSO优化AP聚类的多阶段发酵过程的数据样本建立AR-PCA模型能够消除各阶段的动态性及变量之间的自相关和互相关影响。最后,对自回归（AR）模型的残差矩阵建立主成分分析（PCA）模型用于发酵过程监测。将该方法应用到青霉素发酵过程,并与传统方法进行对比,结果表明,该方法能够有效进行间歇过程阶段划分并降低故障的漏报和误报。     

基于EM算法的青霉素发酵过程多阶段融合建模

青霉素发酵过程具有明显的阶段特征,该特征从一些关键操作变量信息中能够得到反映.本文从反应过程的多个操作变量中,选取关键过程变量--冷水流加速率作为调度变量,并采用模糊C均值聚类算法对其进行分类,各聚类中心作为青霉素发酵过程的主要工况点;基于EM算法围绕不同工况点建立局部子模型,最后根据采样数据阶段特征的后验分布将各子模型融合.基于此方法采用Pensim仿真平台数据,能够辨识数据的阶段特征,并建立青霉素发酵过程的融合模型.仿真结果表明该模型具有较高的拟合精度,能对该发酵过程的主导变量进行比较精确的预测.     

用于催化裂化装置产率预测的Filter-Wrapper特征变量选择方法

催化裂化过程是重质油轻质化的重要手段,为了研究操作条件、原料性质等因素对产品分布的影响,通常需要对催化裂化过程建立准确可靠的数学模型。选择合适的输入变量对模型预测效果有着较大的影响,而在现有的催化裂化装置模型中,输入变量的选取主要依赖于对催化裂化机理的理解。本文从数据驱动建模的角度出发,提出一种Filter法与Wrapper法联合使用的特征子集选择方法。该方法在输入变量选取的过程中不依赖于催化裂化的先验知识,是一种数据驱动的自发的特征变量选择过程。以某炼油厂催化裂化装置为研究对象,利用该装置的生产数据分别选择用于干气和焦炭产率预测模型的输入变量,建立了预测精度高、输入变量数目适中的模型。此外,该方法为催化裂化装置建模的变量选取提供了新角度。     

Supervised sparse preserving projections model based on distributed principal component analysis for chemical process monitoring

For the monitoring of large-scale chemical processes, the distributed method is often used to extract local feature information and model the extracted local feature information to obtain a process monitoring model. But the distributed process monitoring model often contains more process variables, which makes the local information of the process data flooded. To make up for the insufficient extraction of local information in traditional distributed process monitoring, supervised sparse preserving projections model based on distributed principal component analysis (DPCA-SSPP) is proposed in this paper. First, the process data are decomposed by the PCA algorithm, and the principal component space and residual space are obtained. Second, the variables of each sub-block are selected according to the maximum correlation criterion, and the SSPP process monitoring model is established for each sub-block. Finally, the monitoring results of each sub-block are combined together to form a global monitoring result through the Bayesian information fusion strategy. The proposed scheme can be proved to be effective through the simulation on a nonlinear numerical example and the Tennessee Eastman benchmark (TE) process.     

Adaptive soft sensor for online prediction and process monitoring based on a mixture of Gaussian process models

Linear models can be inappropriate when dealing with nonlinear and multimode processes, leading to a soft sensor with poor performance. Due to time-varying process behaviour it is necessary to derive and implement some kind of adaptation mechanism in order to keep the soft sensor performance at a desired level. Therefore, an adaptation mechanism for a soft sensor based on a mixture of Gaussian process regression models is proposed in this paper. A procedure for input variable selection based on mutual information is also presented. This procedure selects the most important input variables for output variable prediction, thus simplifying model development and adaptation. Apart from online prediction of the difficult-to-measure variable, this soft sensor can be used for adaptive process monitoring. The efficiency of the proposed method is benchmarked with the commonly applied recursive PLS and recursive PCA method on the Tennessee Eastman process and two real industrial examples.     

基于多模型外部分析和Greedy-KP1M的多工况过程监控

传统的基于多元统计过程监控方法都是假设过程处于单一工况下,而随着进料负荷、产品组分等过程参数的改变,生产过程的工况也随之改变,传统方法便不再适用。针对工业过程中的多工况监控问题,提出了一种基于多模型外部分析和Greedy-KP1M的多工况过程监控方法。首先针对传统外部分析方法描述能力不足的问题,用多模型局部建模代替单一模型来获得更好的描述能力,同时获得监控残差,通过对残差进行监控从而去除多工况的影响,进而将核单簇可能性聚类(KP1M)用于对残差的监控上。该方法拥有和支持向量数据描述(SVDD)相当的监控效果,但计算复杂度却远远小于SVDD。同时,采用Greedy方法提取特征样本,进一步降低了算法计算复杂度。最后将上述方法应用在TE模型和乙烯裂解炉的监控上,结果证明了该方法的有效性。     

基于核Fisher判别分析方法的非线性统计过程监控与故障诊断

化工过程中大量的生产数据反应了生产过程的内在变化和系统的运行状况,基于数据驱动的统计方法可以有效地对生产过程进行监控。对于复杂的化工和生化过程,其过程变量之间的相关关系往往具有很强的非线性特性,传统的线性统计过程监控方法显得无能为力。本文提出了基于核Fisher判别分析的非线性统计过程监控方法,首先利用非线性核函数将数据从原始空间映射到高维空间,在高维空间中利用线性的Fisher判别分析方法提取数据最优的Fisher特征矢量和判别矢量来实现过程监控与故障诊断,能有效地捕获过程变量之间的非线性关系,通过对流化催化裂化（FCCU）过程的仿真表明该方法的有效性。     

Fault detection and diagnosis in a non-Gaussian process with modified kernel independent component regression

Quality-related fault detection and diagnosis are crucial in the data-driven process monitoring field. Most existing methods are based on principal component analysis (PCA) or partial least squares (PLS), which will miss high-order statistical information when the industrial process does not satisfy a Gaussian distribution. Meanwhile, the traditional contribution plot is difficult to directly apply to nonlinear processes in some cases due to its limitation of convergence. As such, a modified kernel independent component regression (MKICR) model, which considers high-order statistical information, is proposed for quality-related fault detection and faulty variable identification. First, the relationship between the independent components and quality variables is established by kernel independent component regression, and the correlation matrix is obtained. Then, the kernel independent components can be suitably divided into quality-related and quality-unrelated parts. Finally, an analysis of the contribution of each variable to the statistics based on Lagrange's mean value theorem is presented. In addition, a numerical case and the Tennessee Eastman process (TEP) demonstrate the efficacy and superiority of the proposed method.     

基于LTSA和MICA与PCA联合指标的过程监控方法及应用

独立成分分析(ICA)方法主要被用来对线性非高斯过程进行监控,为了提高对非高斯过程的监控效果,则利用过程数据信息对ICA的监控指标进行了改进,提出了一种改进的独立成分分析(MICA)方法。许多实际工业过程数据都具有非线性、非高斯与高斯混合分布的特点,为此提出了一种基于LTSA和MICA与PCA联合指标的过程监控的方法。首先采用局部切空间排列(LTSA)算法对样本数据进行非线性降维,然后分别用MICA和PCA方法得到非高斯与高斯统计量,对其进行加权得到新的统计量,并被用于过程监控。最后将该方法应用在田纳西-伊斯曼(TE)过程和乙烯裂解炉的过程监控中,证明了该方法的有效性。     

Improved dynamic kernel PCA based on local preserving projections and its application for electric submersible pump fault diagnosis

Dynamic kernel principal component analysis (DKPCA) has been frequently implemented for nonlinear and dynamic process monitoring of complex industrial processes. However, traditional DKPCA focuses only on the global structural analysis of data sets and strongly neglects the local information, which is equally essential for process detection and identification. In this paper, an improved DKPCA, referred to as the local DKPCA (LDKPCA), is proposed based on local preserving projections (LPP) for nonlinear dynamic process fault diagnosis. The method combines the advantages of LPP and DKPCA by utilizing the local structure feature to maintain the geometric structure of the data in a unified framework. To achieve a highly comprehensive feature extraction, the local characteristics are fused in DKPCA to produce an optimization objective. The neighbouring points of the new objective function projection in the feature space are still maintained in proximity, and the variance information is retained simultaneously. For the purpose of fault detection, two statistics, known as the T² and squared prediction error (SPE) statistics, are constructed, based on the LDKPCA model, and used to monitor the latent variable space and the residual space, respectively. In addition, the sensitivity analysis is brought in for fault identification of the two statistics. Based on the experimental analysis using the shaft breakage data of an offshore oilfield electric submersible pump (ESP), the proposed method outperforms the conventional DKPCA in terms of fault monitoring performance. The experimental results demonstrate the potential of the method in nonlinear dynamic process fault diagnosis.