基于四阶累积分析的工业大肠杆菌制备过程故障诊断

工业大肠杆菌制备过程具有非线性和非高斯性共存的特征,导致难以对故障源进行有效定位,针对这个问题,提出一种基于多向核熵独立元分析(MKEICA)的过程监测方法;同时针对传统低阶监控统计量(T2, I2和SPE)无法得到非高斯信息的不足提出了四阶累积监控统计量的方法;其次通过对四阶累积监控量进行推导,得到故障产生的原因.最后将其应用在实际的工业过程并与多向核独立元分析(MKICA)监测模型进行对比验证该方法的可行性及有效性.     

非线性和非高斯性共存的序批次反应处理过程故障诊断

序批式反应器(SBR)的处理过程的数据具有非高斯分布和高度非线性的特点,传统特征提取方法在进行特征提取时仅仅考虑信息最大化而忽略数据的簇结构信息导致数据特征提取的不完整.由于多向核熵成分分析是一种新的监测方法,在监测过程中的应用表明能够克服传统监测方法的缺陷,减少误报警率.因此本文结合多向核熵成分分析的的优势,提出多向核熵独立成分分析方法用于SBR过程监测及故障诊断.首先,将三维SBR过程数据利用一种新的数据展开技术变为二维数据;其次,利用核熵成分分析将展开后的二维数据映射到高维空间用独立成分分析进行独立成分提取;最后提出一种基于多向核熵独立成分分析的故障诊断方法进行故障诊断.将该方法和传统方法应用于80升的SBR处理过程的监测结果表明,本文提出的方法优于传统的多向独立成分分析方法.     

非线性和非高斯性共存的序批次反应处理过程故障诊断（英文）

序批式反应器(SBR)的处理过程的数据具有非高斯分布和高度非线性的特点,传统特征提取方法在进行特征提取时仅仅考虑信息最大化而忽略数据的簇结构信息导致数据特征提取的不完整.由于多向核熵成分分析是一种新的监测方法,在监测过程中的应用表明能够克服传统监测方法的缺陷,减少误报警率.因此本文结合多向核熵成分分析的的优势,提出多向核熵独立成分分析方法用于SBR过程监测及故障诊断.首先,将三维SBR过程数据利用一种新的数据展开技术变为二维数据;其次,利用核熵成分分析将展开后的二维数据映射到高维空间用独立成分分析进行独立成分提取;最后提出一种基于多向核熵独立成分分析的故障诊断方法进行故障诊断.将该方法和传统方法应用于80升的SBR处理过程的监测结果表明,本文提出的方法优于传统的多向独立成分分析方法.     

核熵成分分析算法及其在化工过程监控中的应用研究

针对化工过程监测数据复杂、非线性等特点,本文将一种新的降维算法一核熵成分分析算法应用到化工过程监控。与其他的多元统计分析方法相比,核熵成分分析算法可以保证数据降维过程中的信息损失最小从而建立更加可靠的统计模型,进而提高故障检测的检出率。与核主成分分析相似,核熵成分分析也是将数据映射到一个高维空间,在高维空间中进行主元分析,不同之处是KECA在选取主元时采用了信息保有量较大的主元,使得数据在降维后的信息损失量更少。本文使用某石化企业的润滑油重质过程的数据测试算法监控效果,核熵成分分析算法的故障检出率为98.2%,比核主成分分析算法(69.706%)要高。实验结果显示,核熵成分分析算法的化工过程监控效果优于核主成分分析算法。     

基于MKECA间歇过程多阶段故障监测方法研究

针对间歇过程的非线性、多阶段性等特点,提出一种基于核熵成分分析(KECA)的间歇过程多阶段故障监测方法。首先将过程数据通过KECA核映射到高维特征空间内,依据核熵与角结构相似度对间歇过程进行阶段划分;接着引入沿批次-变量的三维数据向二维数据展开方式,并在每个子阶段建立多向核熵成分分析(MKECA)非线性故障监测离线模型,采用新型基于角结构相似度计算统计量控制限,无需假设过程变量服从高斯分布;最后,计算监测采样点角结构相似度统计量实现间歇过程的多阶段在线故障监测。本文利用青霉素仿真实验数据进行仿真实验,验证了该方法的可行性与有效性。     

基于传递熵的MPCA间歇过程监测方法

传统统计分析方法忽略了变量间作用关系,而传递熵可以有效地表达变量间作用关系,因此提出了一种基于传递熵的MPCA间歇过程监测方法.利用传递熵表达变量间的作用关系,在计算传递熵时采用非参数核密度估计法,利用该方法不依赖于数据先验分布知识的特点来处理非高斯分布的过程数据,通过构建传递熵矩阵,结合滑动窗,实现对间歇过程变量间信息传递的动态表达,最后对传递熵矩阵进行多向主元分析方法(MPCA)建模,实现间歇过程监测.通过青霉素发酵的仿真,结果表明与传统多变量统计过程控制(MSPC)方法作对比,本文监测方法能更及时准确地监测到过程异常.     

去主元相关性DKPCA故障检测与诊断方法

针对动态核主元分析(Dynamic Kernel Principal Component Analysis,DKPCA)在动态非线性过程监控中没有降低数据动态性的影响,导致统计量T²具有显著自相关性的问题,提出一种基于去主元相关性的DKPCA(Dynamic Kernel Principal Component Analysis based on Removing Principal Component Correlation,DKPCA-RPCC)故障检测与诊断方法。首先,对原始数据X进行时滞扩展生成增广矩阵Y并使用KPCA计算主成分M;其次,利用已知数据重构增广矩阵■,再使用KPCA计算主成分■;然后,通过主成分之间的差异来构建统计量进行故障检测;最后,利用基于变量贡献图的方法进行故障诊断。通过数值例子和田纳西-伊斯曼(Tennessee-Eastman,TE)过程进行仿真验证,并将仿真结果与KPCA、DPCA和DKPCA的结果进行对比。仿真结果说明,该方法在动态非线性过程监控中构建的统计量故障检测性能更高且具有较低的自相关性。     

核主元分析及其在人脸识别中的应用

传统的基于数据二阶统计矩的特征脸法(Eigenface)或主元分析法(PCA)是一种有效的数据特征提取方法，是基于原始特征的一种线性变换。但是，当原始数据中存在非线性属性时，用主元分析法后留下的显著成分就可能不再反映这种非线性属性。而核主元分析则是基于原始数据的高阶统计量，是一种非线性变换，在图像识别中它可以描述多个像素之间的相关性。该文采用KPCA法提取人脸特征，利用线性支持向量机设计分类器，实验结果表明，基于核主元分析方法的识别正确率明显优于基于主元分析法。     

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。     

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。     

Quality relevant nonlinear batch process performance monitoring using a kernel based multiway non-Gaussian latent subspace projection approach

Multiway kernel partial least squares method (MKPLS) has recently been developed for monitoring the operational performance of nonlinear batch or semi-batch processes. It has strong capability to handle batch trajectories and nonlinear process dynamics, which cannot be effectively dealt with by traditional multiway partial least squares (MPLS) technique. However, MKPLS method may not be effective in capturing significant non-Gaussian features of batch processes because only the second-order statistics instead of higher-order statistics are taken into account in the underlying model. On the other hand, multiway kernel independent component analysis (MKICA) has been proposed for nonlinear batch process monitoring and fault detection. Different from MKPLS, MKICA can extract not only nonlinear but also non-Gaussian features through maximizing the higher-order statistic of negentropy instead of second-order statistic of covariance within the high-dimensional kernel space. Nevertheless, MKICA based process monitoring approaches may not be well suited in many batch processes because only process measurement variables are utilized while quality variables are not considered in the multivariate models. In this paper, a novel multiway kernel based quality relevant non-Gaussian latent subspace projection (MKQNGLSP) approach is proposed in order to monitor the operational performance of batch processes with nonlinear and non-Gaussian dynamics by combining measurement and quality variables. First, both process measurement and quality variables are projected onto high-dimensional nonlinear kernel feature spaces, respectively. Then, the multidimensional latent directions within kernel feature subspaces corresponding to measurement and quality variables are concurrently searched for so that the maximized mutual information between the measurement and quality spaces is obtained. The I² and SPE monitoring indices within the extracted latent subspaces are further defined to capture batch process faults resulting in abnormal product quality. The proposed MKQNGLSP method is applied to a fed-batch penicillin fermentation process and the operational performance monitoring results demonstrate the superiority of the developed method as apposed to the MKPLS based process monitoring approach.     

基于加权核独立成分分析的故障检测方法

针对核独立成分分析故障检测时忽略各独立成分分量对系统故障贡献度的差异, 提出一种基于加权核独立成分分析的故障检测方法. 使用核独立成分分析提取过程变量的独立成分, 根据核密度估计衡量各独立成分分量对系统故障的贡献度, 对各独立成分分量赋予不同权重, 突出包含有用信息的独立成分分量, 引入局部离群因子在特征空间构造统计量进行故障检测. 基于数值仿真和Tennessee Eastman 数据集的仿真结果表明了所提出方法的优越性.

     

基于最大判别熵的有监督独立分量分析方法

独立分量分析(indepentlent component analysis,ICA)是目前非常活跃的一个研究领域,在盲源分离、信号处理等方面有着广泛的应用．特别是在特征提取方面,由于其处理非高斯分布的数据的能力,引起了广泛关注,取得了很好的效果．但是传统的独立分量分析方法的思想都是通过定义一个衡量分量独立性的目标函数来求解问题,在应用到特征提取方面时,没有考虑到提取的独立分量对于识别和分类问题的重要性．为了克服传统ICA算法的不足,从信息论角度出发,选择判别熵作为衡量类别之问差异的度量,提出了基于最大判别熵的有监督独立分量分析方法(SICA-MJE),并在人脸识别和虹膜识别应用中进行了验证,取得了很好的实验结果。     

Dimension reduction method of independent component analysis for process monitoring based on minimum mean square error

This article proposes a novel dimension reduction method of independent component analysis for process monitoring based on minimum mean square error (MSE). Firstly, the order of the independent components (ICs) is ranked according to their importance estimated by MSE, and the mathematical proof is presented. Secondly, the top-n ICs are selected as dominant components and the dimension of ICs is reduced. The sum of the squared independent scores (I²) and the squared prediction error (SPE) are adopted as monitoring statistics. The control limits of I² and SPE are determined by the kernel density estimation (KDE). The proposed dimension reduction method is applied to fault detection in a simple multivariate process and the simulation benchmark of Tennessee Eastman process. Finally, two fault conditions of pulverizing system in power plant are analyzed by the proposed method. The experiments results verify the effectiveness of the proposed method.     

一种新的多阶段改进MPCA间歇过程监视方法的研究

针对间歇生产过程存在的多阶段问题,提出了基于数据动态特性CPV(1)(cumulative percent variance of the first principal component)指标进行模糊聚类实现多阶段软划分的方法,解决了传统分段方式对间歇过程进行硬划分的缺陷,使得过程多阶段划分更加准确。在此基础上建立多阶段具有时变主元协方差的改进MPCA(multiway principal component analysis)模型进行间歇过程的监视。将此方法应用于青霉素发酵过程,验证了该方法的可靠度和有效性。     

基于多尺度核主元分析的非线性过程监控方法研究

针对化工过程数据的多尺度性和非线性特性,提出了一种多尺度核主元分析方法(MSKPCA)监控过程的运行状态。使用小波变换在不同尺度下分解测量信号．然后借助于核函数对分解后的数据进行非线性变换,在变换后的线性空间中用主元分析(PCA)提取过程数据的主要特征,构造监控统计量T2和Q来检测故障。在此基础上,提出了一种贡献图方法．计算过程变量对故障的贡献量,用于故障变量的分离。在TE过程上的监控结果表明,MSKPCA可以比PCA和动态PCA更迅速地检测到过程故障,贡献图方法能够正确地分离故障变量。     

A Novel MDFA-MKECA Method With Application to Industrial Batch Process Monitoring

For the complex batch process with characteristics of unequal batch data length, a novel data-driven batch process monitoring method is proposed based on mixed data features analysis and multi-way kernel entropy component analysis (MDFA-MKECA) in this paper. Combining the mechanistic knowledge, different mixed data features of each batch including statistical and thermodynamics entropy features, are extracted to finish data pre-processing. After that, MKECA is applied to reduce data dimensionality and finally establish a monitoring model. The proposed method is applied to a reheating furnace industry process, and the experimental results demonstrate that the MDFA-MKECA method can reduce the calculated amount and effectively provide on-line monitoring of the batch process.      

Online monitoring of nonlinear multivariate industrial processes using filtering KICA–PCA

In this paper, a novel approach for processes monitoring, termed as filtering kernel independent component analysis–principal component analysis (FKICA–PCA), is developed. In FKICA–PCA, first, a method to calculate the variance of independent component is proposed, which is significant to make Gaussian features and non-Gaussian features comparable and to select dominant components legitimately; second, Genetic Algorithm is used to determine the kernel parameter through minimizing false alarm rate and maximizing detection rate; furthermore, exponentially weighted moving average (EWMA) scheme is used to filter the monitoring indices of KICA–PCA to improve monitoring performance. In addition, a novel contribution analysis scheme is developed for FKICA–PCA to diagnosis faults. The feasibility and effectiveness of the proposed method are validated on the Tennessee Eastman (TE) process.     

密度敏感模糊核最大熵聚类算法EI北大核心CSCD

提出一种密度敏感模糊核最大熵聚类算法.该算法首先通过核函数将原始非线性非高斯的数据集转化为核空间数据集,然后利用核函数的相似性抵消不属于该聚类的样本数据在聚类过程中对聚类中心求解的干扰,消除正则化系数对聚类结果的影响,进而抑制传统最大熵聚类算法的趋同性.最后通过引入相对密度项,解决因样本数据在特征空间的分布差异而导致的聚类中心求解偏差问题,从而提高聚类结果的准确性.实验部分,本文讨论了算法参数间的关系以及对聚类结果的影响.通过与传统模糊C均值聚类算法、核模糊C均值聚类算法、最大熵聚类算法、最大熵规范化权重核模糊C均值聚类算法以及其他两种改进最大熵聚类算法的聚类结果进行对比分析,结果表明本文提出的密度敏感模糊核最大熵聚类算法的聚类性能明显优于其他算法.