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MIC的支持向量回归及其在化工过程中的应用

在化工生产中,软测量方法可以有效解决某些关键变量由于仪表故障而无法实时获取数据的问题。在建立软测量模型时,变量及回归方法的选取会直接影响模型的准确率。特别是在现代化工中,过程变量众多且变量间存在着冗余且复杂的非线性关系。对此,本文提出了一种基于最大信息系数的支持向量回归算法,利用最大信息系数在非线性相关性度量的优势,选择合适的辅助变量,避免了全部变量作为输入所造成的数据冗余。在此基础上,利用支持向量回归方法建立软测量模型,实现对软测量目标的预测。该方法被应用于存在仪表故障的某催化重整装置进料换热器热端压降的软测量中,结果表明该方法可以有效地实现对压降的软测量,实现了对仪表故障时的数据校正。     

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。     

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。     

基于互信息的分散式动态PCA故障检测方法

对现代大型复杂动态过程来讲,不同测量变量会存在不同的序列相关性,而且变量间的相互影响会体现在不同的采样时刻上。为此,结合利用分散式建模的优势,提出一种基于互信息的分散式动态过程故障检测方法。该方法在对每个测量变量都引入多个延时测量值后,利用互信息为每个变量区分出与其相关的测量值,并建立起相应的变量子块。这种变量分块方式使每个变量子块都能充分地获取与之相对应的自相关性与交叉相关性信息,较好地处理了数据的动态性问题。然后,利用主元分析(PCA)算法对每一变量子块进行统计建模从而建立起适于大规模动态过程的多模块化的故障检测模型。最后,通过实例验证该方法用于动态过程监测的可行性和有效性。     

基于互信息的分散式动态PCA故障检测方法

对现代大型复杂动态过程来讲,不同测量变量会存在不同的序列相关性,而且变量间的相互影响会体现在不同的采样时刻上。为此,结合利用分散式建模的优势,提出一种基于互信息的分散式动态过程故障检测方法。该方法在对每个测量变量都引入多个延时测量值后,利用互信息为每个变量区分出与其相关的测量值,并建立起相应的变量子块。这种变量分块方式使每个变量子块都能充分地获取与之相对应的自相关性与交叉相关性信息,较好地处理了数据的动态性问题。然后,利用主元分析（PCA）算法对每一变量子块进行统计建模从而建立起适于大规模动态过程的多模块化的故障检测模型。最后,通过实例验证该方法用于动态过程监测的可行性和有效性。     

变量加权型主元分析算法及其在故障检测中的应用

传统主成分分析（PCA）算法旨在挖掘训练数据各变量间的相关性特征,已在数据驱动的故障检测领域得到了广泛的研究与应用。然而,传统PCA方法在建模过程中通常认为各个测量变量的重要性是一致的,因此不能有效而全面地描述出变量间相关性的差异。为此,提出一种变量加权型PCA（VWPCA）算法并将之应用于故障检测。首先,通过对训练数据进行加权处理,使处理后的数据能够充分体现出变量间相关性的差异。然后,在此基础上建立分布式的PCA故障检测模型。在线实施故障检测时,则通过贝叶斯准则将多组监测结果融合为一组概率指标。VWPCA方法通过相关性大小为各变量赋予不同的权值,从而将相关性差异考虑进了PCA的建模过程中,相应模型对训练数据特征的描述也就更全面。最后,通过在TE过程上的测试验证VWPCA方法用于故障检测的优越性。     

变量加权型主元分析算法及其在故障检测中的应用

传统主成分分析(PCA)算法旨在挖掘训练数据各变量间的相关性特征,已在数据驱动的故障检测领域得到了广泛的研究与应用。然而,传统PCA方法在建模过程中通常认为各个测量变量的重要性是一致的,因此不能有效而全面地描述出变量间相关性的差异。为此,提出一种变量加权型PCA(VWPCA)算法并将之应用于故障检测。首先,通过对训练数据进行加权处理,使处理后的数据能够充分体现出变量间相关性的差异。然后,在此基础上建立分布式的PCA故障检测模型。在线实施故障检测时,则通过贝叶斯准则将多组监测结果融合为一组概率指标。VWPCA方法通过相关性大小为各变量赋予不同的权值,从而将相关性差异考虑进了PCA的建模过程中,相应模型对训练数据特征的描述也就更全面。最后,通过在TE过程上的测试验证VWPCA方法用于故障检测的优越性。     

基于双子空间并行回归的化工过程质量相关故障检测方法

邻域保持嵌入(neighborhood preserving embedding, NPE)是一种常用的无监督学习方法,在故障检测领域得到了广泛应用。由于NPE提取的数据特征无法解释输入数据和输出数据之间的关系,因此在化工过程质量相关故障检测方面存在局限性。另外,NPE在提取数据流形结构时忽略了动态信息的表征。为了解决上述问题,基于NPE和慢特征分析(slow feature analysis,SFA)算法提出了一种名为双子空间并行回归(twin-space parallel regression,TSPR)的质量相关故障检测方法,该方法能够同时提取数据的流形特征和变化速度信息。首先,通过基于互信息的策略将原始过程空间分为序列相关子空间和序列无关子空间,以应对变量在时间序列相关性的差异。其次,在两个子空间中分别应用提出的邻域保持-慢特征嵌入算法(neighborhood preserving-slow feature embedding regression,NP-SFE)和NPE算法提取数据的有效结构特征,并同时用最小二乘回归在两个特征子空间中构建过程变量与质量变量的回归关系。随后,...     

基于互信息和MPCA的单基药塑化过程监测方法

针对现阶段单基药塑化过程缺乏可靠的渐变式故障检测和异常工况的报警及评价能力等问题,同时传统数据驱动方法难以处理过程中包含的多种线性与非线性关系混合特征,又无法突出变量间耦合相关性的差异,提出一种基于归一化互信息的多向主成分分析故障检测方法。该方法通过归一化互信息刻画过程中多维变量间的复杂耦合关系,并以此对不同维度变量之间的相关性特征进行权值修正,得到体现每个变量与其他维度变量之间耦合作用关系的数据集,并分别建立与其相应的监测模型。最后再利用贝叶斯推理将不同模型的监测结果融合成一组概率指标实现过程监测。实验结果表明了所提方法的有效性,可实现塑化过程多种故障的快速检测和异常工况的监测预警。     

深度融合特征提取网络及其在化工过程软测量中的应用

复杂化工过程的观测数据往往同时包含非线性和强动态特性,而传统的化工过程软测量方法无法准确提取观测数据的非线性动态特征,以至影响数据建模和质量预报的准确性。提出了一种基于变分自编码器的深度融合特征提取网络(deep fusion features extraction network, DFFEN)。在变分自编码器框架下,通过构建潜隐特征信息传递通道,提取非线性动态潜隐变量。并利用自注意力机制(self-attention)融合关键的隐层信息,优化因信息传递通道过长而导致的潜在特征被遗忘的问题。此外,在后端网络构建潜隐变量和关键质量变量之间的回归模型,以实现关键质量变量的预报。最后,通过数值案例和实际的合成氨过程验证了所提出的DFFEN模型的可行性和有效性。     

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。     

深度融合特征提取网络及其在化工过程软测量中的应用

复杂化工过程的观测数据往往同时包含非线性和强动态特性,而传统的化工过程软测量方法无法准确提取观测数据的非线性动态特征,以至影响数据建模和质量预报的准确性。提出了一种基于变分自编码器的深度融合特征提取网络(deep fusion features extraction network, DFFEN)。在变分自编码器框架下,通过构建潜隐特征信息传递通道,提取非线性动态潜隐变量。并利用自注意力机制(self-attention)融合关键的隐层信息,优化因信息传递通道过长而导致的潜在特征被遗忘的问题。此外,在后端网络构建潜隐变量和关键质量变量之间的回归模型,以实现关键质量变量的预报。最后,通过数值案例和实际的合成氨过程验证了所提出的DFFEN模型的可行性和有效性。     

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。     

基于联合典型变量矩阵的多阶段发酵过程质量相关故障监测

为考虑发酵过程的质量变量和动态特征对于阶段划分的影响,提出了一种基于联合典型变量矩阵的多阶段发酵过程质量相关故障监测方法。首先,将历史三维数据沿批次方向展开,对每个时间片矩阵进行典型相关分析（canonical correlation analysis, CCA）,得到融合过程变量和质量变量信息的联合典型变量矩阵,对其进行K均值聚类,实现基于静态特征的第1步划分;然后采用慢特征分析（slow feature analysis, SFA）算法提取表征过程动态性的慢特征,对其进行聚类实现第2步划分。最后综合分析两步划分结果,将生产过程划分为不同的稳定阶段和过渡阶段,并在划分的子阶段中分别建立CCA监测模型进行质量相关故障监测。该方法通过静态和动态特征的变化实现两步划分,准确区分强动态变化与阶段切换,有效提高质量相关的故障监测模型精度。青霉素仿真平台与大肠杆菌实际生产数据验证了所提方法的可行性和有效性。     

基于最大信息系数的分组支持向量数据描述故障检测

工业过程的众多变量之间往往存在着复杂的相关关系，传统的故障检测模型通常会忽略不同变量间相关性的差异，对不同相关关系的变量采用相同的特征提取方法，从而导致检测效果欠佳。针对以上问题，提出了一种基于最大信息系数的分组支持向量数据描述故障检测模型，首先计算变量间的最大信息系数矩阵，按照相关性的不同对变量进行分组，再通过最大信息系数为模型混合核函数中高斯核与多项式核的权重分配提供理论指导，从而分别为各组建立不同的支持向量数据描述检测模型，完成最大信息系数与支持向量数据描述的紧密结合，最终实现分布式故障检测。通过仿真对比，验证了该模型的可行性与有效性。     

基于注意力动态卷积自编码器的发酵过程故障监测

发酵过程的状态监测对于及时发现各类异常故障起到了至关重要的作用。然而，由于发酵过程数据呈现非线性特性，导致在提取特征信息时存在困难，增加了故障监测的难度。为了解决上述问题，提出了一种基于注意力动态卷积自编码器（attention dynamic convolutional autoencoder, ADCAE）的发酵过程故障监测方法。首先，设计了一种动态卷积结构（dynamic convolution structure），该结构可以在浅层使用大尺寸卷积核提取低级特征，在深层使用小尺寸卷积核提取高级特征，从而拓宽了模型特征学习的尺度；其次，设计了一种通道卷积注意力（channel convolutional attention, CCA）模块，该模块能够从不同尺度提取输入的非线性特征，并且在通道向量转化为权重的过程中可以更好地提取局部特征，提高了对有效信息的关注能力；最后，将动态卷积结构与CCA模块融入卷积自编码器中，使模型能够有效地捕获变量中的非线性关系，从而更好地应对发酵过程中的故障监测问题。利用青霉素发酵过程仿真平台和大肠埃希菌实际生产数据对该方法的可行性进行了验证，结果表明该方...     

基于动态单类随机森林的非线性过程监控方法

针对高维化工过程中存在的非线性和动态特性,提出了一种基于动态单类随机森林(dynamic one-class random forest,DOCRF)的过程监控方法。对正常运行状态下的过程数据进行稀疏性分析,根据其反分布产生离群点数据。利用典型变量分析对正常数据进行相关性分析,分别将正常数据和离群点数据投影到典型变量空间,利用典型变量空间数据训练单类随机森林。基于单类随机森林模型根据待检测样本与正常数据的相似度构造监控统计量进行故障检测。在Tennessee Eastman过程的仿真结果表明,所提DOCRF方法总体优于单类支持向量机方法。     

基于流程拓扑信息的统计过程监测方法

传统数据驱动的过程监测方法主要基于历史数据和统计学知识建立,往往忽视了对过程机理的考虑。基于预测残差的过程监测方法则通过数据驱动的回归模型实现对局部过程机理的近似,在预测残差的基础上建立监测模型实现了对过程偏离更好的识别。但其建立回归模型实现对局部过程机理的近似时主要基于数据,很少考虑具体流程信息。作为流程信息的一种表现形式,流程拓扑结构常被用来提取变量间的进程与因果关系,如果在建立回归模型时结合流程的拓扑结构,则可使得所建立的回归模型中包含一定的流程信息,使其对局部机理的近似更为准确。基于此,本文提出一种基于流程拓扑信息的统计过程监测方法。该方法利用流程的拓扑结构,提取变量间的进程与因果关系,建立回归模型实现对局部过程机理的近似。在此基础上建立基于预测残差的过程监测模型,实现对过程偏离的监测。该方法被应用于某连续重整装置的过程监测中,结果表明其监测效果要优于基于主元分析和基于预测残差的过程监测方法。     

基于DMVU-OCSVM的故障诊断方法

针对工业过程的非线性和动态特性,提出一种基于动态最大方差展开（DMVU）和单类支持向量机（OCSVM）的故障诊断方法DMVU-OCSVM。为了分析数据的动态特性和非线性,应用流形学习技术DMVU提取数据变量中的非线性动态流形特征。基于所提取的流形特征信息建立OCSVM统计模型,并构造非线性监控统计量实时检测过程故障。在连续搅拌反应器（CSTR）系统上的仿真结果说明,本文提出的方法能够比OCSVM更有效地检测过程故障。