基于加权统计局部核主元分析的非线性化工过程微小故障诊断方法

传统统计局部核主元分析（statistical local kernel principal component analysis, SLKPCA）在构造改进残差时未考虑样本的差异性,使得故障样本信息易于被其他样本所掩盖,针对该问题,提出一种基于加权统计局部核主元分析（weighted statistical local kernel principal component analysis, WSLKPCA）的非线性化工过程微小故障诊断方法。该方法首先利用KPCA获取过程的得分向量和特征值并构建初始残差。然后设计了一种基于测试样本与训练样本之间距离的加权策略构建加权改进残差,对含有较强微小故障信息的样本赋予较大权值,以增强故障样本的影响。最后,采用基于测量变量与监控统计量之间的加权互信息构建贡献图以识别故障源变量。在连续搅拌反应釜和田纳西伊斯曼（Tennessee Eastman, TE）化工过程上的仿真结果表明,所提方法具有良好的微小故障检测与识别性能。     

基于加权统计特征KICA的故障检测与诊断方法

针对核独立元分析（kernel independent component analysis, KICA）在非线性动态过程中对微小故障检测率低的问题,提出一种基于加权统计特征KICA（weighted statistical feature KICA, WSFKICA）的故障检测与诊断方法。首先,利用KICA从原始数据中捕获独立元数据和残差数据;然后,通过加权统计特征和滑动窗口获取改进统计特征数据集,并由此数据集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过程故障诊断。与传统KICA统计量相比,所提方法的统计量对非线性动态过程中的微小故障具有更高的故障检测性能。应用该方法对一个数值例子和田纳西-伊斯曼（Tennessee-Eastman, TE）过程进行仿真测试,仿真结果显示出所提方法相对于独立元分析（ICA）、KICA、核主成分分析（kernel principal component analysis, KPCA）和统计局部核主成分分析（statistical local kernel principal component analysis, SLKPCA）检测的优势。     

基于双层局部KPCA的非线性过程微小故障检测方法

针对传统核主元分析(KPCA)方法难以有效检测微小故障的问题,提出一种基于双层局部核主元分析(double-level local kernel principal component analysis,DLKPCA)的非线性过程微小故障检测方法。该方法从变量和样本两个角度来挖掘数据内部的局部信息,以提高故障检测能力。首先,利用变量分块思想,基于不同变量与核主元之间互信息相关度的相似性,将所有过程变量划分多个局部变量块。然后,构建基于得分向量和特征值的残差函数以挖掘样本局部信息。最后利用贝叶斯融合策略对各块的结果进行融合。在田纳西-伊斯曼基准过程的仿真结果表明,在微小故障检测方面,本文所提方法具有比传统KPCA方法更好的故障检测性能。     

基于双层局部KPCA的非线性过程微小故障检测方法

针对传统核主元分析（KPCA）方法难以有效检测微小故障的问题,提出一种基于双层局部核主元分析（double-level local kernel principal component analysis,DLKPCA）的非线性过程微小故障检测方法。该方法从变量和样本两个角度来挖掘数据内部的局部信息,以提高故障检测能力。首先,利用变量分块思想,基于不同变量与核主元之间互信息相关度的相似性,将所有过程变量划分多个局部变量块。然后,构建基于得分向量和特征值的残差函数以挖掘样本局部信息。最后利用贝叶斯融合策略对各块的结果进行融合。在田纳西-伊斯曼基准过程的仿真结果表明,在微小故障检测方面,本文所提方法具有比传统KPCA方法更好的故障检测性能。     

基于核主角的故障检测方法

基于主元分析（PCA）的统计检测方法已经被广泛应用于各种化工过程的故障检测和识别.移动主元分析（moving principal component analysis,简称MPCA）算法基于PCA,根据主元子空间的变化来判断故障是否发生.然而,基于主元分析的统计检测方法是线性方法,无法有效应用于非线性系统.因此,提出一种适合于非线性系统的故障检测方法——基于核主角(kernel principal angle,简称KPA)的故障检测方法,其基本思想与MPCA相似,主要内容包括构建特征子空间和核主角测量两部分.TE过程故障检测仿真实验证明,基于核主角的故障检测方法优于传统的多元统计检测方法（cMSPC）和MPCA.     

基于故障判别增强KECA算法的故障检测

基于核熵主成分分析方法的统计模型仅利用正常工况下数据进行建模,而忽略了监控系统数据库中一些已知类别的先前故障数据。为了利用先前故障数据中包含的故障信息来增强故障检测性能,提出了一种故障判别增强KECA (fault discriminant enhanced kernel entropy component analysis, FDKECA)算法。该法通过采用无监督学习和监督学习方法建立模型,同时监测非线性核熵主成分(kernel entropy component, KEC)和故障判别成分(fault discriminant component, FDC)两类数据特征。此外,利用贝叶斯推理将相应的监视统计信息转换为故障概率,并通过加权两个子模型的结果来构建基于总体概率的监视统计量。通过数值仿真和田纳西伊斯曼(Tennessee Eastman, TE)过程仿真实验,证明和传统KECA相比,FDKECA算法能够有效利用故障数据提高故障检测率。     

基于加权互信息主元分析算法的质量相关故障检测

质量相关的故障检测已成为近几年研究热点,它的目标是在过程监测中,对质量相关的故障检测率更高,对质量无关的故障少报警或不报警。传统主元分析算法的故障检测会对所有故障均报警,不能达到上述要求。另外,在实际工业生产中,质量变量通常难以实时获得,需要后续分析或延时得到。为此,提出一种融合贝叶斯推断与互信息的加权互信息主元分析算法。首先利用贝叶斯推断的加权方法将度量过程变量和质量变量之间相关关系的互信息进行融合,选出包含质量变量信息量最大的一组过程变量。然后对过程变量利用主元分析（principal component analysis,PCA）进行统计建模,再次根据加权互信息选出包含质量变量信息量最大的主元,建立统计量进行故障检测。最后,通过实验验证该方法的可行性和有效性。     

基于加权互信息主元分析算法的质量相关故障检测

质量相关的故障检测已成为近几年研究热点,它的目标是在过程监测中,对质量相关的故障检测率更高,对质量无关的故障少报警或不报警。传统主元分析算法的故障检测会对所有故障均报警,不能达到上述要求。另外,在实际工业生产中,质量变量通常难以实时获得,需要后续分析或延时得到。为此,提出一种融合贝叶斯推断与互信息的加权互信息主元分析算法。首先利用贝叶斯推断的加权方法将度量过程变量和质量变量之间相关关系的互信息进行融合,选出包含质量变量信息量最大的一组过程变量。然后对过程变量利用主元分析(principal component analysis,PCA)进行统计建模,再次根据加权互信息选出包含质量变量信息量最大的主元,建立统计量进行故障检测。最后,通过实验验证该方法的可行性和有效性。     

基于全变量信息的子空间监控方法

实际化工过程采集得到的数据往往维度较高,直接建模比较复杂。主元分析(principal component analysis,PCA)方法可以提取原始数据主要特征,得到低维数据,但传统的PCA过程监控方法仅保留了方差较大的主元,会造成信息缺失,这将大大影响过程监控性能。针对这一问题,提出了一种新的基于全变量信息(full variable information,FVI)的子空间监控方法。首先,依据每个变量与主元空间(principal component subspace,PCS)和残差空间(residual subspace,RS)相似性的高低,将原始数据空间划分为3个维度较低的子空间,3个子空间保存了全部过程变量,可以更充分地利用过程信息。其次,在每个子空间中,分别建立监控模型,并利用贝叶斯推断整合子空间的监控结果。最后,通过数值仿真及Tennessee Eastman(TE)过程仿真研究验证FVI方法的有效性。     

基于ReliefF的主元挑选算法在过程监控中的应用

传统的主成分分析(principal component analysis,PCA)算法选取包含大部分方差信息的成分作为主元,并将其应用到过程监控中。但是故障信息不一定会投影到方差较大的成分上,使用方差贡献度挑选主元会导致严重的信息丢失和监控效果的恶化。因此使用ReliefF-PCA算法,其中ReliefF算法从故障角度出发,挑选出在区分正常样本和故障样本上权重更高,效果相对更好的成分作为主元。这样挑选出的主元避免了传统PCA算法在主元挑选过程中出现的主观性、盲目性以及重要信息的丢失。ReliefF-PCA算法在过程监控中主要有两个优势,第1,监控效果更好;第2,对原始数据降维效果更好。随后,基于ReliefF-PCA算法,提出一种加权的故障变量贡献图方法。最后,通过Tennessee Eastman(TE)仿真实验测试,ReliefF-PCA算法达到了预期效果。     

基于ReliefF的主元挑选算法在过程监控中的应用

传统的主成分分析（principal component analysis,PCA（算法选取包含大部分方差信息的成分作为主元,并将其应用到过程监控中。但是故障信息不一定会投影到方差较大的成分上,使用方差贡献度挑选主元会导致严重的信息丢失和监控效果的恶化。因此使用ReliefF-PCA算法,其中ReliefF算法从故障角度出发,挑选出在区分正常样本和故障样本上权重更高,效果相对更好的成分作为主元。这样挑选出的主元避免了传统PCA算法在主元挑选过程中出现的主观性、盲目性以及重要信息的丢失。ReliefF-PCA算法在过程监控中主要有两个优势,第1,监控效果更好;第2,对原始数据降维效果更好。随后,基于ReliefF-PCA算法,提出一种加权的故障变量贡献图方法。最后,通过Tennessee Eastman（TE（仿真实验测试,ReliefF-PCA算法达到了预期效果。     

基于统计量模式分析的T-KPLS间歇过程故障监控

核函数的全影结构投影(total kernel projection to latent structures,T-KPLS)最近在故障监控领域取得了广泛应用, 其实质是对数据矩阵的协方差矩阵进行分解, 没有利用数据的高阶统计量等有用信息, 在进行特征提取时会造成数据有用信息的丢失, 导致故障识别效果差。为了解决此问题, 提出了统计量模式分析(statistics pattern analysis, SPA)与核函数的全影结构投影法(total kernel projection to latent structures, T-KPLS)相结合的多向统计量模式分析的核函数的全影结构投影法(multi-way statistics pattern analysis total kernel projection to latent structures, MSPAT-KPLS)。该方法首先构造样本的不同阶次统计量, 将数据从原始的数据空间映射到统计量样本空间, 然后利用核函数将统计量样本空间映射到高维核空间并在质量变量的引导下将特征空间分为过程变量与质量变量相关、过程变量与质量变量无关、过程变量与质量变量正交和残差4个子空间;最后针对与质量变量相关和残差空间建立联合监控模型, 当监控到有故障发生时进行故障变量追溯。最后将该方法应用到微生物发酵过程中, 并与传统方法进行比较, 发现该方法具有更好的监控性能。     

基于特征工程和KELM的化工过程故障检测与识别

针对化工过程工艺复杂、数据非高斯性和耦合性强的问题,提出了一种基于特征工程与核极限学习机(kernel extreme learning machine, KELM)相结合的化工过程故障检测与识别方法。首先用独立分量分析(independent component analysis,ICA)将原始数据分离在相互独立的方向上,通过计算样本的统计量判断是否有故障产生。然后,对两个样本用互信息(mutual information, MI)进行相关性对比,通过贡献度与相关性进行变量选取,以提高分类的准确度。最后,将获取的特征输入到KELM中进行故障分类。为了提高网络的诊断精度,采用遗传算法对参数进行优化。应用于田纳西-伊斯曼(Tennessee Eastman,TE)过程与某工业脱丙烷过程的结果表明,该方法可有效地检测出故障并且准确识别故障种类。     

基于MKECA的非高斯性和非线性共存的间歇过程监测

多向核独立成分分析(multiway kernel independent component analysis,MKICA)在监测间歇过程非高斯性和非线性方面取得了广泛应用,其仅仅是将线性独立成分分析(independent component analysis,ICA)方法利用核主成分分析(kernel principal component analysis,KPCA)白化扩展到非线性领域,但数据经KPCA白化后只考虑数据信息最大化未考虑数据簇结构信息的不足,为解决此问题,采用核熵成分分析(kernel entropy component analysis,KECA)代替KPCA白化的过程监测方法。该方法首先利用AT展开方法将过程三维数据变为二维数据;其次用KECA进行白化处理的同时解决数据的非线性;然后建立ICA监测模型用于非高斯生产过程监测;最后将该方法应用到青霉素发酵仿真和实际的工业过程并与MKICA方法进行对比,验证该方法的有效性。     

基于MKECA的非高斯性和非线性共存的间歇过程监测

多向核独立成分分析（multiway kernel independent component analysis,MKICA）在监测间歇过程非高斯性和非线性方面取得了广泛应用,其仅仅是将线性独立成分分析（independent component analysis,ICA）方法利用核主成分分析（kernel principal component analysis,KPCA）白化扩展到非线性领域,但数据经KPCA白化后只考虑数据信息最大化未考虑数据簇结构信息的不足,为解决此问题,采用核熵成分分析（kernel entropy component analysis,KECA）代替KPCA白化的过程监测方法。该方法首先利用AT展开方法将过程三维数据变为二维数据;其次用KECA进行白化处理的同时解决数据的非线性;然后建立ICA监测模型用于非高斯生产过程监测;最后将该方法应用到青霉素发酵仿真和实际的工业过程并与MKICA方法进行对比,验证该方法的有效性。     

一种改进的动态核主元分析故障检测方法

针对复杂工业系统动态非线性故障检测过程精度低和计算量大的问题,提出了一种改进的动态核主元分析故障检测方法,该方法首先利用不可区分度剔除相关程度较小或者不相关变量,减少数据量,然后通过观测值扩展对筛选后的新数据构建增广矩阵,并对矩阵使用核主元分析提取变量数据的非线性空间相关特征,最后通过监测T2和SPE两种统计量诊断出系统发生故障及识别故障变量。仿真实验证明,该方法能对风力发电机故障进行有效监测和诊断,与KPCA方法相比,改进的动态核主元分析方法对微小故障更为敏感。     

基于WPRKPCA的非线性化工过程微小故障检测

传统核主元分析法（KPCA）是一种广泛应用的非线性化工过程故障检测方法,但是其未充分利用过程数据的概率分布信息,往往难以有效检测过程中的微小故障。针对传统KPCA方法的局限性,本文提出了一种基于加权概率相关核主元分析（WPRKPCA）的非线性化工过程微小故障检测方法。与传统KPCA方法监控核成分的变化不同,该方法利用Kullback Leibler散度（KLD）度量核成分的概率分布变化,进而建立基于KLD成分的统计监控模型,以充分挖掘过程数据所包含的概率信息。进一步考虑到不同KLD成分承载故障信息的差异性,该方法设计了一种基于核密度估计的指数加权策略,根据KLD成分描述故障信息程度的差异分配相应的权值,以加强监控模型对微小故障检测的灵敏性。在一个数值例子和连续搅拌反应器（CSTR）系统上的仿真结果表明,本文所提方法具有比传统KPCA方法更好的微小故障检测性能。     

一种改进的动态核主元分析故障检测方法

针对复杂工业系统动态非线性故障检测过程精度低和计算量大的问题,提出了一种改进的动态核主元分析故障检测方法，该方法首先利用不可区分度剔除相关程度较小或者不相关变量,减少数据量，然后通过观测值扩展对筛选后的新数据构建增广矩阵，并对矩阵使用核主元分析提取变量数据的非线性空间相关特征，最后通过监测T ²和SPE 两种统计量诊断出系统发生故障及识别故障变量。仿真实验证明，该方法能对风力发电机故障进行有效监测和诊断，与KPCA方法相比，改进的动态核主元分析方法对微小故障更为敏感。     

基于主元独立性分析与混合核RVM的复杂过程区间预测方法研究及应用

近年来,随着化工过程日趋复杂,对过程监控及关键变量预测提出了更高的要求。传统意义上的点预测已不能满足化工过程上的实际需求,且点预测无法描述过程上的不确定性问题,因此不能很好地把握预测变量的趋势。由此,提出了一种基于主元独立性分析(principal component independent analysis,PCIA)与混合核相关向量机(RVM)的区间预测方法。首先,结合核主元成分分析(KPCA)和独立元分析(ICA)对复杂过程原始变量进行主元成分提取和独立性分析,形成独立主元;其次,将高斯核函数与多项式核函数相结合形成混合核,与RVM结合对得到的独立主元进行回归建模预测,并运用T分布对预测值进行区间估计;然后,构造区间评价综合函数对区间估计结果进行优劣分析,在分析预测区间覆盖率(PICP)及预测区间宽度(NMPIW)的基础上,引入累积偏差(AD)提高区间评判的合理性。最后,将所提方法应用到TE仿真过程进行区间预测分析,仿真结果表明,提出的区间预测方法对实际生产过程具有较高的预测精度和区间估计质量,可以有效地预测关键变量的趋势。     

基于主元独立性分析与混合核RVM的复杂过程区间预测方法研究及应用

近年来,随着化工过程日趋复杂,对过程监控及关键变量预测提出了更高的要求。传统意义上的点预测已不能满足化工过程上的实际需求,且点预测无法描述过程上的不确定性问题,因此不能很好地把握预测变量的趋势。由此,提出了一种基于主元独立性分析（principal component independent analysis,PCIA）与混合核相关向量机（RVM）的区间预测方法。首先,结合核主元成分分析（KPCA）和独立元分析（ICA）对复杂过程原始变量进行主元成分提取和独立性分析,形成独立主元;其次,将高斯核函数与多项式核函数相结合形成混合核,与RVM结合对得到的独立主元进行回归建模预测,并运用T分布对预测值进行区间估计;然后,构造区间评价综合函数对区间估计结果进行优劣分析,在分析预测区间覆盖率（PICP）及预测区间宽度（NMPIW）的基础上,引入累积偏差（AD）提高区间评判的合理性。最后,将所提方法应用到TE仿真过程进行区间预测分析,仿真结果表明,提出的区间预测方法对实际生产过程具有较高的预测精度和区间估计质量,可以有效地预测关键变量的趋势。