基于多阶段多向核熵成分分析的间歇过程故障检测方法

针对间歇过程的非线性、多阶段特性,提出一种基于多阶段多向核熵成分分析(multistage-MKECA,Ms MKECA)的故障检测方法。针对间歇过程的多阶段特性,建立一种时序核熵主元关联度的矩阵相似性阶段划分方法,实现对间歇生产过程的多阶段划分;针对传统批次展开方式在线监控需要预估批次未来值的缺陷,进一步引入一种批次-变量三维数据展开方式建立每个阶段的MKECA非线性统计模型,实现对间歇过程的分阶段监控。最后对盘尼西林发酵过程开展仿真研究,结果表明所提方法能够比传统MKECA方法更为快速地进行故障检测。     

基于GSA-LSTM动态结构特征提取的间歇过程监测方法

间歇过程监测对于保证批次生产过程的稳定运行具有重要意义。传统过程监测方法难以提取间歇过程数据特有的非线性结构和动态时变特征。为此,提出了一种融合图采样聚合网络和长短期记忆网络(GSA-LSTM)的典型相关分析方法用于间歇过程在线监测。首先,利用K近邻方法将批次过程数据转化为图结构形式,利用图采样聚合网络(GraphSAGE)提取数据内部的结构特征,然后利用长短期记忆网络(LSTM)提取数据的非线性动态特征,通过权重系数将结构特征和动态特征融合得到更具有代表性的间歇过程数据特征。进一步地,利用典型相关分析方法对残差建立监测模型。最后将所提方法应用于数值例子和注塑过程监测,结果分析验证了所提方法的有效性。     

基于GSA-LSTM动态结构特征提取的间歇过程监测方法

间歇过程监测对于保证批次生产过程的稳定运行具有重要意义。传统过程监测方法难以提取间歇过程数据特有的非线性结构和动态时变特征。为此,提出了一种融合图采样聚合网络和长短期记忆网络(GSA-LSTM)的典型相关分析方法用于间歇过程在线监测。首先,利用K近邻方法将批次过程数据转化为图结构形式,利用图采样聚合网络(GraphSAGE)提取数据内部的结构特征,然后利用长短期记忆网络(LSTM)提取数据的非线性动态特征,通过权重系数将结构特征和动态特征融合得到更具有代表性的间歇过程数据特征。进一步地,利用典型相关分析方法对残差建立监测模型。最后将所提方法应用于数值例子和注塑过程监测,结果分析验证了所提方法的有效性。     

基于多向核熵成分分析的微生物发酵过程多阶段划分及故障监测

针对多向核主元分析法(MKPCA)在监控动态非线性和多模态间歇生产过程故障的不足,提出一种基于物理信息熵的多阶段多向核熵成分分析(multiple sub-stage multi-way kernel entropy component analysis,MSMKECA)的新方法用于故障监控。该方法首先通过核映射将数据从低维空间映射到高维特征空间;其次在高维特征空间依据熵结构信息计算每个时刻数据矩阵的相似度指标进行阶段划分,将间歇过程划分为各稳定阶段和各过渡阶段,并在过渡阶段用时变的协方差代替固定协方差;最后在划分的阶段里分别建立模型进行间歇过程监测解决间歇过程的动态非线性和多阶段特性;将所提出的算法应用于青霉素发酵仿真系统的在线监测,验证了该方法的有效性。     

基于扩散距离的信息熵FCM多阶段LSTM-AE间歇过程故障监测

针对间歇过程中因忽略数据在阶段划分中的非线性，导致故障监测精度低的问题，提出一种基于扩散距离的信息熵模糊C均值(DDEFCM)多阶段长短期记忆网络的自动编码器(LSTM-AE)间歇过程故障监测方法。首先为了自动识别聚类个数，利用信息熵描述批处理后的二维时间片矩阵。再采用扩散距离对模糊C均值聚类(FCM)算法进行改进，解决欧式距离不能表征数据非线性的问题，有效划分间歇过程的稳定阶段，然后利用轮廓系数划分过渡阶段。最后建立多阶段LSTM-AE监测模型。利用青霉素发酵数据和大肠杆菌实际生产数据对该方法进行验证，结果表明所提方法不仅可以提升阶段划分性能，还能更加准确地进行故障监测。     

基于多向核熵成分分析的微生物发酵间歇过程监测研究

针对微生物发酵间歇过程监测算法只考虑数据信息最大化未考虑数据簇结构信息的不足,提出了基于多向核熵成分分析(Multi-way Kernel Entropy Component Analysis,MKECA)间歇过程监测的新方法。该方法首先引入AT展开策略对三维历史数据进行预处理,然后通过核映射将数据从低维空间映射到高维特征空间,解决数据的非线性特性,并在高维特征空间依据核熵的大小对数据进行降维,使降维后的数据能够最大化地保留原始数据的分布;同时理论证明了所提方法在特定条件下等同于传统方法,也就是说MKECA既能兼顾传统方法的优势,又能弥补传统方法的不足;最后通过青霉素仿真数据进行验证,表明MKECA方法具有更可靠的监控性能,能及时、准确地监测出故障。     

基于多阶段多向核熵成分分析的间歇过程故障检测方法

针对间歇过程的非线性、多阶段特性,提出一种基于多阶段多向核熵成分分析（multistage-MKECA,MsMKECA）的故障检测方法。针对间歇过程的多阶段特性,建立一种时序核熵主元关联度的矩阵相似性阶段划分方法,实现对间歇生产过程的多阶段划分;针对传统批次展开方式在线监控需要预估批次未来值的缺陷,进一步引入一种批次-变量三维数据展开方式建立每个阶段的MKECA非线性统计模型,实现对间歇过程的分阶段监控。最后对盘尼西林发酵过程开展仿真研究,结果表明所提方法能够比传统MKECA方法更为快速地进行故障检测。     

基于Gath-Geva算法和核极限学习机的多阶段间歇过程软测量

间歇过程具有较强的非线性,多阶段、慢时变及批次间存在变化,采用单一预测模型不能反映间歇过程的多阶段特性及阶段间过渡特性。提出一种基于Gath-Geva聚类和核极限学习机(kernel extreme learning machine,KELM)的多模型软测量方法。首先采用主成分分析(principal component analysis,PCA)对输入做特征提取,然后利用Gath-Geva算法对间歇过程进行多阶段工况划分,根据生产工况特性划分为不同的操作阶段后,分别建立局部KELM模型。对任一待预测样本,分别计算其对应各局部模型的预测值,最后采用贝叶斯集成,将其隶属于各局部模型的模糊隶属度作为权重和预测值融合得到最终预测值。以青霉素发酵数据进行实验测试,结果表明所提多模型算法相较于单一模型,具有更高的预测精度。     

基于KSFDA-SVDD的非线性过程故障检测方法

慢特征分析(SFA)是一种无监督的线性学习算法,没有考虑过程数据的类别信息和非线性特征。针对此问题,提出一种基于核慢特征判别分析(KSFDA)和支持向量数据描述(SVDD)的非线性过程故障检测方法KSFDA-SVDD。该方法首先利用核技巧将数据从原始空间映射到高维空间,然后通过最大化正常工况数据和故障模式数据之间伪时间序列的时间变化同时最小化正常工况数据内部伪时间序列的时间变化计算判别矩阵,最后利用SVDD描述采用判别矩阵降维后的正常工况数据的分布域,构建监控统计量检测过程故障。在连续搅拌反应器(CSTR)过程上的仿真结果表明所提出方法的故障检测性能优于传统的KPCA方法。     

基于循环自动编码器的间歇过程故障监测

针对间歇过程数据非线性、动态性特征,提出一种基于循环自动编码器(recurrent autoencoder,RAE)的过程故障监测方法。采用长短时记忆(long short-term memory,LSTM)循环神经网络构建自动编码器建立监控模型,相比传统自动编码器,其能有效挖掘时序样本间的动态关联信息。该方法首先利用批次展开与变量展开相结合的三步展开方法将间歇过程数据展开成二维,并通过滑动窗采样得到模型输入序列;然后使用LSTM构建自动编码器,重构输入序列。进一步,利用重构误差构造平方预测误差(squared prediction error, SPE)统计量实现在线监测。最后将所提方法应用于青霉素发酵仿真和重组大肠杆菌发酵过程监测,结果表明,该方法能及时监测到故障,具有较好的监测性能。     

时序约束NPE算法在化工过程故障检测中的应用

针对动态过程的故障检测问题,在邻域保持嵌入算法中改进邻域挑选,提出一种新的维度约简方法：时序约束邻域保持嵌入（time constrained neighborhood preserving embedding,TCNPE）算法。与邻域保持嵌入（neighborhood preserving embedding,NPE）算法只通过欧氏距离挑选邻域不同的是,TCNPE考虑到数据之间的时序相关性,在一定长度的时间窗之内采用k-近邻方法挑选邻域,并对时间窗内近邻与非近邻构造局部约束关系。首先,利用TCNPE提取数据特征,进行线性降维,然后构造T²和SPE统计量并利用密度估计（kernel density estimation,KDE）确定其控制限。最后,通过数值例子和TE过程（Tennessee-Eastman process）仿真来说明本文方法的有效性。     

基于改进KFDA与DE优化SOM的故障诊断模型及其化工过程诊断

针对化工过程故障诊断数据存在高维度、故障特征不易区分、自组织映射（self-organizing map,SOM）网络易陷入局部最优等问题,提出了一种基于改进核Fisher判别分析（kernel Fisher discriminant analysis,KFDA）与差分进化算法（differential evolution,DE）优化SOM神经网络相结合的故障诊断方法。该方法首先利用欧氏距离对类间距进行加权处理,以避免因类间距离过大造成投影后的数据存在重叠的问题,使故障数据样本获得较好的投影效果,优化分类性能;然后,利用DE算法对SOM神经网络的权值向量进行动态调整,有效避免了由于“死神经元”的出现陷入局部最优的问题;最后,通过对田纳西-伊斯曼（tennessee-eastman,TE）过程和对二甲苯（paraxylene,PX）歧化工艺过程的故障数据进行诊断测试。结果表明,与传统SOM网络相比,提出的KFDA-DE-SOM算法具有较高的分类诊断精度,可有效应用于化工过程的故障诊断。     

局部时差约束邻域保持嵌入算法在故障检测中的应用

传统的邻域保持嵌入(neighborhood preserving embedding,NPE)算法通过k近邻(k-nearest neighbors,k-NN)方法选择邻域进行重构来实现降维。但在实际工业过程中采集的样本具有时序相关性,仅仅通过欧氏距离选择近邻样本不能充分反映数据中包含的信息,从而影响检测效果。因此,提出一种局部时差约束邻域保持嵌入(local time difference constrained neighborhood preserving embedding,LTDCNPE)算法,充分考虑样本间的时间和空间关系,从而建立准确的故障检测模型。首先,该算法在固定尺度的时间窗内,根据样本的时序关系和空间特征挑选出邻域。其次,利用样本间的时间差异为邻域样本进行加权,使数据特征保留了高维空间的局部结构。然后,对降维后得到的主元空间和残差空间构建T^{\mathrm{2}}和SPE统计量并确定控制限。最后,通过数值例子和Tennessee-Eastman(TE)过程仿真验证LTDCNPE算法的有效性。     

Statistical Monitoring of Chemical Processes Based on Sensitive Kernel Principal Components

The kernel principal component analysis (KPCA) method employs the first several kernel principal components (KPCs), which indicate the most variance information of normal observations for process monitoring, but may not reflect the fault information. In this study, sensitive kernel principal component analysis (SKPCA) is proposed to improve process monitoring performance, i.e., to deal with the discordance of T² statistic and squared prediction error δ_SPE statistic and reduce missed detection rates. T² statistic can be used to measure the variation directly along each KPC and analyze the detection performance as well as capture the most useful information in a process. With the calculation of the change rate of T² statistic along each KPC, SKPCA selects the sensitive kernel principal components for process monitoring. A simulated simple system and Tennessee Eastman process are employed to demonstrate the efficiency of SKPCA on online monitoring. The results indicate that the monitoring performance is improved significantly.     

基于变量分组DTW-MCVA的不等长间歇过程故障检测方法

针对不等长间歇过程监控中批次数据同步化未能充分挖掘局部信息的问题,提出一种基于变量分组DTW-MCVA（VGDTW-CVA）的不等长间歇过程故障检测方法。首先,利用互信息矩阵描述不等长间歇过程测量变量之间的相关性,并基于互信息矩阵进行变量分组。然后利用DTW算法对各个变量组分别进行同步化,并将同步化后的变量组整合为完整的三维数据集。最后,利用MCVA方法建立动态监控模型实现对间歇生产过程的在线监控。盘尼西林发酵过程的仿真结果表明,VGDTW-MCVA能够比基本的DTW-MCVA方法更好地监控间歇过程故障。     

Improved process monitoring using the CUSUM and EWMA-based multiscale PCA fault detection framework

Process monitoring techniques are of paramount importance in the chemical industry to improve both the product quality and plant safety. Small or incipient irregularities may lead to severe degradation in complex chemical processes, and the conventional process monitoring techniques cannot detect these irregularities. In this study to improve the performance of monitoring, an online multiscale fault detection approach is proposed by integrating multiscale principal component analysis (MSPCA) with cumulative sum (CUSUM) and exponentially weighted moving average (EWMA) control charts. The new Hotelling's T² and square prediction error (SPE) based fault detection indices are proposed to detect the incipient irregularities in the process data. The performance of the proposed fault detection methods was tested for simulated data obtained from the CSTR system and compared to that of conventional PCA and MSPCA based methods. The results demonstrate that the proposed EWMA based MSPCA fault detection method was successful in detecting the faults. Moreover, a comparative study shows that the SPE-EWMA monitoring index exhibits a better performance with lower values of missed detections ranging from 0% to 0.80% and false alarms ranging from 0% to 21.20%.     

基于核相似度支持向量数据描述的间歇过程监测

基于支持向量数据描述的间歇过程监测方法选择历史过程数据中最大的核距离作为控制限，忽略了高维空间中超球体的不规则性，导致基于该方法的过程监测精度不高。针对上述问题，提出了一种基于核相似度支持向量数据描述的间歇过程监测方法，将间歇过程数据待监测样本与支持向量之间的核函数值作为相似度权重，利用该相似度对不同时刻的支持向量球心距加权求和，得到待监测间歇过程数据样本的动态控制限，通过判断待监测样本的球心距是否超过其动态控制限，实现间歇过程监测。所提方法综合考虑了超球体的不规则性和过程数据在高维空间分布的局部特性，以及间歇过程数据待监测样本的时变性，提高了间歇过程监测的准确性。利用数值仿真实验和半导体金属刻蚀实验验证了该方法的有效性。     

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。     

基于核Fisher包络分析的间歇过程故障诊断

随着间歇过程越来越受重视,其过程监控和故障诊断技术也成为研究热点。以核Fisher判别分析为基础,提出了基于核Fisher的正常工况与故障包络面模型,给出了基于该模型的在线故障诊断流程。此方法利用了Fisher判别分析对类别的划分特点,分别针对正常工况数据和各故障类型数据建立包络曲面模型。与多向Fisher判别分析相比,该方法按批次方向将数据展开,能够解决生产周期不一致问题,在线故障诊断时也不需要预报完整的生产轨迹,并且加入核函数来处理复杂的非线性。最后在青霉素发酵过程的仿真平台上对该方法进行测试,与改进多向Fisher判别分析方法进行对比,该方法获得了满意的诊断效果：能够及早诊断出故障的发生,并在有效识别已有故障的同时还具有对新故障的自学习能力。