基于MPCA与DTW的间歇反应过程的性能监视及故障诊断

研究了基于多方向主元分析(MPCA)理论和动态时间错位(DTW)理论对间歇反应过程进行性能监视及故障诊断的方法．多元统计分析理论是根据反应过程的历史批量数据，建立过程的统计数据库、统计数学模型；在此基础上确定过程的统计监控指标，并向各自的统计模型投影，判断其与模型的拟合程度来诊断是否有故障发生．由于间歇反应的各批次物理条件的不同、约束条件的不同，导致批次与批次之间的数据轨迹不同步．动态时间错位(DTW)理论通过搜寻两轨迹的相似特征，适时地对轨迹进行压缩和扩张，从而使其达到一致的程度．这为基于MPCA理论进行故障诊断提供了合理、可靠的数据依据．比较轨迹进行同步化处理前、后的故障诊断结果完全不同。因此，DTW理论的应用在基于MPCA理论进行性能监视及故障诊断中具有重要意义     

滑动模型MPCA在间歇过程故障检测与诊断中的应用

本文针对间歇生产过程复杂非线性的特点及控制系统的实时监测要求,提出了滑动模型MPCA方法。这种方法首先将三维原始数据空间按不同测量时刻切割成一系列子数据空间,然后根据选取的模型大小将各个时间段中子数据块整合成具有相同数据结构的一系列新的子数据空间,分别建立各个子MPCA模型。滑动模型MPCA方法能够在尽可能小的时间段中监测系统运行状况,能够较好解决间歇生产过程中的非线性问题,并且更好地保证数据信息抽取的完整性。仿真实例验证了该方法的有效性。     

基于MICA-PCA的间歇过程故障监测

针对具有数据非高斯分布或混合分布的间歇过程, 研究一种新的改进MICA-PCA监控方法.首先利用MICA方法提取非高斯分布过程信息, 通过设定负熵阈值实现独立成分个数的自动选择, 以此克服传统ICA方法中需提前确定独立成分个数的缺点, 再使用核密度估计方法确定相应统计量的置信限, 然后对服从多元高斯分布的残差过程信息, 进一步进行PCA分析和处理.将该方法应用于北京某生化制药厂重组大肠杆菌制备白介素-2发酵过程监控.结果表明:该法在过程变量不服从高斯分布的情况下能有效降低传统方法的漏报和误报率, 准确地对过程进行监控.     

基于多向主元分析的多传感器故障诊断

研究一种基于MPCA的多传感器故障诊断方法．这种方法把过程测量空间分为主元子空间和残差子空间．在残差子空间，首先用Q统计指标检测出传感器是否存在故障，如果Q统计指标超限，在主元子空间应用T^2统计量和相应的T^2统计量的贡献率，识别出引起过程异常的主要传感器变量并剔除．然后用同样的方法继续判断其它的传感器故障．仿真实例验证了该方法的有效性．     

基于MPCA-MHMT的多阶段间歇过程监控研究

为了克服多阶段间歇过程监控只针对时间尺度从而导致误报率过高的缺陷,建立了捕捉实际测量数据的持续性和聚集性的隐马尔科夫树模型。该方法减少了信号扭曲从而更好地提取影响过程的系统变量,解决离散小波变换不具有平移不变性的问题。对展开结构进行简单的修改,把时域扩展到时间-频率域中,提取了历史数据的主要特征,对多阶段间歇过程进行了有效监控。利用提出的方法对青霉素发酵过程进行监控,验证了该方法比传统方法更为切实可行。     

CPV（1）分段法在间歇过程中的应用

研究一种批次过程阶段划分方法．首先,将间歇过程数据按照批次方向展开成二维数据,某采样时刻到末采样时刻的数据构成对应于该时刻的数据段．然后对每一数据段进行主元分析,获得第一主元贡献率．最后,采用第一主元贡献率的变化来表征批次内部阶段的转变,对批次过程划分阶段．将该方法应用于青霉素仿真发酵过程,分段结果明显与实际菌体生长阶段一致．将该方法应用于实际的半导体生产过程数据中,分段结果验证了分段理论的有效性．     

基于MICA-OCSVM的间歇过程故障监测

针对多向独立成分分析 (multi-way independent component analysis, MICA) 需要假设过程变量服从非高斯分布的要求, 以及MICA基于马氏距离构造的监控统计量会导致故障检测率降低的问题, 研究了一种将多向独立成分分析与单类支持向量机 (one-class support vector machines, OCSVM) 相结合的MICA-OCSVM监测方法.首先采用MICA提取间歇过程所有批次的独立成分;然后分别对每个时刻的所有批次的独立成分进行OCSVM建模, 利用确定的决策超平面构造非线性的监控统计量;最后计算所有建模数据的监控统计量, 并利用核密度估计确定相应的控制限.将该方法应用到青霉素发酵过程仿真平台, 实验结果表明:该方法相比于传统的MICA故障监测方法, 无需考虑过程变量服从何种分布, 能够有效利用独立成分的结构信息, 故障的误报率、漏报率明显降低.     

基于最小窗口MPCA的间歇过程实时监视和故障诊断软件

间歇过程起停频繁，状态变化反复，其过程监视和故障诊断十分困难．实时监视和故障诊断软件在原有DCS系统软、硬件设备基础上，基于最小窗口MPCA非线性多模型建模和监视方法，采用C，VB和MATLAB语言混合编程开发，用于挖掘数据中隐含的信息，解决批次过程实时在线监视和诊断问题．将该套软件应用于某化工过程，能早期预报和诊断异常情况，为操作人员监视和评价过程性能提供了可靠的依据，提高了过程操作的安全性，同时使产品质量提高．     

MWMPCA在过程故障检测与诊断中的应用

在研究多向主元分析(MPCA——Multi-way Principal Component Analysis)理论的基础上,通过对间歇过程数据的分析研究移动窗口多向主元分析(MWMPCA——Moving Window Multi-way Principal Component Analysis)理论,并将该方法应用于TE过程进行故障检测与诊断.与MPCA方法比较,MWMPCA方法随采样的增加窗口长度不断改变,使窗口内有用的信息不断增加,所建模型更加准确,能提高监控系统的稳定性.通过对Q统计量、HotellingT2统计量的检测结果进行分析比较,证明MWMPCA理论在检测系统异常事件中能提高系统的准确性,使系统故障检测与诊断的性能得到改进.     

间歇过程子阶段PCA建模和在线监测

针对间歇过程的多阶段特性, 提出一种新的子阶段主元分析 (principal component analysis, PCA) 监测方法.首先, 将间歇过程三维数据沿时间片展开, 采用模糊模式识别方法计算相邻时间片负载矩阵变量方向重心的格贴近度, 以最小贴近度为原则, 根据格贴近度的变化, 实现子阶段的划分;然后, 在划分的子阶段内采用一种先沿批次后沿变量的改进展开方式建立PCA监控模型;最后, 将该算法应用于青霉素发酵仿真系统的在线监测.结果表明该方法在监控过程中能够有效降低误报和漏报.     

基于多方向主元分析方法的间歇过程性能监视和故障诊断

将多方向主元分析（ＭＰＣＡ）技术应用于间歇生产过程的建模、过程性能监视和故障诊断,ＭＰＣＡ方法唯一需要的信息是过去成功间歇过程数据集合。作为一种有效的数据压缩和信息提取方法,ＭＰＣＡ方法大大降低数据空间结构的维数,消除变量之间的关联性,去除噪声,提高监视系统的鲁棒性,本文针对半导体生产过程中快速热退火间歇过程进行仿真实验研究。仿真结果表明：ＭＰＣＡ方法能够有效地监视间歇过程性能,及时准确诊断引起产     

基于多尺度主元分析方法的统计过程监视

基于主元分析和小波变换结合的基本理论，对Bakshi提出的MSPCA算法进行改进，提出一种新的多尺度主元分析方法（MSPCA）．MSPCA应用小波变换将每个变量信号依次分解成逼近系数和多个尺度的细节系数，把各个尺度的系数聚集在单独的矩阵中，在各个尺度建立相应的PCA模型，进行多尺度过程监视．针对TE过程的两种干扰，分别应用PCA和MSPCA两种方法做仿真试验．仿真实验结果表明：与PCA相比，MSPCA能有效地检测和识别过程中不同频率故障，减少误报警，提高了过程监视的可靠性．     

基于多向核熵偏最小二乘的间歇过程监测及质量预测

针对间歇过程数据的批次不等长和强非线性的特点,结合核偏最小二乘和核熵分析,提出了多向核熵偏最小二乘(multi-way kernel entropy partial least squares,MKEPLS)的过程监测及质量预测方法.该方法将三维历史数据沿新的展开方式展开,克服了批次不等长和数据缺失的问题,通过核映射将过程数据从低维输入空间映射到高维特征空间,实现变量之间非线性相关关系的线性转换,解决了数据的非线性特性;根据核熵的大小将特征值和特征向量进行排序并对数据进行降维,弥补了MKPLS方法只按照数据特征值的最大化进行降维的不足.同时,引入核特征提取算法降低核空间的计算量,使其能够在线应用.数值实例和实际工业过程数据的验证效果表明:MKEPLS方法不仅能对故障进行有效监控,提高故障的报警率,同时还能对最终产品质量进行预测.     

基于主元分析和BP神经网络的工业过程监测

BP神经网络的分类功能可以用于过程监测与故障诊断,但面对比较复杂的工业过程,数据量过大通常会导致网络的训练时间较长、收敛速度较慢.将主元分析与BP神经网络相结合,提出基于主元分析和BP神经网络理论的工业过程监测方法,根据TE过程数据变量确定神经网络的结构,然后使用TE过程数据训练集训练网络,并建立监测模型.通过对测试结...     

基于主成分分析和不合格品率的多元过程能力分析

实际生产过程中往往同时监测多个质量特性,需要进行多元过程能力分析,研究实际制造过程的变异相对于设定公差的满足程度。针对多维质量特性变量存在的联合概率密度分布函数形式复杂、相关性强、难以应用、误差大等问题,通常需要进行多元过程的降维。文章首先应用主成分分析法对多元过程进行降维,得到主成分分量的规格区间、规格中心向量和目标值向量。在此基础上,利用主成分分量的概率密度函数,分别提出了多元过程的表现不合格品率、潜在不合格率和田口不合格率,并对此三种不合格品率进行了推导和定义。据此三种不合格品率分别与允许的多元过程不合格品率进行比较,可针对性给出实际生产过程中工程师和操作人员提高其制造过程能力的建议。最后,以发动机主轴生产过程为例,进行了案例分析。     

动态批次主元分析在化工过程中的应用研究

本文研究了批次动态主元分析(BDPCA)及其在化工过程中的应用.批次动态主元分析是主元分析的一种延伸,通过把三维矩阵转化成二维矩阵,结合时滞变量算法捕捉批次过程中的动态特性完成过程的监视并给出了确定时滞变量的算法.以TE过程为例,与多向主元分析法相比,仿真结果表明,BDPCA算法实现了考虑过程中的批次动态特性并提高了对过程变化的故障检测能力.     

基于主成分分析的风电场等值方法的研究

针对系统中含有多随机变量的问题,提出了采用主成分分析对多电源提取有效的主成分来进行等值,结合REI等值对网络进行化简的方法。算例分析中运用了主成分分析方法进行了多台风力发电机的主成分提取,将提出的主成分看成虚拟的等效风力发电机来替换原有的多台风电机组,实现了有效的简化替换,降低了系统分析的复杂性。     

基于对称性特征分块主成分分析的人脸识别方法

为了进一步提高人脸识别的精度,考虑在分块主成分分析算法中引入对称性思想。首先对图像进行分块并分别求其奇偶对称脸,然后利用主成分分析算法提取图像的主要鉴别特征。该方法充分考虑了光照等多种因素对识别率的影响,利用人脸图像的对称性增加了样本数量,以有效提高识别率。在ORL人脸库上的实验显示,在每类训练样本数为7、提取特征数为20的情况下,基于对称性特征的分块主成分分析方法的人脸识别率为95%,说明该方法是有效的。     

一种基于主成分分析法的图像质量评价方法

该文提出的评价方法通过相关系数矩阵的特征向量将评价指标线性变化成彼此独立的主成分,根据主成分累计贡献值确定主成分的取用维数,由主成分方差确定权重。其优点是：可以消除由于指标间的相关性带来的偏差,降低计算维数,从而降低指标选择的难度,提高评价结果的可信度;此外,可以消除人为确定指标权重引起的弊病,使评价结果更具客观性和准确性。