基于DHSC的多模态间歇过程测量数据异常检测方法

多模态间歇过程测量数据异常直接影响数据驱动的多元统计分析过程建模的准确性，导致间歇过程的监控性能降低。针对多模态间歇过程测量数据异常问题，提出了一种基于动态超球结构变化（DHSC）的多模态间歇过程测量数据异常检测方法。该方法通过引入时序约束的模糊C均值聚类（SCFCM），利用隶属度变化划分多模态间歇过程的模态；针对不同模态，采用支持向量数据描述（SVDD）建立基于训练数据的静态超球体和基于待检数据的动态超球体，选择重要的支持向量作为球体结构，进而通过识别超球体发生结构变化实现过程测量数据异常检测。青霉素发酵过程仿真实验表明，所提出的方法能够实现多模态间歇过程的模态划分，减少了模态切换对过程测量数据异常检测精度的影响，并能够根据超球体结构变化检测过程测量数据异常，具有较高的检测精度，降低了误检率。     

基于WSDPC-RVR的多模态间歇过程软测量方法

间歇过程的多模态特性使得未考虑模态因素建立的软测量模型预测精度较低,现有的间歇过程模态划分方法对初始参数敏感且未考虑异常数据对模态划分结果的影响,其不合理的划分结果是制约多模态间歇过程软测量模型预测精度提升的一个重要因素。提出了一种基于密度加权和相似标签分配密度峰值聚类相关向量回归(weighted destiny and similar label allocation density peaks clustering-relevance vector regression, WSDPC-RVR)的多模态间歇过程软测量方法。首先,以不同数据点的密度贡献程度对低密度区域数据点的局部密度进行加权,准确选取聚类中心,并引入ε近邻结合数据点间的距离与局部密度构建剩余数据点的分配策略;然后,定义模态评价指标并分析不同模态的统计特性,构建异常模态判别策略获取有效模态数量,完成间歇过程模态划分;最后,建立各有效模态的RVR软测量模型,实现间歇过程主导变量的在线预测。青霉素发酵过程的仿真实验结果表明,所提方法能够实现合理的模态划分,有效地提高了软测量模型的预测精度。     

基于IDPC-RVM的多模态间歇过程质量变量在线预测

间歇过程具有多模态特性,现有的间歇过程模态划分方法中过程数据高维特征和模态中心的选取直接影响模态划分结果的合理性,进而影响间歇过程质量变量在线预测的精度。为提高间歇过程质量变量在线预测的精度,提出了一种基于改进密度峰值聚类相关向量机(improved density peaks clustering-relevance vector machine,IDPC-RVM)的间歇过程质量变量在线预测方法。首先,在密度峰值聚类算法基础上,考虑过程数据的高维特征进行样本相似性度量,并通过样本密度不平衡下的模态中心选取策略准确获取间歇过程模态中心;其次,利用模态划分指标在无须先验知识的情况下获取间歇过程最优模态数目,并识别过渡模态完成间歇过程的模态划分;最后,建立各模态数据的RVM预测模型,实现间歇过程质量变量的在线预测。青霉素发酵过程的实验结果表明,与RVM、SCFCM-RVM和DPC-RVM方法相比,对青霉素浓度预测的均方根误差(RMSE)降低至0.0093,判定系数(R²)提升至0.9995,有效地提高了预测精度。     

基于IDPC-RVM的多模态间歇过程质量变量在线预测

间歇过程具有多模态特性,现有的间歇过程模态划分方法中过程数据高维特征和模态中心的选取直接影响模态划分结果的合理性,进而影响间歇过程质量变量在线预测的精度。为提高间歇过程质量变量在线预测的精度,提出了一种基于改进密度峰值聚类相关向量机(improved density peaks clustering-relevance vector machine,IDPC-RVM)的间歇过程质量变量在线预测方法。首先,在密度峰值聚类算法基础上,考虑过程数据的高维特征进行样本相似性度量,并通过样本密度不平衡下的模态中心选取策略准确获取间歇过程模态中心;其次,利用模态划分指标在无须先验知识的情况下获取间歇过程最优模态数目,并识别过渡模态完成间歇过程的模态划分;最后,建立各模态数据的RVM预测模型,实现间歇过程质量变量的在线预测。青霉素发酵过程的实验结果表明,与RVM、SCFCM-RVM和DPC-RVM方法相比,对青霉素浓度预测的均方根误差(RMSE)降低至0.0093,判定系数(R²)提升至0.9995,有效地提高了预测精度。     

基于非负矩阵分解的多模态过程故障监测方法

针对传统的多元统计故障监测方法往往需要假设测量数据服从单一高斯分布的不足,提出了一种基于非负矩阵分解(NMF)的多模态故障监测方法。首先使用标准的NMF算法对训练集数据进行聚类,将多模态数据划分到各个模态中;然后使用稀疏性正交非负矩阵分解(SONMF)算法对各模态分别建模,同时构造监控统计量进行故障监测。将提出的基于非负矩阵分解的多模态故障监测方法应用于数值例子和TE过程的仿真结果表明,该方法能够及时有效地检测出多模态过程中的故障。     

基于非负矩阵分解的多模态过程故障监测方法

针对传统的多元统计故障监测方法往往需要假设测量数据服从单一高斯分布的不足,提出了一种基于非负矩阵分解(NMF)的多模态故障监测方法。首先使用标准的NMF算法对训练集数据进行聚类,将多模态数据划分到各个模态中;然后使用稀疏性正交非负矩阵分解(SONMF)算法对各模态分别建模,同时构造监控统计量进行故障监测。将提出的基于非负矩阵分解的多模态故障监测方法应用于数值例子和TE过程的仿真结果表明,该方法能够及时有效地检测出多模态过程中的故障。     

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。     

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。     

基于多证据融合决策的间歇过程测量数据异常检测方法

间歇过程测量数据的高维、非线性、非高斯分布特征直接影响过程测量数据异常检测的准确性,为了融合多源数据异常检测信息,提升间歇过程测量数据异常检测精度,提出了一种基于多证据融合决策的间歇过程测量数据异常检测方法,该方法通过引入证据理论(Dempster-Shafer,D-S),采用主焦元判别伪证据和重新计算证据权重改进冲突证据处理方法,减小了冲突证据对多证据融合决策结果的影响,提高了间歇过程测量数据异常检测的准确率。构建了基于多证据融合的测量数据异常检测模型并将其应用到间歇过程测量数据异常检测决策判决中。实验结果表明,该方法能够融合多证据信息,有效地处理冲突证据,实现了间歇过程测量数据异常检测,降低了误检和漏检率。     

基于多证据融合决策的间歇过程测量数据异常检测方法

间歇过程测量数据的高维、非线性、非高斯分布特征直接影响过程测量数据异常检测的准确性，为了融合多源数据异常检测信息，提升间歇过程测量数据异常检测精度，提出了一种基于多证据融合决策的间歇过程测量数据异常检测方法，该方法通过引入证据理论（Dempster-Shafer，D-S），采用主焦元判别伪证据和重新计算证据权重改进冲突证据处理方法，减小了冲突证据对多证据融合决策结果的影响，提高了间歇过程测量数据异常检测的准确率。构建了基于多证据融合的测量数据异常检测模型并将其应用到间歇过程测量数据异常检测决策判决中。实验结果表明，该方法能够融合多证据信息，有效地处理冲突证据，实现了间歇过程测量数据异常检测，降低了误检和漏检率。     

基于深度集成支持向量机的工业过程软测量方法

基于支持向量机(SVM)的软测量建模方法已经在工业过程控制领域得到广泛应用,然而传统支持向量机直接针对原始测量变量建立模型,未能充分挖掘数据的内在特征信息以提高预测精度。针对该问题,本文提出一种基于深度集成支持向量机(DESVM)的软测量建模方法。该方法首先利用深度置信网络(DBN)来对数据进行深层次的信息挖掘,提取出数据的内在特征,然后引入基于Bagging算法的集成学习策略,构建基于深度数据特征的集成支持向量机模型,以提升软测量预测模型的泛化能力。最后通过数值系统和真实工业数据对方法进行应用分析,结果表明本文提出的方法能够有效提升支持向量机软测量模型的预测精度,能够更好地预测过程质量指标的变化。     

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。     

基于深度集成支持向量机的工业过程软测量方法

基于支持向量机（SVM）的软测量建模方法已经在工业过程控制领域得到广泛应用,然而传统支持向量机直接针对原始测量变量建立模型,未能充分挖掘数据的内在特征信息以提高预测精度。针对该问题,本文提出一种基于深度集成支持向量机（DESVM）的软测量建模方法。该方法首先利用深度置信网络（DBN）来对数据进行深层次的信息挖掘,提取出数据的内在特征,然后引入基于Bagging算法的集成学习策略,构建基于深度数据特征的集成支持向量机模型,以提升软测量预测模型的泛化能力。最后通过数值系统和真实工业数据对方法进行应用分析,结果表明本文提出的方法能够有效提升支持向量机软测量模型的预测精度,能够更好地预测过程质量指标的变化。     

基于二阶差商LPP的多模态过程故障检测

为了提高局部保持投影(LPP)算法在各模态离散程度差异较大的多模态过程中故障检测性能,提出了一种新的基于二阶差商LPP(SODQ-LPP)的多模态过程故障检测方法。首先对多模态过程训练数据进行二阶差商预处理,消除模态间的方差差异,然后运用LPP算法进行降维和特征提取,计算样本的统计量,并利用核密度估计(KDE)确定控制限。对于新来的校验样本数据进行二阶差商处理后,向LPP模型上进行投影,计算新数据的统计量并与控制限比较进行故障检测。最后通过多模态数值例子和半导体过程数据的仿真实验结果验证了该算法的有效性。     

基于多核支持向量机的多模态过程故障检测

针对具有多模态、非线性特征的复杂分布数据的工业过程,提出一种基于局部相对概率密度（LRPD）的多核支持向量机（MKSVM）故障检测方法LRPD-MKSVM。首先,计算训练样本的局部概率密度矩阵并进行标准化处理,来消除数据的多模态特性;其次,运用标准化后的概率密度矩阵训练多核SVM模型,获得判别分类函数;之后,将测试数据的概率密度矩阵作为多核SVM模型的输入,对其进行分类;最后,将该方法应用于TE多模态工业过程,分别与基于单核的高斯核函数SVM(RBFSVM)、多项式核函数SVM(POLYSVM)分类方法 对比分析,结果表明：基于多核SVM方法的分类正确率明显优于单核SVM方法。     

基于K均值聚类与局部离群因子算法的故障检测研究

针对化工生产过程的多工况、数据多模态问题,提出一种基于K均值聚类的局部离群因子故障检测方法。首先利用K均值聚类算法对多模态工业数据进行聚类,将各个模态的数据分离出来,然后运用局部离群因子算法在各个模态下单独建立模型,并且确定各个模态下的局部离群因子控制限。检测时首先判断样本属于哪一类,然后在相应类别下求取局部离群因子值并与此类别下的控制限进行比较,确定是否为故障数据。将此方法运用到TE过程的多模态数据中,并且将此方法与单独应用局部离群因子算法做故障检测对比,结果表明:所提算法可以大幅提高故障的检测率。     

Unsupervised fault detection for muitimode processes using distance space statistics analysis

工业过程往往运行于多个生产模态,针对多模态过程数据的空间分布特点,提出了一种新的基于样本距离空间统计量分析的故障检测方法(DSSA).首先用每一个样本与其训练集样本中的邻居之间的k个最近邻距离之差来表示该样本,将样本从原始变量空间映射到对应的距离空间中.然后在距离空间中通过移动窗口的方式计算各阶统计量,最后对由各阶统计量组成的统计量样本进行主元分析(PCA).将DSSA方法、PCA方法以及另一种基于k近邻规则的多模态故障检测方法(FD-kNN)应用于TE过程中,仿真结果表明DSSA方法对多模态故障检测更为有效.     

自适应软测量方法在动液面预测中的研究与应用

针对传统人工检测方法在测量动液面时存在精度低、实时性差等问题,采用软测量技术来完成对动液面的测量工作.根据对现场数据特性的分析,提出采用经验模态分解和基于黑洞的最小二乘支持向量机预测相结合的算法来实现动液面软测量建模;通过构建模型性能评价模块,动态更新模型,解决在油田生产过程中,静态模型不能完全反映生产工况导致模型失效的问题,提高算法的自适应能力及预测量精度.最后通过对油田生产现场监测数据进行实验验证,结果表明,该方法对油田动液面测量精度高,对生产波动的自适应能力强,满足油田现场测试使用要求,提高油田生产自动化程度.     

基于距离空间统计量分析的多模态过程无监督故障检测

工业过程往往运行于多个生产模态,针对多模态过程数据的空间分布特点,提出了一种新的基于样本距离空间统计量分析的故障检测方法(DSSA)。首先用每一个样本与其训练集样本中的邻居之间的k个最近邻距离之差来表示该样本,将样本从原始变量空间映射到对应的距离空间中。然后在距离空间中通过移动窗口的方式计算各阶统计量,最后对由各阶统计量组成的统计量样本进行主元分析(PCA)。将DSSA方法、PCA方法以及另一种基于k近邻规则的多模态故障检测方法(FD-kNN)应用于TE过程中,仿真结果表明DSSA方法对多模态故障检测更为有效。