递归核PCA及其在非线性过程自适应监控中的应用

PCA、PLS作为常用的多变量统计监控算法,一般适用于线性、定常的过程。针对实际工业过程的时变、非线性特性,提出了一种递归核PCA（RKPCA）方法用于非线性过程的自适应监控。RKPCA算法通过将递归奇异值分解推广到核空间,给出了核形式描述的递归KPCA算法,运算复杂度比KPCA明显降低,保证非线性监控模型能够在线更新。在Alstom工业燃气发生装置上的自适应监控表明,所提出的RKPCA算法能够及时跟踪非线性过程的时变特征,保证了监控模型的有效性。     

基于互信息的PCA方法及其在过程监测中的应用

主元分析(PCA)是一种经典的特征提取方法,已被广泛用于多变量统计过程监测,其算法的本质在于提取过程数据各变量之间的相关性。然而,传统PCA算法中定义的相关性矩阵局限于计算变量间的线性关系,无法衡量两个变量间相互依赖的强弱程度。为此,提出一种新的基于互信息的PCA方法(MIPCA)并将之应用于过程监测。与传统PCA所不同的是,MIPCA通过计算两两变量间的互信息来定义相关性,将原始相关性矩阵取而代之为互信息矩阵,并利用该互信息矩阵的特征向量实现对过程数据的特征提取。在此基础上,可以建立相应的统计监测模型。最后,通过实例验证MIPCA用于过程监测的可行性和有效性。     

因子分析及其在过程监控中的应用

概率主元分析（PPCA）模型是因子分析（FA）模型的一种特殊形式，而主元分析（PCA）模型是PPCA模型的一种特例。PPCA和PCA已经在过程监控中得到了成功的应用，但是这两种方法的约束条件较多，而FA约束条件少，因此更能反映数据的本质特征。本文将FA引入工业过程监控，通过期望最大化（EM）算法建立FA模型，然后提出基于FA的监控指标，并讨论了因子个数的选择方案。在田纳西-伊斯曼（TE）过程中的应用结果以及与PCA、PPCA监控结果的对比表明了该方法的优越性。     

步进MPCA及其在间歇过程监控中的应用

针对多向主元分析法(MPCA)在间歇过程监控过程中需要预测过程未来输出的困难,提出了一种新的步进多向主元分析方法。该方法通过建立一系列的PCA模型,避免了对预估过程变量未来输出的需要,通过引入遗忘因子能够自然地处理多阶段间歇过程的情况。对于多阶段链霉素发酵过程的监控表明,相对于普通MPCA,步进MPCA能够更精确地对过程故障行为进行描述。     

基于PCA混合模型的多工况过程监控

针对传统多元统计故障检测方法大多假设测量数据服从单一高斯分布的不足,提出了一种基于PCA(principal component analysis)混合模型的多工况过程监测方法。首先通过直接对混合模型的各高斯成分的协方差进行PCA降维变换,使得协方差阵对角化,既减少了运算量又避免了变量相关而导致的奇异性问题;同时采用BYY增量EM算法自动获取混合模型的最佳混合分量数目,避免了常规EM算法的不足。所得的混合模型,除包括均值、协方差和先验概率等参数外,还包括了PCA载荷阵,即对每个混合元建立了PCA模型。然后给出了统计量定义,实现对多工况过程的故障检测。数值例子和TE过程的应用表明,本文提出的方法无需过程先验知识,能自动获取工况数目、精确估计各个工况的统计特性,并更准确及时地检测出多工况过程的各种故障。     

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。     

改进PCA及其在过程监测与故障诊断中的应用

提出一种改进的主元分析 (PCA)方法 ,采用主元相关变量残差 (PVR)统计量代替通常的平方预测误差Q统计量 ,用于工业过程的监测与故障诊断。改进PCA避免了Q统计量的保守性 ,能够提供更详细的过程变化信息 ,从而有效识别正常工况改变与过程故障引起的T² 图变化。通过对双效蒸发过程的仿真监测 ,与普通PCA方法进行了比较 ,表明了改进PCA方法的有效性     

独立元分析方法(ICA)及其在化工过程监控和故障诊断中的应用

引　言近年来 ,多元统计过程控制 (multivariatestatisti calprocesscontrol,MSPC)作为一种基于多元统计投影理论的过程性能监控和故障诊断技术受到了学术界和工业界的广泛重视 ,并在化工生产过程中得到了成功应用[1] .MSPC中 ,人们采用主元分析方法(PCA)从过程观测数据中提取统计无关主元 ,通过构造各种信息统计量对过程运行状况进行统计分析 ,判断过程运行是否偏离了正常的操作区域并诊断引起状态偏移的原因 ,其结论成立的前提是要求观测数据服从正态分布[2 ] .然而 ,实际的工业过程数据大都不满足正态分布条件 ,传统的PCA必然导致…     

用主元分析方法完善DCS过程监控性能

在分析目前DCS过程监控性能尚存不足的基础上，结合主元分析（PCA）算法，提出了一种用PCA完善DCS过程监控性能的系统结构。该系统包括组态环境与运行环境，其中组态环境完成主元模型的建立与检验、统计量控制限的确定以及统计量监视图的组态等功能；运行环境通过数据库调用组态环境设计的参数来完成实时过程监控。仿真结果表明，该方法能够结合DCS进一步完善系统的过程监控性能。     

PCA过程监测方法的故障检测行为分析

通过分别导出T2 和SPE统计量均值与过程数据统计参数之间的关系 ,分析了影响主元分析 (PCA)检测行为的因素以及工况变化与故障在PCA下的不同被检测行为 ,利用双效蒸发过程的仿真监测验证了获得的结果 ,指出了通常关于PCA检测行为的一些不准确的结论     

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。     

A Robust Statistical Batch Process Monitoring Framework and Its Application

In order to reduce the variations of the product quality in batch processes, multivariate statistical process control methods according to multi-way principal component analysis (MPCA) or multi-way projection to latent structure (MPLS) were proposed for on-line batch process monitoring. However, they are based on the decomposition of relative covariance matrix and strongly affected by outlying observations. In this paper, in view of an efficient projection pursuit algorithm, a robust statistical batch process monitoring (RSBPM) framework, which is resistant to outliers, is proposed to reduce the high demand for modeling data. The construction of robust normal operating condition model and robust control limits are discussed in detail. It is evaluated on monitoring an industrial streptomycin fermentation process and compared with the conventional MPCA. The results show that the RSBPM framework is resistant to possible outliers and the robustness is confirmed.     

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。     

基于主元分析的延迟焦化过程连续故障检测策略

提出了一种新的主元分析在线故障检测策略,并以PSOG软件为平台,将其长期应用于某炼油厂延迟焦化过程的在线故障检测。结果表明了所提出故障检测策略的有效性,并从应用结果出发,提出了过程故障诊断应用于实际所需的进一步研究内容。     

Mixture Bayesian regularization method of PPCA for multimode process monitoring

This article intends to address two drawbacks of the traditional principal component analysis (PCA)‐based monitoring method: (1) nonprobabilistic; (2) single operation mode assumption. On the basis of the monitoring framework of probabilistic PCA (PPCA), a Bayesian regularization method is introduced for performance improvement, through which the effective dimensionality of the latent variable can be determined automatically. For monitoring processes with multiple operation modes, the Bayesian regularization method is extended to its mixture form, thus a mixture Bayesian regularization method of PPCA has been developed. To enhance the monitoring performance, a novel probabilistic strategy has been proposed for result combination in different operation modes. In addition, a new mode localization approach has also been developed, which can provide additional information and improve process comprehension for the operation engineer. A numerical example and a real industrial application case study have been used to evaluate the efficiency of the proposed method. © 2010 American Institute of Chemical Engineers AIChE J, 2010     

多变量统计过程监控:进展及其在化学工业的应用

Multivariate statistical process monitoring and control (MSPM&C) methods for chemical process monitoring with statistical projection techniques such as principal component analysis (PCA) and partial least squares (PLS) are surveyed in this paper. The four-step procedure of performing MSPM&C for chemical process, modeling of processes, detecting abnormal events or faults, identifying the variable(s) responsible for the faults and diagnosing the source cause for the abnormal behavior, is analyzed. Several main research directions of MSPM&C reported in the literature are discussed, such as multi-way principal component analysis (MPCA) for batch process, statistical monitoring and control for nonlinear process, dynamic PCA and dynamic PLS, and on-line quality control by inferential models. Industrial applications of MSPM&C to several typical chemical processes, such as chemical reactor, distillation column, polymerization process, petroleum refinery units, are summarized. Finally, some concluding remarks an