基于MCUSUM-ForeCA的微小故障检测

针对传统多元统计方法对过程的微小变化不敏感且无法反映过程时序特性的缺点,把多元累积和(MCUSUM)与可预测元分析(Fore CA)相结合,提出了MCUSUM-Fore CA方法。该方法利用MCUSUM对数据进行处理,累积数据的历史信息,使用Fore CA计算可预测元矩阵,选取合适的可预测元,构造能够反映系统运行状况的统计量,以此建立了微小故障检测模型。将此模型用于在线监控,并详细分析了MCUSUM的步长对微小故障检测效果的影响。最后,在TE模型上的仿真结果表明了MCUSUMFore CA方法在微小故障检测方面的良好性能。     

一种基于可预测偏最小二乘法的故障检测方法

将可预测元分析(Fore CA)与偏最小二乘法(PLS)结合用于故障检测,在选取合适的可预测元的基础上,运用偏最小二乘回归,进一步提高模型对系统的预测能力,克服了偏最小二乘回归方法无法反映系统动态时序特性的缺陷,并构造CUSUM统计量和SPE统计量以检测故障是否发生。最后通过TE模型上的仿真实验结果表明:Fore PLS方法能有效检测慢漂移等故障。     

基于核可预测元分析的非线性故障检测技术

为克服可预测元分析方法在非线性领域的不足,并更好地反映工业监控过程的动态特性,将核可预测元分析方法引入非线性故障检测领域。首先将观测数据映射到高维特征空间,提取可预测元特征;然后基于贝叶斯定理构造统计量,用于监控工业过程进行并检测故障。在TE模型的仿真实验结果表明:基于核可预测元分析的非线性故障检测方法能有效提高系统的故障检测准确率。     

一种基于改进MPCA的间歇过程监控与故障诊断方法

针对基于不同展开方式的多向主元分析(MPCA)方法在线应用时各自存在的缺陷,提出一种改进的基于变量展开的MPCA方法,实现间歇过程的在线监控与故障诊断。该方法采用随时间更新的主元协方差代替固定的主元协方差进行T²统计量的计算,充分考虑了主元得分向量的动态特性;同时引入主元显著相关变量残差统计量,避免SPE统计量的保守性,且该统计量能提供更详细的过程变化信息,对正常工况改变或过程故障引起的T²监控图变化有一定的识别能力;最后提出一种随时间变化的贡献图计算方法用于在线故障诊断。该方法和MPCA方法的监控性能在一个青霉素发酵仿真系统上进行了比较。仿真结果表明：该方法具有较好的监控性能,能及时检测出过程存在的故障,且具有一定的故障识别和诊断能力。     

一种基于改进局部熵PCA的工业过程故障检测方法

针对工业过程的多模态和非高斯特性,提出一种基于改进局部熵主元分析(ILEPCA)的故障检测方法。引入k近邻的均值对局部概率密度函数进行改进,构造改进的局部熵数据剔除多模态和非高斯特性。对改进的局部熵数据建立主元分析(PCA)模型,根据核密度估计计算控制限。对于测试数据,运用改进的局部熵算法预处理后,向PCA模型上投影,计算统计量。通过比较统计量与控制限来进行故障检测。把该方法应用到数值例子和半导体过程故障检测,仿真结果表明,与PCA、核主元分析(KPCA)和局部熵PCA (LEPCA)相比,ILEPCA算法在具有多模态和非高斯特性的工业过程故障检测中具有明显的优越性。     

基于动态主元分析的统计过程监视

针对时序相关观测数据 ,提出了一种动态主元分析过程 .仿真计算结果表明 ,过程观测数据的动态主元分析可看作是扰动“驱动”信号的提取过程 ,分析得到的主元变量实际上是驱动扰动的估计 .对CSTR过程的仿真监视研究 ,验证了基于动态主元分析的统计过程监视的有效性 .     

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…     

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PSO的间歇生产鲁棒统计过程监控

间歇过程广泛应用于精细化工产品、生物化工产品等高附加值产品的制备.为提高间歇生产的可重复性,提高批次之间产品的一致性,多向主元分析法(MPCA)广泛应用于间歇生产过程的监控.针对MPCA统计监控模型容易受到建模数据中离群点影响的不足,提出了一种基于微粒群优化算法(PSO)的鲁棒MPCA分析方法,并进一步给出了相应鲁棒监控统计量的计算方法.对于链霉素发酵过程的监控表明,相对于普通MPCA,鲁棒MPCA在建模数据中存在离群点时仍能够给出正确的统计监控模型,从而有效减少了建模过程对数据的要求.     

基于LECA的多工况过程故障检测方法

针对工业过程监控中的多工况复杂分布数据,提出一种基于局部熵成分分析(LECA)的故障检测方法。为处理数据的多模态分布问题,LECA首先采用KNN-Parzen窗方法估计变量的局部概率密度,进一步构造局部相对概率密度函数降低对窗参数选择的敏感性。为有效挖掘非高斯分布数据中的特征信息,利用信息熵理论计算过程数据的局部信息熵,并采用独立元分析(ICA)方法建立局部熵成分统计模型,实时检测过程故障。在数值例子和连续搅拌反应釜(CSTR)上的仿真结果表明,该方法在故障检测过程中能够获得较好的监控性能。     

盲信号分离问题的分类和现状

盲信号分离是用于解决从混合观测数据中分离出源信号的一门技术,目前已经在很多领域中获得了广泛应用。从盲信号分离问题的数学模型出发,介绍在盲信号分离中主要使用的对比函数,并分别从线性混合模型和非线性混合模型两个方面综述了盲信号分离的优化算法,最后提出了这一领域中有待进一步研究的几个问题。     

应重视数理统计方法在成分分析中的应用

从7个方面阐述了数理统计在成分分析中的重要性和必要性。例举了标准偏差、灵敏度、检出限、定量限和加标回收试验等概念的定义及其计算式,以及应用中常见的问题和错误。     

MPCA在间歇反应过程故障诊断中的应用

将多方向主元分析(MPCA)理论应用到一个实际的PVC间歇反应过程的性能监测与故障诊断中。由于间歇反应的特点,数据具有多维性,应用传统的主元分析将使过程的统计建模与故障诊断难以实现。MPCA可将间歇过程的多维数据沿时间轨迹分割,使得多批次的数据可以在各时间序列轨迹上建立相应的PCA模型,从而完成对间歇过程的实时监视及故障诊断。     

基于部分DPCA的动态系统故障隔离

Principal component analysis （PCA） is a useful tool in process fault detection, but offers little support on fault isolation. In this article, structured residual with strong isolation property is introduced. Although it is easy to get the residual by transformation matrix in static process, unfortunately, it becomes hard in dynamic process under control loop. Therefore, partial dynamic PCA（PDPCA） is proposed to obtain structured residual and enhance the isolation ability of dynamic process monitoring, and a compound statistic is introduced to resolve the problem resulting from independent variables in every variable subset. Simulations on continuous stirred tank reactor （CSTR） show the effectiveness of the proposed method.     

Fault Detection of Non‐Linear Processes Using Kernel Independent Component Analysis

In this paper, a new non‐linear process monitoring method based on kernel independent component analysis (KICA) is developed. Its basic idea is to use KICA to extract some dominant independent components capturing non‐linearity from normal operating process data and to combine them with statistical process monitoring techniques. The proposed method is applied to the fault detection in the Tennessee Eastman process and is compared with PCA, modified ICA, and KPCA. The proposed approach effectively captures the non‐linear relationship in the process variables and showed superior fault detectability compared to other methods while attaining comparable false alarm rates.     

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。     

Reconstruction of reflectance spectra using weighted principal component analysis

The weighted principal component analysis technique is employed for reconstruction of reflectance spectra of surface colors from the related tristimulus values. A dynamic eigenvector subspace based on applying certain weights to reflectance data of Munsell color chips has been formed for each particular sample and the color difference value between the target, and Munsell dataset is chosen as a criterion for determination of weighting factors. Implementation of this method enables one to increase the influence of samples which are closer to target on extracted principal eigenvectors and subsequently diminish the effect of those samples which benefit from higher amount of color difference. The performance of the suggested method is evaluated in spectral reflectance reconstruction of three different collections of colored samples by the use of the first three Munsell bases. The resulting spectra show considerable improvements in terms of root mean square error between the actual and reconstructed reflectance curves as well as CIELAB color difference under illuminant A in comparison to those obtained from the standard PCA method. © 2008 Wiley Periodicals, Inc. Col Res Appl, 33, 360–371, 2008     

主成分分析法(PCA)在藻类生长影响分析中的应用

水华的发生、发展是一个相当复杂的过程,众多影响因素共同导致藻类生长、水华爆发。常用的分析工具难以分析、预测实际情况下藻类的生长。该文利用当今世界上最大型的统计与图表分析软件之一STATISTICA对2008年和2009年奥运森林公园主湖的监测数据进行主成分分析。结果表明STATISTICA软件中的主成分分析适用于藻类生长分析,并发现除了已知的藻类生长影响因素(营养盐、温度等)之外,景观湖中底泥的累积效应也应纳入分析之内。     

芳香疗法中功能性（复方）油的研究进展（Ⅰ）：功能性成分应用介绍

随着社会的进步、人民生活水平的提高、科学技术,特别是生物技术的快速发展,令人们对芳香疗法有了更高的期待,不再满足于对身心、身体等一般调理及被动保护作用,而是期盼着更有疗效的功能性产品问世。芳香疗法产品中的功能性复方油是通过纯化和富集,再经由有经验的芳疗师针对性调配及施用,进入皮肤的表皮、真皮,影响皮肤的新陈代谢,并在该部位发挥作用。部分成分会透过皮肤进入体内循环,达到预期的功效作用。     

基于IJB-PCA-ICA算法的故障检测

针对现代工业过程数据的高维性和分布复杂性等问题,提出了一种基于IJB-PCA-ICA（improved Jarque-Bera-principal component analysis-independent component analysis）的故障检测方法。首先采用改进的Jarque-Bera检测方法（J-B test）对原始数据划分高斯与非高斯核心部分,并对其中的高斯性与非高斯性均不明显的变量划分半高斯部分。将半高斯部分通过高斯分布置信概率加权与高斯核心部分和非高斯核心部分分别建立高斯子空间和分高斯子空间,然后对高斯子空间进行相关性划分后采用PCA方法得到高斯子空间的统计量;对非高斯子空间进行主元投影划分后采用ICA方法得到非高斯子空间的统计量,接着通过贝叶斯推断得到的联合统计量进行故障检测。最后通过Tenessee Eastman（TE）仿真实验,有效验证了所提出方法的有效性。