基于信息增量矩阵的多阶段间歇过程质量预测

针对间歇过程划分阶段方法很少考虑过程的时序性和动态特性,易将时间上不连续但具有相似特征的样本划分到同一阶段,影响建模精确性的问题,提出一种基于信息增量矩阵-偏最小二乘（information increment matrix-partial least square,ⅡMPLS）的多阶段间歇过程质量预测方法。将历史三维数据沿批次方向展开为二维数据,将其切分成融合质量变量的扩展时间片,依据扩展时间片的信息增量使用滑动窗划分阶段,对各个阶段内数据建立PLS模型进行质量预测。该方法考虑变量之间的相关关系沿采样时刻的变化,利用信息增量捕获系统的动态特性并时序地划分阶段。青霉素仿真平台与大肠杆菌实际生产数据验证了方法的可行性和有效性。     

基于扩展得分矩阵的多阶段间歇过程质量预测

为考虑质量变量对阶段划分结果的影响,提高建模精度,提出了一种基于扩展得分矩阵的多阶段间歇过程质量预测方法。首先将三维过程数据沿批次方向展开为二维数据矩阵,对每个时间片矩阵进行偏最小二乘(partial least squares,PLS)分析得到可以表征过程变量的得分矩阵和可以表征质量变量的得分矩阵;然后构建每个时间片的扩展得分矩阵,利用扩展得分矩阵捕捉质量变量信息对划分阶段的影响,采用CS (Cauchy-Schwarz)统计量计算相邻两个扩展得分矩阵的相似度,依据相似度将操作过程划分为不同的操作阶段,对划分后的各个阶段分别建立MPLS质量预测模型;最后将该算法在青霉素发酵仿真实验平台和大肠杆菌生产数据上进行了实验验证,实验结果表明了本文所提方法的可行性和有效性。     

基于联合典型变量矩阵的多阶段发酵过程质量相关故障监测

为考虑发酵过程的质量变量和动态特征对于阶段划分的影响,提出了一种基于联合典型变量矩阵的多阶段发酵过程质量相关故障监测方法。首先,将历史三维数据沿批次方向展开,对每个时间片矩阵进行典型相关分析（canonical correlation analysis, CCA）,得到融合过程变量和质量变量信息的联合典型变量矩阵,对其进行K均值聚类,实现基于静态特征的第1步划分;然后采用慢特征分析（slow feature analysis, SFA）算法提取表征过程动态性的慢特征,对其进行聚类实现第2步划分。最后综合分析两步划分结果,将生产过程划分为不同的稳定阶段和过渡阶段,并在划分的子阶段中分别建立CCA监测模型进行质量相关故障监测。该方法通过静态和动态特征的变化实现两步划分,准确区分强动态变化与阶段切换,有效提高质量相关的故障监测模型精度。青霉素仿真平台与大肠杆菌实际生产数据验证了所提方法的可行性和有效性。     

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。     

基于主元相似度的间歇过程操作曲线多阶段融合优化

针对一类具有多阶段特性的间歇过程操作曲线优化问题,提出了一种基于过程正常运行批次的数据驱动型操作曲线多阶段融合优化方法。首先通过时间片矩阵的划分以及主元分析,计算加权时间片载荷矩阵,并对其进行聚类分析得出过程的阶段;然后在每一阶段下利用时段变量与指标变量的相似度修正操作曲线;最后通过计算各阶段与指标变量的相关系数,获取阶段的权重从而实现操作曲线融合。将该方法应用到某化工产品的间歇结晶过程中,结果验证了所提方法的有效性。     

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。     

一种针对间歇过程过渡状态的故障诊断方法

针对间歇过程过渡状态下具有的复杂过程特性,提出一种基于二维动态主成分分析（2DDPCA）的故障诊断方法。该方法将故障信息划分为“批次内”和“批次间”信息,采用变量贡献图方法隔离故障变量,并依据2DDPCA模型支撑区域中故障变量的相关性变化具体分析故障成因。仿真结果验证了该方法的可行性和有效性。     

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。     

基于过程迁移的间歇过程终点质量预报方法

提出了一种基于过程迁移的间歇过程质量预报方法,旨在解决新间歇过程数据不足难以建立准确预报模型的问题。该方法基于多元统计回归分析模型,通过构建相似间歇过程间的共同潜变量空间,将已有相似间歇过程的数据信息迁移应用到未建模的新间歇过程中,实现新间歇过程的快速建模和质量预报。在线应用时,利用在线数据不断更新过程迁移模型;同时,实时估计模型预测误差的置信区间,判断预报模型预测误差的稳定性;为克服相似过程间可能存在的差异给迁移模型带来的不利影响,根据数据相似度逐步剔除相似间歇过程数据。最后,通过仿真实验验证了所提方法的有效性。     

基于过程迁移的间歇过程终点质量预报方法

提出了一种基于过程迁移的间歇过程质量预报方法,旨在解决新间歇过程数据不足难以建立准确预报模型的问题。该方法基于多元统计回归分析模型,通过构建相似间歇过程间的共同潜变量空间,将已有相似间歇过程的数据信息迁移应用到未建模的新间歇过程中,实现新间歇过程的快速建模和质量预报。在线应用时,利用在线数据不断更新过程迁移模型;同时,实时估计模型预测误差的置信区间,判断预报模型预测误差的稳定性;为克服相似过程间可能存在的差异给迁移模型带来的不利影响,根据数据相似度逐步剔除相似间歇过程数据。最后,通过仿真实验验证了所提方法的有效性。     

化工过程软测量建模方法研究进展

软测量仪表是解决化工过程中质量变量难以实时测量的重要手段。软测量仪表的核心问题是软测量建模。阐述了软测量建模与辨识和非线性建模的关系:质量变量和易测变量的动态关系存在于增量之间,辨识模型依赖于增量数据,软测量建模则是依赖于实测变量数据来获取这个动态关系;非线性建模建立了变量间的静态关系,忽略了对象动态特性,而软测量建模要兼顾对动态特性的表征。随着人们对过程特性的认识加深,软测量建模方法不断发展,经历了从机理建模到数据驱动建模,从线性建模到非线性建模,从静态建模到动态建模的过程。详细讨论了软测量建模的发展过程,众多建模方法的优缺点及适用情况和现在建模的热点,最后对软测量建模方法进行了总体展望。     

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。     

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。     

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。     

动态因子分析模型及其在过程监控中的应用

在复杂工业系统的监控中,因子分析（FA）方法不需要专业的机理知识,应用系统日常运行数据建立模型,充分考虑了模型误差的普遍意义,具有较大的推广价值。针对实际过程的动态特性,基于自回归（AR）方式扩展过程变量数据矩阵,本文提出一种动态因子分析（DFA）的数据建模方法,充分提取了变量的自相关信息和互相关信息。另一方面,将DFA引入过程监控中,构建统计量作为监控指标,分别衡量变量的特征信息和误差信息,从而实现对动态过程运行状况的监控与评估。在Tennessee-Eastman（TE）过程中的应用研究,反映了这种方法的优越性。     

基于TGNPE算法的间歇过程故障诊断

间歇过程数据是由批次、变量和时间构成的三维数据,数据内包含了丰富的对过程监控有用的全局和局部结构信息,如何充分提取间歇过程的特征信息是故障诊断的关键。传统方法处理三维数据都是将其展开成二维数据,展开过程必然会导致数据内在结构破坏,并且通常只考虑了数据的全局信息或者只考虑了数据的局部信息,这就不能充分提取过程的有用信息导致诊断效果欠佳。针对以上问题,提出了张量全局-局部邻域保持嵌入(TGNPE)算法,首先用张量分解的方法直接对三维数据进行建模,而不对数据进行展开,这就有效地保存了数据的内部结构,再用邻域保持嵌入算法充分提取数据局部结构信息的同时兼顾数据的全局信息,这就实现了对数据特征信息更加充分地提取,用TGNPE算法检测到故障后用贡献图法诊断出故障变量。通过青霉素发酵过程验证了本文提出的算法对间歇过程数据信息提取更加充分,更利于故障诊断。