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。     

基于证据合成的高斯过程回归多模型软测量方法

针对生物发酵过程,提出了一种基于证据理论的高斯过程回归多模型软测量方法,其中多模型融合策略同时考虑了数据聚类特性和软测量子模型统计特性。首先,对聚类后的各子类建立高斯过程回归子模型;然后,基于聚类隶属度函数和高斯过程回归子模型后验概率分别设计子模型权值,并利用证据合成规则将两类权值进行证据合成得到融合权值;最后,将该融合权值作为加权因子对子模型进行融合。通过青霉素发酵过程仿真数据和红霉素发酵过程工业数据研究表明, 相比单一模型和传统多模型高斯过程回归软测量方法,本文所提方法具有较高的预测精度和较小的预测不确定度。     

一种不等长的多模态间歇过程故障检测方法

提出一种不等长的多模态间歇过程故障检测方法。首先,运用局部加权算法对不等长批次数据进行预处理。在训练样本中确定不等长数据的最大可保留长度,利用k近邻信息,通过加权重构出不等长批次缺失的数据点。其次,对等长的训练集构造局部近邻标准化矩阵,运用K-means算法进行模态聚类,使用局部离群因子方法确定第一控制限,并剔除离群样本。最后,对各个模态建立MPCA模型并确定第二控制限。根据各个模态控制限的匹配系数计算统一的统计量和控制限,在统一的控制限下进行多模态故障检测。将提出方法应用于半导体工业过程,仿真结果表明,与传统的故障检测算法相比,本文算法提高了故障检测率,验证了该方法的有效性。     

一种不等长的多模态间歇过程故障检测方法

提出一种不等长的多模态间歇过程故障检测方法。首先,运用局部加权算法对不等长批次数据进行预处理。在训练样本中确定不等长数据的最大可保留长度,利用k近邻信息,通过加权重构出不等长批次缺失的数据点。其次,对等长的训练集构造局部近邻标准化矩阵,运用K-means算法进行模态聚类,使用局部离群因子方法确定第一控制限,并剔除离群样本。最后,对各个模态建立MPCA模型并确定第二控制限。根据各个模态控制限的匹配系数计算统一的统计量和控制限,在统一的控制限下进行多模态故障检测。将提出方法应用于半导体工业过程,仿真结果表明,与传统的故障检测算法相比,本文算法提高了故障检测率,验证了该方法的有效性。     

基于加权模糊聚类方法的多模型建模

针对化工过程软测量模型的多样性,提出基于一种加权模糊聚类方法的多模型建模方法。将输入向量与输出的相关性作为加权系数,构建加权模糊聚类算法,对样本空间的输入数据进行聚类,然后用与输入变量对应的子模型进行输出估计,子模型输出作为系统模型的最终输出。该方法能够实现对输入数据更加合理的划分,提高软测量模型的精度。将该方法应用于双酚A生产过程的质量指标软测量建模,仿真结果表明了该方法的可行性和有效性。     

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。     

基于改进DPC的青霉素发酵过程多模型软测量建模

青霉素发酵过程具有较强的非线性、时变性、阶段性和不确定性,基于单一的软测量模型对产物浓度进行在线估计,难以满足系统对模型精度的要求。针对上述问题,提出一种改进密度峰值聚类的多模型软测量建模方法来估计青霉素发酵过程中的产物浓度。首先,引入相似度函数代替欧氏距离计算样本点的k近邻,并且计算样本点与其k近邻之间的共享近邻,进而利用样本点的k近邻及共享近邻重新定义样本点的局部密度。其次,利用样本点之间的k近邻关系来重新定义样本点的分配策略;通过改进的聚类算法得到各聚类子集,分别建立基于最小二乘支持向量机的软测量模型。Pensim仿真平台的验证结果表明,改进的聚类算法能够更加准确地对样本数据进行聚类,从而有效提高青霉素发酵过程软测量模型的估计精度。     

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Gath-Geva算法和核极限学习机的多阶段间歇过程软测量

间歇过程具有较强的非线性,多阶段、慢时变及批次间存在变化,采用单一预测模型不能反映间歇过程的多阶段特性及阶段间过渡特性。提出一种基于Gath-Geva聚类和核极限学习机（kernel extreme learning machine,KELM）的多模型软测量方法。首先采用主成分分析（principal component analysis,PCA）对输入做特征提取,然后利用Gath-Geva算法对间歇过程进行多阶段工况划分,根据生产工况特性划分为不同的操作阶段后,分别建立局部KELM模型。对任一待预测样本,分别计算其对应各局部模型的预测值,最后采用贝叶斯集成,将其隶属于各局部模型的模糊隶属度作为权重和预测值融合得到最终预测值。以青霉素发酵数据进行实验测试,结果表明所提多模型算法相较于单一模型,具有更高的预测精度。     

基于Gath-Geva算法和核极限学习机的多阶段间歇过程软测量

间歇过程具有较强的非线性,多阶段、慢时变及批次间存在变化,采用单一预测模型不能反映间歇过程的多阶段特性及阶段间过渡特性。提出一种基于Gath-Geva聚类和核极限学习机(kernel extreme learning machine,KELM)的多模型软测量方法。首先采用主成分分析(principal component analysis,PCA)对输入做特征提取,然后利用Gath-Geva算法对间歇过程进行多阶段工况划分,根据生产工况特性划分为不同的操作阶段后,分别建立局部KELM模型。对任一待预测样本,分别计算其对应各局部模型的预测值,最后采用贝叶斯集成,将其隶属于各局部模型的模糊隶属度作为权重和预测值融合得到最终预测值。以青霉素发酵数据进行实验测试,结果表明所提多模型算法相较于单一模型,具有更高的预测精度。     

基于集成学习的注塑制品质量软测量方法研究

为解决传统注塑间歇过程的质量反馈存在严重滞后性的问题,利用注塑生产过程的传感器数据和成型机操作数据进行工况识别,对制品质量进行基于集成学习的软测量。采用Mini Batch K-Means算法,将注塑过程时段聚类为合模-注塑-保压-冷却主要阶段,实现工况准确、快速在线识别。利用多阶段演变的Stacking集成学习策略,结合工况识别的四个阶段,建立多阶段集成软测量模型。采用分阶段建模的方法明显削弱了数据的非线性,预测精度相比传统线性回归模型得到提升。采用集成学习的方法也提高了模型的精度,与非线性模型相比预测精度也得到提高,该多阶段集成的软测量方法可以为产品质量控制和改进,提供较精确的质量反馈。     

基于聚类多模型建模的多模态预测控制

多模型预测控制(MMPC)是解决非线性控制问题的重要手段,本文针对多模态控制器设计中模态匹配准则的选取问题,利用当前样本状态与各聚类建模子空间距离差异,提出了一种基于距离匹配的多模型控制器加权算法。然后,基于模态融合思想,提出了模态加权构建实时预测模型的控制策略。通过对pH中和过程进行仿真,结果表明：两种方法都提高了非线性系统的暂态响应,跟踪特性优良,体现了它们对非线性系统大范围控制的有效性。     

基于AP聚类算法的跳汰机床层松散度软测量建模

松散度是跳汰分选过程的重要影响因素,针对其难以用仪器在线检测的问题,提出采用最小二乘支持向量机(LS-SVM)的软测量建模方法。在充分考虑分选过程高度非线性及强耦合性的基础上,为避免单模型建模回归精度差和泛化能力弱的问题,提出采用基于仿射传播(AP)聚类的LS-SVM多模型建模算法进行床层松散度软测量建模。首先采用AP算法对样本数据进行聚类划分,再用LS-SVM的方法对子类样本分别建立子模型,最后通过子模型切换策略得到系统输出。仿真实验表明,基于AP聚类算法的LS-SVM软测量建模算法能够更好地预测跳汰机床层松散度。     

基于改进聚类和加权bagging的多模型软测量建模

针对化工生产过程中软测量模型估计精度的问题,提出一种基于改进聚类和加权bagging的多模型建模方法。该方法在传统FCM聚类的基础上,利用K-近邻处理进一步降低错分率,改善聚类效果;通过相关性分析对训练样本集进行特征分组,将原始集划分为多个特征集;最后根据加权bagging的集成学习算法,融合支持向量机自适应地实现多模型建模。仿真结果表明,该建模方法可以合理地加权分配特征子模型,使得模型估计精度得到提高,具有更强的泛化能力。     

基于热扩散核密度确定密度峰值法的历史工况识别

在工业生产过程中,生产决策的调整或生产状况的变化会导致生产过程多模态化,常用的数据聚类方法进行工况识别时存在参数选取困难或需要先验知识等限制。基于此,提出一种将人工智能领域的热扩散核密度确定密度峰的技术与高斯混合模型相结合的方法,可有效克服目前方法的缺点。该方法首先利用热扩散核密度确定密度峰的技术估算每个数据点的密度及其与局部密度较大点的距离,获取数据集的聚类中心并完成聚类;其次,利用高斯混合模型获取不同工况的特征参数：平均值、协方差和先验概率,从而对多工况历史过程进行准确的描述;最后,利用文献中仿真数据和Tennessee Eastman过程两个案例进行验证,并与K-均值法和F-J改进的高斯混合模型进行比较,证明了本文提出方法可更加方便、有效地对历史工况进行准确识别。