基于多级动态主元分析的电熔镁炉异常工况诊断

电熔镁熔炼过程中的异常工况(如半熔化工况)直接影响产品质量、威胁人员和生产安全, 有必要及时诊断. 但与异常直接相关的超高温熔池温度(>2850 ℃)难以利用温度传感器检测, 目前现场主要依靠工人在定期巡检时人眼观察炉壁来诊断, 工作强度大、安全度低、诊断不及时. 针对上述问题, 本文提出一种炉体动态图像驱动的电熔镁炉异常工况实时诊断方法. 结合电熔镁炉熔炼各区域温度分布的空间特征、正常工况下熔炼温度变化和水雾扰动引入的图像时序特征、以及异常工况下温度异常区域持续发亮扩大的特征, 在对炉体动态图像进行空间多级划分的基础上, 提出了一种多级动态主元分析(Multi-level dynamic principal component analysis, MLDPCA) 动态图像分块建模方法. 在此基础上, 提出基于MLDPCA的逐级诊断方法与基于贡献图的异常定位方法. 最后, 采用某电熔镁生产现场的实际图像进行方法验证, 结果表明了所提方法的有效性.     

基于动态概率主元分析的统计过程监测

概率主元分析(PPCA)已广泛应用于工业过程监测.然而,PPCA法仅构造了生产过程的静态线性关系,处理具有较强动态特性的实际工业生产过程效果较差.为此提出动态概率主元分析(DPPCA)法,对经过时谱扩展后的变量数据阵,通过期望最大化(EM)算法建立生成模型,从而将静态PPCA推广到动态多变量过程.最后将此法应用于TE过程的仿真研究,结果表明该法有效.     

改进动态主元分析的工业过程故障预警研究

传统动态主元分析(DPCA)进行工业过程故障预警时,对所有变量选择相同时间间隔。为克服DPCA中没有考虑到变量延迟、动态变化速度不同的问题,采用变量延迟对齐、时间间隔可变等方法,对DPCA中扩展矩阵的组成方法进行改进。数值仿真结果表明,改进DPCA可以有效减少故障漏报。将该方法应用于原油初馏过程故障预警,在准确预警故障的基础上减少了漏报。     

基于核主元分析–主元分析的多阶段间歇过程故障监测与诊断

具有过渡特性的多阶段间歇过程故障监测是一个复杂的问题,既需要考虑稳定阶段下的故障监测,也需要考虑不同阶段间的过渡故障监测.为克服传统硬划分方法导致误警和漏报率高的缺陷,同时也为实现更加精确、有效的故障监测与诊断,提出一套完整的基于核主元分析-主元分析(KPCA-PCA)的多阶段间歇过程故障监测与诊断策略.该方法依据数据相似度实现阶段划分,定义模糊隶属度辨识相邻阶段间的过渡,最后对稳定阶段和过渡过程分别建立具有时变协方差的PCA和KPCA故障监测与诊断模型.通过对青霉素发酵过程的仿真平台及工业应用研究表明,该方法具有更可靠的监控性能,能及时、准确的检测出过程中存在的异常情况.     

基于稀疏动态主元分析的故障检测方法

本文将动态主元分析(Dynamic Principal Component Analysis, DPCA)和稀疏主元分析(Sparse Principal Component Analysis, SPCA)两种方法结合起来,提出一种新的稀疏动态主元分析方法,并将其用于工业过程的故障检测。所提出的稀疏动态主元分析方法通过对过程数据的动态增广矩阵进行稀疏主元的求解,获取稀疏的负荷向量,该方法既考虑到了过程数据的动态特性,又降低了过程数据的冗余度,同时降低了计算负荷,非常适合工业过程的实时故障检测。此外,本文还提出了一种前向选择算法,用于确定稀疏主元中的非零负荷数目。最后,将所提出方法应用于数值例子和田纳西-伊斯曼过程,并将与主元分析、动态主元分析和稀疏主元分析等三种方法相比较,表明所提方法可以获得更好的故障检测效果。     

基于二维主元分析的间歇过程故障诊断

传统的多向主元分析(MPCA)已广泛应用于监视多变量间歇过程。在MPCA算法中,三维的间歇过程数据需要转换为高维的二维向量,导致计算量和存储空间大,同时不可避免地丢失一些重要信息。因此,提出一种新的基于二维主元分析(2DPCA)的故障诊断方法。由于每个批次的间歇过程数据是一个二维向量(矩阵),应用以各个批次矩阵为分析对象的2DPCA算法,避免矢量化,存储空间和存储需求小;另外,2DPCA采用各个批次的协方差的平均值来进行建模,能够更加准确地反映出不同类型的故障,在一定程度上增强了故障诊断的准确性。半导体工业实例的监视结果说明,2DPCA方法优于MPCA。     

一种间歇过程异常数据剔除的主元分析方法

提出一种用于间歇生产过程中异常数据控制的方法。这种方法将原始的三维间歇生产数据集合展开成一个二维数据矩阵,进行中心化和规格化后再转化成另一个按照时间序列排列的二维数据矩阵。这种方法可以克服Wold方法在对数据进行中心化时引起的原始信息失真问题。通过对聚合反应釜过程数据进行分析,表明该方法能有效地对生产数据剔除异常。     

基于改进稀疏主元分析的在线故障监测和诊断

针对传统主元在线故障监测方法中故障误诊率高、故障监测统计量不足以及故障定位不准确等问题,提出了一种基于改进稀疏主元分析(SPCA)的在线故障监测和诊断方法。方法使用弹性网络,权衡优化Lasso和Ridge惩罚项对主元进行稀疏,将传统故障检测算法中的平方预测误差根据过程变量的复相关系数拆分为主元相关变量残差(PVR)和一般过程变量残差(CVR)监测故障,最后使用贡献图法进行故障诊断。将改进的SPCA在线故障监测方法应用于田纳西-伊斯曼过程进行验证,结果表明,上述方法有效降低了故障误诊率,为故障监测提供新的统计量,使故障定位更加准确,确保了在线故障监测和故障诊断的准确性。     

基于改进核主元分析的TE故障诊断

PCA、KPCA作为常用的多变量统计监控算法,一般适用于定常过程。针对实际工业过程的时变、非线性特性,提出一种基于分块的改进KPCA算法。该方法通过采用随时间更新的核矩阵代替固定核矩阵用于主元模型的建立,使非线性监控模型能够在线更新,从而提高KPCA的检测正确率。与KPCA方法相比,该方法的运算复杂度明显降低。将该方法应用于TE(Tennessee Eastman)过程,仿真结果显示,该方法具有较好的监测性能,且所需时间大大减小,说明了本算法的有效性。     

空分过程变量预测的多变量时间序列分析方法

氮塞是空分过程的常见故障,粗氩塔冷凝器出口氩气含氩量是工业现场中指示氮塞是否发生的关键变量,对该变量进行准确的预测可以使氮塞故障的报警时间提前.本文采用多变量时间序列相空间重构的方法,建立了粗氩塔冷凝器出口氩气含氩量和其它过程变量之间的一步线性回归预测模型,以迭代方式获得多步预测的结果,并利用滑动窗口实现了模型参数的在线修正.通过某钢铁公司空分装置实际数据的建模与仿真,分析了相空间重构时嵌入维数以及预测步数的选取对最终预测结果的影响,即预测均方误差与嵌入维数成反比,与预测步数成正比.仿真结果同时表明,本文建立的模型能够较为准确地对空分过程关键变量进行预测,预测提前时间在4～5分钟之间.     

PCA与ICA相结合的语音信号盲分离

针对ICA用于语音信号盲分离时,由于数据量过大、迭代次数过多引起的收敛速度慢的问题,采用一种PCA和ICA相结合的盲分离算法PCA-ICA。通过PCA对混合语音信号进行白化处理,消除了原始各道数据间的二阶相关性。在仿真实验中,采用相似系数矩阵作为评价混合语音信号分离效果的标准,结果表明PCA-ICA算法与ICA算法相比,在达到几乎相同的相似系数矩阵的情况下,迭代次数减少了90%,从而分离速度提高了3倍,有效地解决了ICA分离算法收敛速度慢的问题。     

间歇过程滑动窗口子时段PCA建模和在线监测

针对在短期内不容易获得充足建模数据的间歇工业过程,提出一种间歇过程监视方法,该方法只需要一次正常间歇操作数据,利用滑动窗口,进行子时段划分、建立初始主元分析(PCA)监测模型,同时提出了基于子时段PCA模型的在线监测算法和一种模型更新策略.通过在注塑过程的成功应用,表明了所提出方法的可行性和有效性.     

KICA模式匹配的动态过程监控与故障诊断方法

针对复杂化工过程具有的非线性、非高斯性和动态特征,提出了基于核独立成分分析(KICA)的模式匹配方法,用于动态过程监控和诊断。首先,利用滑动窗建立基准集与测试集的KICA模型,提取各自的核独立元:其次,融合余弦函数绝对值度量和距离度量,提出新的不相似度监控指标,识别训练与测试操作期间的相似模式,进行故障检测:最后,基于两类数据的核子空间之间的差异子空间,获得每个过程变量方向与该差异子空间之间的互信息,并定义新的非线性非高斯贡献度指标,进行故障诊断。基于污水处理过程的仿真结果表明,与主成分分析不相似度因子的方法、标准的独立成分分析(ICA)统计指标方法及标准的ICA T~2/SPE指标融合的贡献度方法相比,本文提出的方法具有更好的检测能力与故障诊断效果。     

Recursive PCA for adaptive process monitoring

While principal component analysis (PCA) has found wide application in process monitoring, slow and normal process changes often occur in real processes, which lead to false alarms for a fixed-model monitoring approach. In this paper, we propose two recursive PCA algorithms for adaptive process monitoring. The paper starts with an efficient approach to updating the correlation matrix recursively. The algorithms, using rank-one modification and Lanczos tridiagonalization, are then proposed and their computational complexity is compared. The number of principal components and the confidence limits for process monitoring are also determined recursively. A complete adaptive monitoring algorithm that addresses the issues of missing values and outlines is presented. Finally, the proposed algorithms are applied to a rapid thermal annealing process in semiconductor processing for adaptive monitoring.     

基于改进PCA的正常工况改变与过程故障识别方法

针对传统的主元分析(PCA)的T~2和平方预测误差(SPE)检验所提供的信息并不一致的缺陷,提出一种改进的PCA方法。该方法采用主元相关变量残差(PVR)和一般变量残差(CVR)统计量代替SPE统计量用于过程监测。将此改进的PCA方法应用到双效蒸发过程的仿真监测,与传统的PCA方法相比,新PCA方法能够有效地识别正常工况改变与过程故障引起的T~2图变化,避免了SPE统计量的保守性,能够提供更详细的过程变化信息,提高了对过程变化的分析与诊断能力。     

大尺度IP网络流量异常特征的多时间序列数据挖掘方法*

降低漏报率和误检率是网络流量异常检测的难点问题之一。本文提出了一种大规模通信网络流量异常特征分析的多时间序列数据挖掘方法,把多个网络流量特征参数构成的时间序列作为一个整体进行分析研究,进行多时间序列数据挖掘产生网络流量异常相关的有效关联规则,对整个通信网络的安全威胁进行准确地描述。Abilene网络数据验证了本文的方法。     

一种基于PCA和ReliefF的特征选择方法

如何减少样本的训练测试时间、提高分类精度是有效特征选择方法研究的重要方面。提出了一种结合PCA和ReliefF的特征选择算法。该算法选择出了最具有代表性的特征,构成有效特征子集,实现了特征降维。同时,较PCA-GA方法,该算法具有简单、快速等优点。利用标准数据集进行的实验结果表明,文中算法是可行的、有效的,为模式识别的信息特征压缩提供了一种新的研究方法。     

Off-line diagnosis of deterministic faults in continuous dynamic multivariable processes using speech recognition methods

Faults or special events which occur occasionally in continuous processes generate dynamic patterns in a large number of process variables. However, the patterns arising from the same fault can exhibit different time durations (depending on the operating conditions), magnitudes and directions. Any robust fault diagnosis method must be able to correctly classify these faults under these different conditions. This paper presents an off-line fault diagnosis method based on pattern recognition principles for multivariate dynamic data. The method consist of a filtering and scaling step, where the magnitude dependent information is removed, and a similarity assessment step via dynamic time warping (DTW). DTW is a flexible pattern matching method used in the area of speech recognition. The method presented in this paper is designed to classify faults independently of their magnitude, duration, direction and plant production level. As a further feature extraction step, principal component analysis is used to reduce the dimension of the multivariate problem and enhance the distance-based classification. Case studies from the Tennessee-Eastman plant are used to test the method and to illustrate its advantages and limitations.     

基于过程数据的空分系统参数估计

根据空分系统模型特点确定模拟计算中待估计参数,包含热力学参数以及设备参数。文献中通常采用常规浓度的实验气液平衡数据回归热力学参数,由于实验浓度达不到高纯度范围,热力学参数用于高纯度体系模拟时误差较大,故采用过程数据估计。考虑到待估参数较多,提出了通过分析参数全局灵敏度来判断关键参数,以减小参数估计的规模,估计参数由原来的10个减少到2个关键参数。基于过程数据采用最小二乘法对关键参数进行参数估计。将优化后的关键参数值应用于模拟计算,计算结果与5个实际工况测量值进行对比,可以看出模拟结果与实际工况吻合较好;将优化热力学参数代入热力学方程进行相平衡计算,并与实验气液平衡数据以及未优化的参数计算的结果进行比较,优化后参数的计算结果更加逼近于实验相平衡数据。     

利用主元方法进行传感器故障检测的行为分析

主元分析方法(PCA)是基于多元统计分析的过程监测和故障诊断手段。在假设过程只存在传感器故障的情况下，系统地分析了PCA方法在传感器典型故障下的检测行为。首先导出了Hoteuing T^2和Q两个检测统计量在传感器不同故障下的变化关系和规律，然后从理论上给出了每个传感器故障的可检测性条件。最后通过火电厂锅炉过程中传感器故障检测实例验证了所得到的结论。