基于精简并发潜结构映射的竖炉焙烧过程综合故障诊断

竖炉焙烧过程因运行条件异常变化或操作不当会造成上火、冒火、过还原和欠还原等运行故障.这些故障直接影响过程运行安全和产品质量（比如,磁选管回收率）,但难以采用基于模型和基于知识的方法建模故障与产品质量的关系,以及诊断故障变量.针对上述问题,本文提出数据驱动的基于并发潜结构映射（Concurrent projection to latent structures,CPLS）的竖炉焙烧过程综合故障诊断方法.首先,将并发潜结构映射分解的过程变量共有子空间与残差空间精简合并来建立磁选管回收率相关的过程变化空间,提出基于精简并发潜结构映射模型的竖炉焙烧过程综合监控方法;接下来,定义相应的重构贡献图并与竖炉焙烧过程相结合,提出CPLS精简重构贡献方法用于竖炉焙烧过程故障变量诊断;最后,利用竖炉焙烧过程半实物仿真平台采集的数据进行实验研究,结果表明所提方法不仅可以诊断出质量相关的故障,而且可诊断出回路设定值之外的故障变量.     

基于DPCA残差互异度的故障检测与诊断方法

针对动态主元分析方法中残差自相关性降低过程故障检测率问题,提出基于动态主元分析残差互异度的故障检测与诊断方法.首先,应用动态主元分析(Dynamic principal component analysis,DPCA)计算动态过程数据的残差得分;接下来,应用滑动窗口技术并结合互异度指标(Dissimilarity)来监控过程残差得分状态;最后,利用基于变量贡献图的方法进行过程故障诊断分析.本文方法通过DPCA捕获过程的动态特征,同时互异度指标区别于传统的平方预测误差(Square prediction error,SPE),它可以有效地对具有自相关性的残差得分进行过程状态监控.通过一个数值例子和Tennessee Eastman(TE)过程的仿真实验并与传统方法对比分析,仿真结果进一步证实了本文方法的有效性.     

基于DPCA残差互异度的故障检测与诊断方法

针对动态主元分析方法中残差自相关性降低过程故障检测率问题,提出基于动态主元分析残差互异度的故障检测与诊断方法.首先,应用动态主元分析(Dynamic principal component analysis,DPCA)计算动态过程数据的残差得分;接下来,应用滑动窗口技术并结合互异度指标(Dissimilarity)来监控过程残差得分状态;最后,利用基于变量贡献图的方法进行过程故障诊断分析.本文方法通过DPCA捕获过程的动态特征,同时互异度指标区别于传统的平方预测误差(Square prediction error,SPE),它可以有效地对具有自相关性的残差得分进行过程状态监控.通过一个数值例子和Tennessee Eastman(TE)过程的仿真实验并与传统方法对比分析,仿真结果进一步证实了本文方法的有效性.     

基于广义相关系数法的MPCA在线监控方法

针对多向主元分析法(MPCA)在线监控传统方法的预测能力差而常常导致误报、漏报的实际情况,基于广义相关系数法提出一种在线监控方法.从监控模型库中找出与待测多元轨迹之间广义相关系数最大的批次,将该批次监控时间点后的数据作为待测多元轨迹的预测值,得出完整的批次数据,并用多向主元分析法进行监控.用青霉素发酵过程仿真器(Pensimv2 0)进行仿真,结果表明,基于广义相关系数法的在线监控方法与其他传统方法相比,其结果最接近实际过程离线,并减少了由于其他预测方法带来的误差.     

基于递归稀疏主成分分析的工业过程在线故障监测和诊断

提出一种基于递归稀疏主成分分析(recursive sparse principal component analysis,RSPCA)的工业过程故障监测与诊断方法,可用于时变工业过程的自适应故障监测与诊断.通过引入弹性回归网,将主成分问题转化为Lasso与Ridge结合的凸优化问题,采用秩-1矩阵修正对协方差矩阵进行递归分解,递归更新稀疏载荷矩阵和监测统计量的过程控制限,以实现连续工业过程长时间自适应故障监测,对检测出来的故障通过贡献图法实现对故障的诊断.在田纳西-伊斯曼(TE)过程进行实验验证,结果表明,与传统的故障监测方法相比,所提出的方法有效降低了故障漏检率和误报率,且时间复杂度低,确保了故障监测的灵敏度和实时性.     

复杂工业过程质量相关的故障检测与诊断技术综述

质量相关的故障检测与诊断技术是保证安全生产及获得可靠产品质量的有效手段,是当前国际过程控制领域的研究热点.首先,梳理了质量相关的故障检测技术中典型方法的基本思想和改进过程;其次,概述了质量相关的故障诊断技术中常用的贡献图法及其相关改进方法之间的联系,并通过带钢热连轧过程（Hot strip mill process,HSMP）案例比较了各种典型方法在质量相关的故障检测与诊断性能上的异同;最后,面向复杂工业过程运行数据的主要特性,评析了质量相关的故障检测与诊断方法的研究现状,并指出了该研究领域亟需解决的问题和未来的发展方向.     

基于多块MICA-PCA的全流程过程监控方法

多块策略广泛应用于全流程过程监控领域,以解决变量关系复杂性较高的问题,但传统分块方法得到的子块数据存在高斯与非高斯混合分布问题,影响过程监控的效果.为此,提出一种基于多块MICA-PCA的过程监控方法.首先采用Jarque-Bera(J-B)检测方法对原始数据进行高斯与非高斯分块;然后利用Hellinger距离(HD)方法获得高斯与非高斯子块,通过对高斯与非高斯子块采用不同的建模和诊断方法,提高监控效果;最后将该方法应用于田纳西-伊斯曼(TE)过程的监控中,以验证所提出方法的有效性.     

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T-PLS贡献图方法的故障诊断技术

多变量统计过程监控对于复杂工业过程是一种有效的故障检测和诊断技术. 最小二乘(或称潜空间投影)模型是多变量统计过程监控中常用的一种投影模型, 能够同时对过程数据和质量数据进行建模. 讨论了一种新的基于全潜空间投影模型的故障诊断技术. 全潜空间投影模型中有4个检测统计量. 提出了一种新的T2贡献图计算方法, 对于所有检测统计量, 得到了相应的贡献图算法. 为了确定一个变量是否发生了故障, 计算所有变量贡献图的控制限. 该技术可以将辨识到的故障变量分为与Y有关和与Y无关的两类. 基于Tennessee Eastman过程的案例研究表明了该技术的有效性.     

面向迁移工作流可靠执行的协同监控模型

当前跨机构的工作流管理中,对业务流程实施有效监控是保障其可靠执行的重要手段.然而,无论是传统的监控方法还是新近出现的针对移动个体的监督容错机制,均无法有效解决对类似迁移工作流这种多主体协调并发执行过程的异常监控以及协调恢复问题.首先给出迁移工作流执行框架,即一个业务流程由多个具有层次关系的迁移实例通过协商与协作而实现;在此基础上提出一种层次型协同监控模型(HCM3),模型根据执行同一工作流的不同迁移实例之间的组织层次关系,派遣不同的监控者实施监控,通过监控者之间的协调机制实现对异常状态在不同层次的诊断与处理,以保持全局状态的一致.模型能够实现监控的并发性和异常处理的层次性,在一定程度上避免了单点瓶颈,提高了工作流执行的可靠性.     

基于核直接分解的过热蒸汽系统故障诊断方法

为提高过热蒸汽系统的运行效率并减少非紧要故障的报警率,本文提出一种质量相关的非线性故障检测与诊断方法.首先,利用核函数将过程变量映射到高维特征空间以消除原始变量之间的非线性耦合.然后,在特征空间进行核直接分解得到两个正交子空间,并在两个子空间中分别设计统计量指标进行质量相关的故障检测.在此基础上,利用偏微分贡献图提取每个变量对联合统计量指标的贡献率,并根据贡献率大小最终确定故障变量.仿真结果表明,所提出的方法能够准确区分影响过热蒸汽温度和不影响过热蒸汽温度的故障,有效降低了非紧要故障的报警率,提高了过热蒸汽系统的运行效率.     

一种基于独立元贡献度的子空间故障检测方法

针对工业过程故障检测问题,本文定义了独立元贡献度和贡献度矩阵,提出一种改进的子空间检测算法.首先,利用独立元分析(independent component analysis,ICA)算法提取过程变量的独立元信息,通过计算各个独立元在过程变量上的贡献度,构造贡献度矩阵;然后根据贡献度的大小,挑选出对应的变量组成反映不同"源"信息的子空间,并在这些子空间上建立故障检测模型;最后综合以上的多个检测模型,根据实际的需求或者故障的传播特征,确定集成策略,对工业过程进行故障检测.通过在TE(Tennessee Eastman)过程上对21种故障工况和1种正常工况的仿真研究,说明提出的改进算法是有效的.     

基于多块核主元分析的复杂过程的分散故障诊断

提出多块核主元分析算法, 基于此算法针对复杂过程提出了新的故障检测和诊断方法. 通过对整体过程分块统计残差实现非线性过程的分散故障诊断目的, 相应的控制限用来分离引起故障的位置或发现引起故障的变量. 提出的方法应用到田纳西过程得出的结论为: 该方法能够有效地提取块内和块间的非线性信息并显示出优越的故障诊断能力.     

Contribution rate plot for nonlinear quality-related fault diagnosis with application to the hot strip mill process

In this paper, a nonlinear fault diagnosis scheme is established for the hot strip mill process (HSMP). In HSMP, the faults affecting quality index are denoted as quality-related faults, which should be taken care as soon as possible. Projection to latent structures (PLS) is a basic model for quality-related fault detection in linear processes. In the presented work, a total kernel PLS (T-KPLS) model is utilized for modeling and monitoring HSMP, which is a typical nonlinear process. However, diagnosis tools have not been developed aiming at the nonlinear case based on T-KPLS model. Motivated by the successful use of contribution plot for the linear case, a contribution rate plot is proposed to extend contribution plots to the nonlinear case. In the end of this paper, the proposed method is applied to the hot strip mill process effectively.     

基于规范变量残差的化工过程微小故障检测与诊断

微小故障因其幅值低而易被噪声和过程扰动所掩盖,并且会随时间慢慢演变成过程中的严重故障.因此,微小故障的检测和诊断变得越来越重要.为了更有效地监测和诊断微小故障,提出了基于规范变量残差的化工过程微小故障检测和诊断方法.首先,对Hankel矩阵执行奇异值分解来获得主元和残差空间并根据过去和未来数据的差异,求得两个不同的规范变量残差d_1, d_2.其次,考虑数据的时间序列特性,提出了基于规范变量残差的两个加权平均统计量W_(D1), W_(D2)及其控制限,进行故障检测;然后,计算出各个统计量的归一化贡献并绘制二维贡献图,进行故障诊断.最后,在连续搅拌釜式反应器(CSTR)过程中进行两种微小故障的应用研究.结果表明,与传统的统计量T~2,Q以及规范变量差异分析(CVDA)中统计量D相比,基于规范变量残差的加权平均统计量W_(D1), W_(D2)不仅能够及时检测到微小故障,而且在故障检测率和诊断率方面,均有不同程度的提高.     

Quality-relevant fault detection based on adversarial learning and distinguished contribution of latent variables to quality

Quality-relevant fault detection is a primary task to reveal the changes of quality variables in process monitoring. Current works mainly focus on learning quality-relevant features, however, how to distinguish quality-relevant and irrelevant information is responsible for the excellent monitoring performance. In this study, a novel quality-relevant fault detection method is proposed on the basis of adversarial learning and distinguished contribution of latent features to quality is originally introduced. First of all, we map the input variables into a gaussian manifold in adversarial and unsupervised manner. Then a fully connected neural network is trained to learn the relationship between latent and quality variables. To distinguish necessary information in such manifold, the Jacobi operator at the corresponding point is calculated to project the latent variables into quality-relevant and quality-irrelevant subspaces. Third, fault detection is implemented in these dynamic subspaces using the probabilities of latent variables. Finally, the proposed method is evaluated by numerical example, the Tennessee-Eastman process and wind turbine blade icing process.     

Probabilistic contribution analysis for statistical process monitoring: A missing variable approach

Probabilistic models, including probabilistic principal component analysis (PPCA) and PPCA mixture models, have been successfully applied to statistical process monitoring. This paper reviews these two models and discusses some implementation issues that provide alternative perspective on their application to process monitoring. Then a probabilistic contribution analysis method, based on the concept of missing variable, is proposed to facilitate the diagnosis of the source behind the detected process faults. The contribution analysis technique is demonstrated through its application to both PPCA and PPCA mixture models for the monitoring of two industrial processes. The results suggest that the proposed method in conjunction with PPCA model can reduce the ambiguity with regard to identifying the process variables that contribute to process faults. More importantly it provides a fault identification approach for PPCA mixture model where conventional contribution analysis is not applicable.