基于核典型相关性-熵成分分析的工业过程质量监测方法

工业过程多变量、数据高维度和非线性的特点使得对其质量监测及质量相关的故障诊断变得复杂.融合核熵成分分析(KECA)及典型相关分析(CCA)方法的思想,进行特征提取降维的同时确保所提取特征与质量变量的最大相关性,提出一种新的质量相关的工业过程故障检测方法.首先,采用KECA对输入数据进行核空间的映射及特征提取,同时融合CCA算法思想使得所提取特征与质量变量间关联最大化;然后,构建监测统计量并用Parzen窗估计其控制限,用于过程的故障检测;最后,运用所提方法对带钢热连轧工业过程实际生产数据进行分析,并与其他4种传统非线性算法对比分析,实验结果验证了所提方法的准确性、有效性及先进性.     

故障检测中核参数优化方法性能评估

近年来,基于核主元分析与核偏最小二乘的方法经常被应用于过程监控与故障检测领域以克服工业过程的非线性.研究发现此类方法的检测性能很大程度上受核参数的影响,而目前学术界对该参数的优化方法研究较少.因此,本文以最常用的高斯核方法为例,首先总结了3类常用的核参数优化方法:二分法、基于BP神经网络的重构法和基于样本分类的重构法;其次重点分析每个方法的特点和它们之间的联系,并评估它们的性能;最后将上述方法设计成一个核参数优化系统应用于热连轧过程的故障检测中.应用结果表明,优化后的核参数能显著提高故障检测性能.     

基于动态高效潜结构投影的质量相关故障检测

高效潜结构投影(EPLS)算法是一种反映过程变量与质量变量相关关系的多变量统计分析方法,在质量相关故障检测中具有良好的检测效果.然而EPLS算法是一种静态检测模型,不能反映实际工业过程或装备测试中的动态特性,对动态过程中质量相关故障的检测率较低.为此,本文提出了一种基于自回归移动平均模型(ARMAX)的动态高效潜结构投影(D–EPLS)检测算法.该算法首先基于输入时滞值构建增广矩阵,反映工业以及装备测试过程中的动态特性;然后将增广矩阵分解为质量相关和质量无关空间分别进行故障检测;最后通过数值仿真和田纳西伊斯曼过程(TEP)验证算法有效性.实验结果表明所提算法能够更好的适应动态过程,并全面提高了质量相关故障的检测率.     

混合核函数PLS建模方法及在软测量中的应用

针对核函数方法中单个核函数的局限性,以及PLS非线性处理能力差的特点,提出混合核函数PLS建模方法,以提高模型的推广能力和非线性处理能力。混合核函数集中了多个局部和全局核函数,兼具局部和全局特性,并可以通过参数调节局部和全局核函数对混合核函数的作用,将过程的先验知识融入到核函数的确定,进而适合具有不同数据特征的工业过程。工业丙烯腈收率软测量建模的应用表明,混合核函数PLS软测量模型具有较好的数据适应性和非线性特性,满足了工业应用要求。     

选矿过程精矿品位自适应在线支持向量预测方法

本文提出了一种基于支持向量回归的选矿过程精矿品位自适应在线预测方法,通过使用新的混合核函数和参数在线更新机制提高了精矿品位的预测精度.在分析经典核函数特性后,构造了一种混合核函数以兼顾模型的学习能力与泛化能力,同时为了提高预测方法对选矿生产动态过程的适应性,模型依据新工况样本对现有样本集统计特性的影响,引入了模型参数自适应调整机制,并采用在线迭代学习机制更新模型,提高了模型的计算速度.使用某选矿厂生产实际数据进行实验分析,结果表明本文方法比现有方法在计算时间和预测精度上都有明显优势,适合应用于动态变化的选矿生产过程.     

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.     

结合非线性频谱与核主元分析的复杂系统故障诊断方法

传统非线性频谱分析方法对复杂系统进行故障诊断时,求解出的非线性频谱数据量庞大,不便于直接用于故障检测与分类识别.本文提出了一种非线性频谱特征与核主元分析(KPCA)结合的故障诊断方法,首先通过最小二乘算法估计出前3阶Volterra时域核,由多维傅立叶变换求取出广义频率响应函数,然后利用KPCA方法对谱数据进行压缩与提取谱特征,最后利用多分类最小二乘支持向量机进行多故障检测与识别.考虑到频谱数据具有非线性的特点,KPCA中的核函数选用由多项式函数与径向基函数构成的混合核函数,兼顾了局部特性与全局特性.论文基于非线性频谱数据,给出了核主元模型建立与在线故障诊断的具体算法.对非线性模拟电路和数控机床伺服传动系统进行了仿真实验,结果表明本文方法能够大幅度降低频谱数据维数,故障识别率高,是一种实用的故障诊断方法.     

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.     

基于高效核偏最小二乘的质量相关故障检测

核偏最小二乘(KPLS)是一种多元统计方法, 广泛应用于过程监控, 然而, KPLS采用斜交分解, 导致质量相关空间存在冗余信息易引发误报警. 因此, 本文提出了高效核偏最小二乘(EKPLS)模型, 所提方法通过奇异值分解(SVD)将核矩阵正交分解为质量相关空间和质量无关空间, 有效降低质量相关空间中的冗余信息, 并采用主成分分析(PCA)按方差大小将质量相关空间分解为质量主空间和质量次空间. 此外, 为进一步降低由质量无关故障引发的误报警, 提出基于质量估计的正交信号修正(OSC)预处理方法, 并结合EKPLS模型提出了OSC-EKPLS算法. OSCEKPLS通过质量估计值对被测数据进行OSC预处理, 降低了计算复杂度和误报率. 最后, 通过数值仿真和田纳西–伊斯曼过程验证了OSC-EKPLS具有良好的故障检测性和更低的误报率.     

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.     

基于偏最小二乘的质量相关多模态故障检测技术

偏最小二乘(PLS)算法通常适用于稳定工况下的工业过程故障检测.在日趋复杂的工业过程中,过程数据通常不满足正态分布,存在非线性、动态、多模态等问题.针对多模态问题,已有大量模态区分方法可用,但这些方法都未考虑质量相关因素,因此并不适用于质量相关类算法.为此,针对质量相关类算法提出新的质量相关模态区分规则,该规则通过核模糊聚类对添加线性递增时间变量的数据在时间方向上进行初步的聚类,再通过质量相关指标进一步准确划分模态;同时,过程复杂化导致静态控制限不能满足故障检测的需求,现存的动态控制限适用范围具有一定的局限性,可通过改进动态控制限将其推广为广义动态综合控制限.实验中,先是基于两种非线性偏最小二乘模型将新方法应用于青霉素发酵过程故障检测中,极大减少了漏报率和误报率.最后,通过数值仿真实验验证了添加线性递增时间变量的合理性.     

基于局部信息增量与MPLS的质量相关故障检测方法

在工业生产中,对系统进行故障检测具有十分重要的作用.改进的偏最小二乘(modified partial least squares,MPLS)是在PLS基础上提出的一种扩展算法,在质量相关故障检测中具有良好的检测效果,但当测试数据中含有质量无关故障时,MPLS算法漏报率较高.另外,MPLS算法的阈值为固定值会导致其误报率增加,这些问题会对工业过程监控产生较大影响.鉴于此,提出一种基于局部信息增量与MPLS的质量相关故障检测方法(local information increment-MPLS,LII-MPLS).在MPLS基础上,通过使用局部信息增量技术对测试数据进行实时更新检测后,质量相关故障的漏报率明显降低.同时,过程复杂化导致静态控制限不能满足故障检测的需求,现存的动态控制限适用范围具有一定局限性,因此改进静态控制限将其推广为局部动态阈值.最后,通过田纳西伊士曼过程(Tennessee Eastman process,TEP)仿真实验验证了所提出算法的有效性.     

Fault diagnosis of nonlinear and large-scale processes using novel modified kernel Fisher discriminant analysis approach

It is pretty significant for fault diagnosis timely and accurately to improve the dependability of industrial processes. In this study, fault diagnosis of nonlinear and large-scale processes by variable-weighted kernel Fisher discriminant analysis (KFDA) based on improved biogeography-based optimisation (IBBO) is proposed, referred to as IBBO-KFDA, where IBBO is used to determine the parameters of variable-weighted KFDA, and variable-weighted KFDA is used to solve the multi-classification overlapping problem. The main contributions of this work are four-fold to further improve the performance of KFDA for fault diagnosis. First, a nonlinear fault diagnosis approach with variable-weighted KFDA is developed for maximising separation between the overlapping fault samples. Second, kernel parameters and features selection of variable-weighted KFDA are simultaneously optimised using IBBO. Finally, a single fitness function that combines erroneous diagnosis rate with feature cost is created, a novel mixed kernel function is introduced to improve the classification capability in the feature space and diagnosis accuracy of the IBBO-KFDA, and serves as the target function in the optimisation problem. Moreover, an IBBO approach is developed to obtain the better quality of solution and faster convergence speed. On the one hand, the proposed IBBO-KFDA method is first used on Tennessee Eastman process benchmark data sets to validate the feasibility and efficiency. On the other hand, IBBO-KFDA is applied to diagnose faults of automation gauge control system. Simulation results demonstrate that IBBO-KFDA can obtain better kernel parameters and feature vectors with a lower computing cost, higher diagnosis accuracy and a better real-time capacity.     

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.     

Weighted part mutual information related component analysis for quality-related process monitoring

Industrial products have become the core of today’s highly competitive international society, but quality-related faults happened in practical industrial processes heavily affect product quality. In this paper, we will consider the problem of the detection of quality-related faults. Inspired by part mutual information (PMI), we develop a process monitoring method called weighted PMI based related component analysis (WPMI-RCA). Firstly, combining PMI and Bayesian weighted fusion, process variables strongly related to quality are selected with the supervision of multi-quality indicators. Then, the selected variables are modeled by related component analysis (RCA) and thus orthogonal related components (RCs) containing the main information of quality variations can be obtained. The process data space can be divided into two subspaces and the monitoring statistics are developed for the quality-related fault detection. Finally, the validity of WPMI-RCA is demonstrated by a numerical example and the benchmark Tennessee Eastman process (TEP). The proposed method can improve the detection rates of quality-related faults and significantly reduce the nuisance detections. It may be helpful to improve the management efficiency for practical industrial processes.