基于多元统计信号处理的间歇过程监控方法研究

针对化工生产中日益增多的间歇过程，提出了一种基于多元统计信号处理的过程监控方法，其主要思想为将过程信息空间划分为由盲源信号描述的信号子空间、过程主元描述的信号子空间和残差信号子空间，随后对各个信号子空间构造过程统计量或分类器提取信号特征进行过程监控，该方法避免了传统多元统计过程控制 (multivariate statistical process contro，lMSPC)需假设过程特征信号服从正态分布的前提.将本方法与传统MSPC方法的性能进行了对比，并在仿真中给出了对比研究结果.通过对间歇过程的仿真研究表明，该方法不仅能够有效地检测出故障，而且有利于故障的分离和定位，从而说明该方法不仅是有效的，而且其性能优于仅能检测故障的传统MSPC过程监控方法.     

间歇过程子阶段PCA建模和在线监测

针对间歇过程的多阶段特性,提出一种新的子阶段主元分析(principal component analysis,PCA)监测方法.首先,将间歇过程三维数据沿时间片展开,采用模糊模式识别方法计算相邻时间片负载矩阵变量方向重心的格贴近度,以最小贴近度为原则,根据格贴近度的变化,实现子阶段的划分;然后,在划分的子阶段内采用一种先沿批次后沿变量的改进展开方式建立PCA监控模型;最后,将该算法应用于青霉素发酵仿真系统的在线监测.结果表明该方法在监控过程中能够有效降低误报和漏报.     

基于 MICA-PCA 的间歇过程故障监测

针对具有数据非高斯分布或混合分布的间歇过程,研究一种新的改进MICA-PCA监控方法.首先利用MICA方法提取非高斯分布过程信息,通过设定负熵阈值实现独立成分个数的自动选择,以此克服传统ICA方法中需提前确定独立成分个数的缺点,再使用核密度估计方法确定相应统计量的置信限,然后对服从多元高斯分布的残差过程信息,进一步进行PCA分析和处理.将该方法应用于北京某生化制药厂重组大肠杆菌制备白介素-2发酵过程监控.结果表明:该法在过程变量不服从高斯分布的情况下能有效降低传统方法的漏报和误报率,准确地对过程进行监控.     

基于改进核慢特征分析的间歇过程故障检测

将全局保持结构分析技术融入核慢特征分析中,实现基于改进核慢特征分析的间歇过程故障检测,可以有效提高对间歇过程的监控效率。文章采用两步多路数据展开策略将三维训练数据展开成两维矩阵,利用改进核慢特征分析提取间歇过程的局部动态数据,检测青霉素发酵过程中6种故障的仿真数据。结果表明:相比于传统的多路核主元分析、多路核独立元分析和核慢特征分析监控方法,基于改进核慢特征分析的监控方法具有最早的故障检测时刻,分别在第100、100、102、108、112和108个采样时刻检测到故障F1～F6;对间歇过程的6种故障具有最高的故障检测率,F1～F6的故障检测率分别为100%、100%、99%、96.67%、96.62%和97.97%;构造保留慢特征数目的准则是有效可行的。     

AICA-SOM的故障诊断方法研究

针对复杂工业过程中多变量非高斯特征难以提取以及传统独立分量分析(independent component analysis,ICA)难以在在线过程中实现的问题,将自适应ICA(adap-tive ICA,AICA)应用在多变量特征提取中,达到了实时数据处理的同时,也提取出非高斯信息。采用一个两阶段间歇过程仿真模型,利用自组织神经网络(self-organizing feature map,SOM)对故障数据进行诊断,以对AICA数据处理效果进行验证,并与SOM、PCA-SOM诊断效果对比,证明该方法在提高正确率的同时可以更有效地进行故障诊断。     

一种改进的间歇过程故障诊断方法

针对单一故障诊断方法对间歇过程故障诊断效率和准确率低的缺点,提出将快速独立主元分析(FastICA)与递推最小二乘支持向量机(RLSSVM)相结合的集合型故障诊断方法 FastICA-RLSSVM。利用FastICA对非高斯间歇过程数据快速提取特征分量,通过RLSSVM对该时变过程进行快速分类。为验证该方法的有效性,将该方法应用于青霉素发酵过程故障诊断,并与提升小波—递推最小二乘支持向量机(LW-RLSSVM)方法进行对比分析,实验结果证明FastICA-RLSSVM诊断间歇过程故障准确率高,适应性好,分类效果稳定。     

基于阶段累积模型的多阶段间歇过程质量预测

为提高多阶段间歇过程在线质量预测性能,提出一种基于阶段累积模型实现最终产品质量预测的方法.首先,引入阶段累积质量,通过建立阶段过程轨迹与阶段累积质量之间的回归模型来实现阶段累积模型的建立.然后通过累加所有累积产品质量预测值来实现最终质量的预测.该方法不仅考虑了各阶段对质量的局部累积作用,还考虑了所有阶段对质量共同的累积作用.同时,为避免对未知数据进行估计即可实现在线质量预测,进一步引入了剩余阶段累积质量模型.将该方法应用到青霉素发酵过程,仿真结果说明提出的方法提高了质量预测的性能.     

间歇牵制控制下非线性多智能体系统的滞后一致性

为了使智能体适应相关的间歇信号并降低其控制成本,在间歇牵制控制下,对多智能体系统的滞后一致性问题进行了研究.给出了滞后一致性的定义,然后对于多智能体系统模型,设计了一种合适的间歇牵制控制协议,并运用Lya-punov泛函方法和矩阵不等式理论导出在间歇牵制控制下该系统的滞后一致的充分条件,从而实现了非线性多智能体系统在间...     

基于MICA-OCSVM的间歇过程故障监测

针对多向独立成分分析(multi-way independent component analysis,MICA)需要假设过程变量服从非高斯分布的要求,以及MICA基于马氏距离构造的监控统计量会导致故障检测率降低的问题,研究了一种将多向独立成分分析与单类支持向量机(one-class support vector machines,OCSVM)相结合的MICA-OCSVM监测方法.首先采用MICA提取间歇过程所有批次的独立成分;然后分别对每个时刻的所有批次的独立成分进行OCSVM建模,利用确定的决策超平面构造非线性的监控统计量;最后计算所有建模数据的监控统计量,并利用核密度估计确定相应的控制限.将该方法应用到青霉素发酵过程仿真平台,实验结果表明:该方法相比于传统的MICA故障监测方法,无需考虑过程变量服从何种分布,能够有效利用独立成分的结构信息,故障的误报率、漏报率明显降低.     

CPV（1）分段法在间歇过程中的应用

研究一种批次过程阶段划分方法．首先,将间歇过程数据按照批次方向展开成二维数据,某采样时刻到末采样时刻的数据构成对应于该时刻的数据段．然后对每一数据段进行主元分析,获得第一主元贡献率．最后,采用第一主元贡献率的变化来表征批次内部阶段的转变,对批次过程划分阶段．将该方法应用于青霉素仿真发酵过程,分段结果明显与实际菌体生长阶段一致．将该方法应用于实际的半导体生产过程数据中,分段结果验证了分段理论的有效性．     

基于质量相关的间歇过程故障监测及故障变量追溯

针对多向核熵偏最小二乘(multi-way kernel entropy partial least squares,MKEPLS)利用的是数据的一阶和二阶统计特性未考虑数据的高阶统计特性,在进行特征提取时会造成有用数据丢失的问题,提出基于高阶统计量的多向核熵偏最小二乘方法(higher order statistics multi-way kernel entropy partial least squares,HOS-MKEPLS).首先,通过构造样本的高阶统计量将数据从原始的数据空间映射到高阶统计量样本空间.然后,再建立MKEPLS监控模型进行质量相关的故障监控,当监控到有故障发生时进行故障变量的追溯.最后,将该方法应用到工业青霉素发酵过程的监测中并与MKEPLS进行比较.结果表明:该方法具有更好的监控和故障识别性能.     

基于小波包和KPCA的时频域故障检测方法

针对故障检测技术中存在的非线性和信息遗漏问题,在深入分析核主元分析法的基础上,提出了一种新的基于小波包和核主元分析法（KPCA）的时频域故障检测方法.利用小波包对原始信号进行预处理,提取包含时域和频域特征参数构成的特征向量,应用KPCA进行故障检测,同时对液压泵也进行了故障检测.试验结果表明,时域和频域特征参数构成的特征向量很好地反映了故障的特征,与PCA相比,KPCA的主元数目可选择范围宽,该方法对液压泵故障检测有良好的效果.     

基于混合MPLS的多阶段过程质量预报方法

针对传统的多向偏最小二乘方法(multi-way partial least squares, MPLS)在质量预报中存在着模型预测精度低、局部预报能力不足等问题,提出一种多MPLS模型融合方法来提高预报表现。利用高斯混合模型(Gauss mixture model, GMM)对每批次过程和质量数据组成的高维空间进行阶段识别。针对多批次同一子阶段长度不等问题,采用动态时间规整(dynamic time warping, DTW)算法依据最长持续时间同步为等长轨迹,并在子阶段中按变量展开方式建立MPLS模型。根据Fisher判据分析(Fisher discriminate analysis, FDA)最小化子阶段数据集间相关性,利用核密度方法估计子阶段数据集去相关后的概率密度分布来在线监测阶段切换。利用贝叶斯原则融合各子阶段MPLS模型进行质量预报。将该方法应用到工业青霉素发酵过程中,表明了所提方法具有更好的监控性能和预报能力。     

基于多向核主元分析的青霉素生产过程在线监测

基于传统主元分析（PCA）方法的过程监测算法假定过程是线性的，对于具有强非线性的生产过程，应用其进行在线监测出现误报率过高的现象.为此提出了一种多向核主元分析（MKPCA）算法用于间歇过程的建模与在线监测.利用PenSim2.0软件将青霉素间歇生产过程的三向数据按批次方向展开为二向数据并进行标准化，采用MKPCA算法建立过程模型并用于过程的在线监测，计算T2、SPE统计量及相应的控制限.仿真结果表明，与传统PCA算法相比，MKPCA算法具有更好的监测性能，不仅大大降低了正常运行过程的误报率，而且能够较早地检测出过程中存在的底物流加速率与搅拌功率故障.MKPCA可以有效处理间歇过程批次间存在的非线性属性，获取过程变量间的非线性关系.     

基于多向核熵偏最小二乘的间歇过程监测及质量预测

针对间歇过程数据的批次不等长和强非线性的特点,结合核偏最小二乘和核熵分析,提出了多向核熵偏最小二乘(multi-way kernel entropy partial least squares,MKEPLS)的过程监测及质量预测方法.该方法将三维历史数据沿新的展开方式展开,克服了批次不等长和数据缺失的问题,通过核映射将过程数据从低维输入空间映射到高维特征空间,实现变量之间非线性相关关系的线性转换,解决了数据的非线性特性;根据核熵的大小将特征值和特征向量进行排序并对数据进行降维,弥补了MKPLS方法只按照数据特征值的最大化进行降维的不足.同时,引入核特征提取算法降低核空间的计算量,使其能够在线应用.数值实例和实际工业过程数据的验证效果表明:MKEPLS方法不仅能对故障进行有效监控,提高故障的报警率,同时还能对最终产品质量进行预测.     

基于小波和神经网络的传感器故障诊断

提出了一种新的基于小波包变换和BP神经网络的传感器突变故障诊断方法。根据小波变换在时域和频域都具有良好的局部化特性对信号特征进行精确定位,根据传感器输出信号的小波包分析提取能量变化率的特征向量,利用BP神经网络进行传感器故障分类。这种方法无需预先建立传感器模型和测量传感器输入信号,通过对小波包系数的削减,减少了冗余数据,提高了故障检测的实时性。仿真实验结果表明了该方法的有效性。     

基于多约束DTW的MPCA间歇过程监测方法

针对间歇过程固有的批次不等长问题,也为了克服传统解决批次间同步问题方法存在的数据浪费、扭曲原始过程变量的自相关及交叉相关关系的严重缺陷,提出基于多约束的动态时间规整(dynamic time warping,DTW)方法,按照轨迹中点与点的模式进行动态匹配解决的同步问题.同时,引入了全局路径限制和失真度阈值限制对DTW方法进行改进,解决了传统DTW方法长时间运行造成的故障监测严重滞后的问题,同时克服了其处理过程的复杂性与其离线性导致其实际应用的困难.用多向主元分析(multiway principal component analysis,MPCA)方法将多约束DTW处理过的数据进行建模.将该方法应用到青霉素发酵过程仿真实验中,结果表明:该方法能够快速准确地对不等长批次进行规整,与传统方法相比,故障的误报率、漏报率明显降低.