基于多时段MPCA模型的间歇过程监测方法研究

针对间歇过程的多时段特性, 提出一种新的生产操作时段划分方法. 该方法利用反映过程特性变化的主成分个数、负载矩阵以及主成分矩阵的变化实现间歇过程子时段的三步划分. 根据各时间片主成分个数不同, 对生产操作时段进行粗划分. 为了更客观地反映负载矩阵以及主成分矩阵的相似性, 提出了基于加权负载向量夹角余弦的负载矩阵相似度度量以及基于加权主成分欧氏距离的主成分矩阵相似度度量方法. 以相似度最小原则, 对时间片矩阵进行奖惩竞争聚类, 进而实现了生产操作子时段的细划分. 将基于改进时段划分方法的MPCA建模应用于注塑成型过程在线监测, 实验结果验证了该方法的有效性.     

基于时段及过渡区域的KICA间歇过程监测方法

针对间歇过程时段的切换存在过渡区域,同时,间歇过程数据有着强非线性的特点,提出一种基于时段及过渡区域的KICA间歇过程监测方法。该方法基于MPCA及k-means聚类算法对间歇过程进行子时段划分,并基于第一主元贡献率差值识别时段间的过渡区域,在此基础上,对稳定时段建立统一KICA监测模型,而过渡区域针对各时刻滑动窗口进行KICA建模监测。将该方法应用于青霉素发酵过程在线监测,实验结果表明,相比sub..PCA监测方法,本文基于时段及过渡区域的KICA监测方法能更及时、准确的检测到过渡区域的异常。     

基于KECA和FWA-SVM的间歇过程分时段故障诊断方法

针对间歇过程的高度复杂性、强非线性、强时段性等特点,提出一种基于核熵成分分析（KECA）特征变量降维,利用烟花算法（FWA）优化支持向量机（SVM）参数的间歇过程分时段故障诊断方法。首先,通过多向核主元分析（MKPCA）进行在线故障监测,输出故障数据;其次,利用K-means分类方法将间歇过程划分为若干个子时段,对故障数据进行KECA特征变量处理,按熵值贡献率来确定选取主元的个数,深层提取特征信息;最后,在各子时段内分别构建FWA优化SVM参数故障诊断模型,将降维处理后的故障数据代入各自所属子时段FWA-SVM诊断模型内进行故障诊断。通过对青霉素仿真实验数据进行各种对比实验研究,验证了该方法的可行性与有效性。     

基于PARAFAC2时段划分的间歇过程故障检测

间歇过程的多时段特性直接影响多元统计分析过程建模的准确性。针对间歇过程多时段特性,本文提出一种基于平行因子分解2（PARAFAC2）时段划分的间歇过程故障检测方法,首先对每一个时间片矩阵进行PARAFAC2建模,得到时间片矩阵的模型控制限,然后从间歇过程初始时刻开始,按照时序依次将每个时间片添加到时间块并进行PARAFAC2建模,得到时间块矩阵的模型控制限,通过评估时间片和时间块模型控制限的差异性确定初始时段划分点,并利用时段评价划分指标（PPCI）获取最佳的时段划分结果,最后在所得结果基础上分别对各个时段构建MPCA故障检测模型,实现间歇过程故障检测。所提方法保留了间歇过程三维结构特征和数据的完整性,深入考虑了间歇过程实际运行的时序性,提高了故障检测的准确性。利用青霉素发酵过程仿真实验验证了所提方法的有效性。     

一种新的多阶段改进MPCA间歇过程监视方法的研究

针对间歇生产过程存在的多阶段问题,提出了基于数据动态特性CPV(1)(cumulative percent variance of the first principal component)指标进行模糊聚类实现多阶段软划分的方法,解决了传统分段方式对间歇过程进行硬划分的缺陷,使得过程多阶段划分更加准确。在此基础上建立多阶段具有时变主元协方差的改进MPCA(multiway principal component analysis)模型进行间歇过程的监视。将此方法应用于青霉素发酵过程,验证了该方法的可靠度和有效性。     

基于FCM的青霉素发酵分时段统计建模及监控

对间歇过程进行实时监测具有重要的现实意义,传统的多向主元分析方法(MPCA)是用单一的统计模型来表现原始数据的信息,没有考虑到大多数间歇过程由于操作条件或反应进程的改变,不同操作阶段的数据动态特性会不同,同一操作阶段的变量也往往具有高度非线性的特性,因此会导致一些重要信息的缺失。本文针对青霉素发酵过程固有的多时段特性,提出了一种基于模糊C均值算法的分时段过程监控算法,该方法以每个时刻数据矩阵的相似度指标作为聚类输入,以便准确的判断过程特性变化,实现间歇生产过程的阶段划分,进而用MPCA建立多时段过程监控模型,最后再利用相应的统计指标进行过程监测。将该算法应用于青霉素发酵过程的在线监测,实验结果验证了该方法的有效性和可靠性。     

时段划分的多向主元分析间歇过程监测及故障变量追溯

针对间歇过程的多时段特性,提出一种生产过程操作时段划分方法.该方法利用反映过程特性变化的负载矩阵以及主成份矩阵的变化实现了间歇过程子时段的两步划分.提出了基于加权负载向量夹角余弦的负载矩阵相似性度量以及基于加权奇异值变化的奇异值矩阵相似性度量方法,以更客观的反映负载矩阵以及奇异值矩阵的相似性,进而更准确的判断过程特性的变化.根据同一操作子时段的过程特性,其负载矩阵和奇异值矩阵相似性较大的特点,实现了生产过程的子时段划分.将基于子时段划分的多向主元分析(MPCA)建模应用于三水箱系统的在线监测和故障变量追溯,实验结果验证了该方法的有效性.     

基于近邻方法的高维数据可视化聚类发现

提出了一种新颖的基于近邻方法的高维数据可经聚类方法,并实现了一个近邻可视化聚类发现系统ＶｉｓＮＮ。已有的解决高维数据可视化聚类方法主要是通过降维把维数据投影到二维或三维空间上,从而达到可视化目的。     

过程编码降维在FCM中的改进研究

利用无监督聚类算法可以有效地保留数据特征的特性,提出采用无监督聚类算法来对数据样本进行降维处理的方法,通过将连续多次迭代分类结果进行按类数编码,得到快速判定聚类分析降维开始的可行条件及聚类结束条件,并以降维数据为数据样本,继续进行聚类分析,快速完成数据特征提取。通过实验证明该方法在数据降维效果和聚类算法的执行速度上都有很大提高。     

基于曲线距离分析的嵌入式增强聚类算法

针对传统数据分析方法对高维数据进行聚类分析时存在的操作过程繁琐及准确率低等缺陷,提出基于曲线距离分析的嵌入式增强聚类算法(ECE-CDA).计算高维空间中数据点之间的成对曲线距离并由聚类引导将其映射到低维空间,构造权重函数保持局部拓扑结构不变性.该算法简化了数据分析过程,同时实现降维和聚类,可作为通用的高精度框架.在12个公共数据集上的实验结果表明,该算法能有效进行数据降维并大幅提高模型的聚类精度.     

间歇过程动态潜结构阶段划分与在线监控

阶段划分是间歇过程准确建模和有效监控的前提.针对传统阶段划分方法未考虑间歇过程的动态性造成阶段划分不准确、影响监控精度,且具有参数选择难、鲁棒性差的局限,提出一种基于动态潜结构的动态间歇过程阶段划分与在线监控方法.首先,对间歇过程三维张量数据沿变量方向展开,并增加时滞变量构建增广矩阵来提取过程动态关系;然后,以增广矩阵...     

Modeling and Optimal Control of Batch Processes Using Recurrent Neuro-Fuzzy Networks

A recurrent neuro-fuzzy network based strategy for batch process modeling and optimal control is presented in this paper. The recurrent neuro-fuzzy network allows the construction of a “global” nonlinear long-range prediction model from the fuzzy conjunction of a number of “local” linear dynamic models. In this recurrent neuro-fuzzy network, the network output is fed back to the network input through one or more time delay units. This particular structure ensures that predictions from a recurrent neuro-fuzzy network are long-range or multi-step-ahead predictions. Long-range predictions are particularly important for batch processes where the interest lies in the product quality and quantity at the end of a batch. To enhance batch process control and monitoring, a model capable of predicting accurately the product quality/quantity at the end of a batch is required. Process knowledge is used to initially partition the process nonlinear characteristics into several local operating regions and to aid in the initialization of the corresponding network weights. Process input output data is then used to train the network. Membership functions of the local regimes are identified and local models are discovered through network training. An advantage of this recurrent neuro-fuzzy network model is that it is easy to interpret. This helps process operators in understanding the process characteristics. The proposed technique is applied to the modeling and optimal control of a fed-batch reactor.     

基于PEM的三自由度直升机模型辨识

针对三自由度(3-DOF)直升机平台的特点,提出了一种基于预测误差法(PEM)的模型频域辨识方法,建立了机理模型,运用扫频技术得到巡航飞行状态直升机3个通道的输入-输出数据;分析了偏相干函数和复合窗函数,通过PEM进行了模型的频域辨识,得到了状态空间方程的待辨识参数和直升机的参数化模型.通过时域飞行和模型预测响应的对比,验证了该模型的准确性和该辨识方法的有效性.     

Acceleration amplitude-phase regulation for electro-hydraulic servo shaking table based on LMS adaptive filtering algorithm

Electro-hydraulic servo shaking table usually requires good control performance for acceleration replication. The poles of the electro-hydraulic servo shaking table are placed by three-variable control method using pole placement theory. The system frequency band is thus extended and the system stability is also enhanced. The phase delay and amplitude attenuation phenomenon occurs in electro-hydraulic servo shaking table corresponding to an acceleration sinusoidal input. The method for phase delay and amplitude attenuation elimination based on LMS adaptive filtering algorithm is proposed here. The task is accomplished by adjusting the weights using LMS adaptive filtering algorithm when there exits phase delay and amplitude attenuation between the input and its corresponding acceleration response. The reference input is weighted in such a way that it makes the system output track the input efficiently. The weighted input signal is inputted to the control system such that the output phase delay and amplitude attenuation are all cancelled. The above concept is used as a basis for the development of amplitude-phase regulation (APR) algorithm. The method does not need to estimate the system model and has good real-time performance. Experimental results demonstrate the efficiency and validity of the proposed APR control scheme.     

基于旋转向量法的电能质量扰动检测分割

电能质量扰动的检测与分割,是电能质量监测和数据记录的必要步骤;在分析3个相邻采样点三角特性的基础上,提出了旋转向量法的暂态电能质量扰动检测分割方法,并推导出的瞬时扰动量、瞬时幅值和瞬时相位的表达式,从而检测出扰动事件的起止时间和持续时间,并实现扰动的分割;仿真结果显示,该旋转向量法能对电压凹陷、电压凸起、暂态振荡和瞬时脉冲等多种暂态电能质量扰动实现有效检测分割;该方法误差小,且实时性好,是一种有效的电压扰动事件分割方法。     

基于蚁群优化算法的非均匀子阵划分技术

对于大型阵列天线应用于空域抗干扰系统中,为了降低硬件成本和减少计算复杂度,一般通过子阵划分技术将整个阵列划分为若干子阵,子阵内部采用模拟波束形成,子阵间采用数字自适应波束形成;由于均匀划分方法的波束形成方向图中存在栅零点,提出一种基于蚁群算法的非均匀子阵划分技术,将阵列最大输出信干噪比作为适应度函数,应用了概率计算与轮盘赌相结合的路径规划方法;结合信息素初始浓度和启发式信息范围,设计了新的适应度函数值与信息素更新的转换关系;最后对所提算法进行仿真,结果表明在不同规模、不同输入干噪比、不同期望信号扫描角度下,所提算法在输出信干噪比上优于均匀划分方法,且没有栅零点产生,与全阵元的自适应波束形成方向图、输出信干噪比相近,验证了该方法的有效性。     

Discrete-time frequency response identification method for processes with final cyclic-steady-state

A new non-parametric process identification method is proposed to obtain the discrete-time frequency response model from the process input and output data. The existing discrete-time Fourier transform approach can be applied to only the case that the initial part and the final part of the process data are zero-steady-state to estimate perfect frequency response data without modeling errors. The proposed method using a new transform can estimate the exact frequency response model from more various process excitation cases including initial-steady-state/final-steady-state and initial-steady-state/final-cyclic-steady-state. It can estimate exact frequency response model because no approximations are used in developing the proposed algorithm. Also, the proposed method can still provide exact model even in the case of static disturbances and sinusoidal disturbances of which the frequencies are multiples of the cyclic-steady-state frequency.     

Robust identification of MISO neuro‐fractional‐order Hammerstein systems

This paper introduces a multiple‐input–single‐output (MISO) neuro‐fractional‐order Hammerstein (NFH) model with a Lyapunov‐based identification method, which is robust in the presence of outliers. The proposed model is composed of a multiple‐input–multiple‐output radial basis function neural network in series with a MISO linear fractional‐order system. The state‐space matrices of the NFH are identified in the time domain via the Lyapunov stability theory using input‐output data acquired from the system. In this regard, the need for the system state variables is eliminated by introducing the auxiliary input‐output filtered signals into the identification laws. Moreover, since practical measurement data may contain outliers, which degrade performance of the identification methods (eg, least‐square–based methods), a Gaussian Lyapunov function is proposed, which is rather insensitive to outliers compared with commonly used quadratic Lyapunov function. In addition, stability and convergence analysis of the presented method is provided. Comparative example verifies superior performance of the proposed method as compared with the algorithm based on the quadratic Lyapunov function and a recently developed input‐output regression‐based robust identification algorithm.     

基于二次仿射传播聚类的非线性系统多模型LSSVM建模

针对复杂非线性系统单模型建模存在计算量大和精度差的问题,提出一种采用仿射传播聚类的多模型LSSVM建模方法,通过仿射传播聚类对样本数据按输入集和输出集二次聚类划分,并分别建立LSSVM子模型,非线性系统模型通过子模型加权合成.将该方法应用于两电机变频调速系统的张力和速度模型辨识,仿真结果表明,该建模方法具有较高的精度,能准确拟合系统的非线性特性.