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.     

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.     

基于瞬时频率响应函数的间歇过程时段划分

多时段特性是间歇过程的本质特性之一,对间歇过程实现有效的时段划分是故障监测的基础。传统的时段划分方法大多针对过程的输入输出数据,对输入输出数据突变较为敏感。本文提出一种基于瞬时频率响应函数的间歇过程时段划分方法,该方法基于系统的瞬时动态特性,用瞬时频率响应函数替代输入输出数据进行时段划分,利用小波变换估计系统的瞬时频率响应函数进行核主元分析降维,通过模糊C均值聚类对降维后频率响应函数进行聚类划分时段。实验结果表明,本文所提出的方法能够实现对间歇过程的时段划分,并具有较高的鲁棒性。     

基于多时段MPCA的半导体蚀刻过程监测方法

针对MPCA方法在具有多时段的间歇过程中的故障监测效果不佳的问题,提出一种新的多时段建模方法,首先根据各时间片上的主元个数不同,对过程进行模糊划分,然后利用K均值算法对样本数据聚类得到精确划分,最后按照划分结果在各阶段建立代表性统计分析模型对整个过程进行监控。将该方法用于半导体蚀刻过程的故障监测,并与MPCA方法进行了比较证明该方法具有良好的监控性能,能够及时准确及时的监测出引起产品质量发生变化的故障。     

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。     

基于统计差分LPP的多模态间歇过程故障检测

针对工业过程数据存在的非高斯和多模态特性,提出一种基于统计差分LPP的多模态间歇过程故障检测方法。首先将统计模量分析的方法应用到间歇过程训练数据集中,计算统计过程变量的均值和方差,将不等长的批次变成等长的统计量,保证统计模量近似服从高斯分布;然后运用差分算法使多模态变为单模态,最后运用LPP算法进行降维和特征提取,计算样本的T2统计量,并利用核密度估计确定控制限。对于新来的测试样本数据统计差分处理后,向LPP模型上进行投影,计算新数据的T2统计量并与控制限比较进行故障检测。最后通过半导体过程数据的仿真结果表明,该算法的故障检测效果最好,验证了所提方法的有效性。     

基于子时段MPCA-SVM的间歇过程在线故障诊断

针对基于支持向量机(Support Vector Machine,SVM)的间歇过程故障诊断准确率低的问题,结合间歇过程的时段特性,提出了一种基于子时段MPCA-SVM的间歇过程在线故障诊断方法。首先,利用多向主成分分析(Multi-way principal component analysis,MPCA)提取出间歇过程正常运行状态下的每个采样点的主成分,将相邻的且具有相同主成分个数的采样点归到同一粗划分时段内,再在每一个粗时段内利用相邻采样点的负载矩阵的角度信息作为相似性判据来细化分时段;其次,对每个时段建立MPCA在线过程监测模型,同时,利用MPCA提取每个时段内各个类型故障的特征,并用特征数据建立SVM故障诊断模型;最后,MPCA监测模型实施监测功能,当检测到故障时,相应时段的SVM故障诊断模型进行诊断。将该方法应用于青霉素发酵过程仿真平台进行验证,该方法相比于不分时段的SVM的故障诊断方法,平均可提高故障诊断准确率11%,实验结果表明了该方法的有效性和可行性。     

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.     

不等长批次过程的有序时段划分、建模及故障检测

对具有不等长时段的多时段批次过程进行监测是十分重要而且具有一定难度的. 时段在批次间的错位现象导致时间方向的不同过程特性混合在一起, 这给时段分析以及在线应用带来了一系列的问题. 为了解决不等长所带来的问题, 本文提出一种基于不等长时段有序识别及建模的故障检测方法. 该方法的主要贡献包括以下方面：1) 该方法通过步进地衡量过程的变量相关性对模型精度以及监测性能的影响, 自动有序地识别出每个不等长时段; 2) 在每个时段内,通过对不规则的过程数据进行整合建立了时段模型以捕捉不规则的时段特性; 3) 本文提供了一种简单而有效的在线判断新样本隶属时段和监测其运行状态的方法. 最后, 本文通过一个实例–具有不等长批次长度的注塑过程阐述了本方法的有效性.     

独立成分相关分析的自适应故障监测方法

工业过程数据具有动态、非高斯等特性.独立成分分析(independent component analysis, ICA)既可以分析数据的非高斯形式,又可以极大地去除多变量间的耦合且满足独立性要求.本文引入粒子群算法优化ICA模型参数,自适应地确定独立成分个数.同时,提出一种基于隐马尔科夫链模型(hidden Markov model, HMM)的自适应检测限设计方法,将时间相关数据块的特征信息变化作为过程故障的检测依据.首先利用由时间窗方法确定的独立成分组成监测矩阵来训练HMM模型,旨在提高独立成分间相关性水平的表示能力;然后将得到的HMM模型对监测矩阵进行相关性评估,并在一定容许裕度的基础上设计评估值的自适应因子及检测限,并据此监测特征信息变化,动态地进行在线故障检测.最后, Tennessee Eastman (TE)仿真平台的实验结果表明了所提方法的有效性.     

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.     

Multiphase two-dimensional time-slice dynamic system for batch process monitoring

In this work, a multiphase 2D time-slice dynamic system approach has been proposed to characterize the batch-wise and variable-wise dynamics of batch processes simultaneously. First, in each phase, the 2D latent representation has been developed for time slice matrices so as to extract informative features from both batch-wise and variable-wise variations. Afterward, the first-order Markov chains are introduced for capturing the underlying 2D latent dynamics across time-slice evolutions. In this way, batch process dynamic behaviors in each working phase can be captured from both single batch run and batch-to-batch evolutions, while process noise can also be explained in the probabilistic modeling framework. Last, in order to carry out online monitoring with the proposed 2D dynamic system, an effective 2D online-monitoring mechanism is established. The feasibility of the dynamic batch process monitoring method is validated on the fed-batch penicillin fermentation benchmark.     

Fault detection and diagnosis method for batch process based on ELM-based fault feature phase identification

Because of the multiplicity of operation phases in batch process, which have specific control objects, different dominant process variables and distinct process correlation characteristics, the faults may also have phase characteristic. To conduct fault diagnosis for batch process more precisely, this paper proposes a fault detection and diagnosis method based on fault feature phase identification results. Firstly, extreme learning machine is used to identify fault feature phases between the faulty data set and the normal data set. Then, focusing on the different data nature implied in different fault feature phases, several ‘short stages’ are partitioned for the whole batch. After that, different multiway fisher discriminant analysis (MFDA) models are developed for these ‘short stages,’ respectively. The proposed method can deepen the search space analyzed by fault diagnosis into specific fault feature phases, which not only overcome the disadvantage of too many models in MFDA, but also overcome the disadvantage of low diagnosis accuracy and high false recognition rate of traditional MFDA method. Simulation results show the feasibility and validity of the proposed method.     

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。     

Phase analysis and statistical modeling with limited batches for multimode and multiphase process monitoring

For multimode batch processes, the conventional modeling methods in general require that sufficient batches should be available for every mode, which, however, cannot be guaranteed in practice. It may be impractical to conduct enough trial runs and wait until sufficient batches are available before development of monitoring models for each mode. Starting from limited batches, how to derive reliable process information and develop monitoring models has been an important question for successful online multimode batch process monitoring. To address this problem, this article proposes a phase analysis and statistical modeling strategy with limited batches. One mode which has obtained sufficient batches is chosen as the reference mode while the other modes which can only get limited batches work as alternative modes. Starting from limited batches, the proposed algorithm addresses two issues, concurrent phase partition and analysis of between-mode relative changes. First, for each alternative mode, generalized time-slices are constructed by combining several consecutive time-slices within a short time region to explore local process correlations. The time-varying characteristics are then concurrently analyzed across modes so that multiple sequential phases are identified simultaneously for all modes. Then phase-representative data units are arranged by variable-unfolding the conventional time-slices for the reference mode and the generalized time-slices for each alternative mode respectively. Between-mode statistical analysis is performed within each phase where the relative changes from the reference mode to each alternative mode are analyzed. From the between-mode perspective, different types of relative variations in each alternative mode are separated and modeled for online monitoring. Starting from limited batches, online batch process monitoring can be conducted, providing reliable fault detection performance. The proposed algorithm is illustrated with a typical multiphase batch process with multiple modes.     

青霉素生产过程的在线统计监测与产品质量控制

将多向偏最小二乘(MPLS)方法应用于青霉素间歇生产过程的建模与故障诊断中。从青霉素反应过程的特点来看,数据具有多维性,应用传统的偏最小二乘方法会使过程的统计建模与故障诊断难以实现。MPLS可对间歇过程的多维数据沿变量方向进行分割,使得多批量的数据可以在过程的各操作阶段建立相应的PLS模型,从而完成对该反应过程的实时监视与故障诊断。运用T2统计、Q统计方法,结合贡献图对过程进行了仿真分析,从理论分析和仿真实验结果的一致性,证明了该方法在青霉素生产过程的故障检测与诊断方面是可行的。     

分段多向核主元分析的啤酒发酵过程故障检测

基于主元分析的故障诊断模型应用在非线性时变过程中具有局限性。基于间歇过程具有周期性这一特点,在非线性空间的数据提取中,将核变换理论引入其中,提出了一种改进的多向核主元分析故障诊断模型,该方法对于过程数据的非线性问题的解决和非线性信息的充分提取表现出很好的性能,使得非线性主元能够在高维特征空间中被快速提取。 对比实验结果表明,该方法对于缓慢时变的间歇过程具有很好的准确性与实时性。     

协同过滤算法中新项目推荐方法的研究

为了有效地解决协同过滤算法中新项目难以推荐的问题,文中提出了一种对项目矩阵进行划分的方法。其基本思想是,首先利用分类树算法划分项目矩阵并计算项目间的相似度,在此基础上缩小近邻搜索的范围和需要预测的资源数目。通过用户对已有项目的评分排列顺序和项目间相似性预测用户对新项目的评分。实验结果表明:基于项目矩阵划分的协同过滤算法有效地解决新项目推荐困难的问题,显示出了比传统推荐算法更好的推荐质量和扩展性。