基于多数据空间全潜结构映射的化工过程性能评估方法

针对化工过程运行状态在线评估的问题,提出多数据空间全潜结构映射(multi-space total projection to latent structures,Ms T-PLS)性能评估方法。该方法采用"离线建模,在线评估"的评估策略。首先对历史多数据输入空间进行全面分解,结合多数据空间基向量提取方法,剔除多数据输入空间中与质量变量无关信息的干扰。在与质量变量相关的多数据输入空间上,建立不同运行性能等级的离线数据网络分类模型,实现"离线建模"。"在线评估"阶段,以数据滑动时间窗为评估单元,将过程性能分为稳定和过渡性能等级,把在线数据与历史性能等级进行相似度匹配。利用过程变量相对贡献度,对性能变化起决定性影响的过程变量进行识别和贡献度分析,为系统性能劣化原因的识别提供了参考。最后,应用到乙烯裂解过程在线性能评估中,说明了本评估方法可以对系统进行准确的在线性能评估。     

基于Ms-LWPLS的化工过程网络化性能分级评估方法

针对化工过程输入输出数据间非线性关系问题，提出一种基于多数据空间局部加权潜结构映射(multi-space locally weighted projection to latent structures，Ms-LWPLS)的网络化性能分级评估方法。该方法将历史数据分成不同性能等级的集合，利用Ms-LWPLS方法提取不同性能等级训练数据的过程变化，获得训练数据与性能等级标签之间的非线性映射结构，实现输入数据与性能等级之间的网络化“离线建模”。得到模型后，以数据滑动时间窗为评估单元，将滑动窗口数据输入到训练好的神经网络模型中，根据网络输出划分过程当前性能等级，并构造过渡性能系数，将稳态性能等级和过渡性能等级进行识别和区分。最后，将该方法应用到乙烯裂解过程在线性能评估中，说明此性能评估方法的有效性和准确性。     

基于Ms-NIPLS-GPR的化工过程性能等级评估方法

针对化工过程中因输入输出数据间非线性关系造成在线性能评估准确度不足的问题,提出一种基于多数据空间非线性迭代偏最小二乘和高斯过程回归（multi-space nonlinear iterative partial least squares and Gaussian process regression,Ms-NIPLS-GPR）的性能分级评估方法。首先将性能相近的过程历史数据划分成不同性能等级的集合,利用Ms-NIPLS方法提取不同性能等级训练数据的特征子空间,然后用GPR获得特征子空间与性能等级标签之间的非线性映射结构,建立输入数据与性能等级之间的离线模型。得到模型后,在线评估当前过程性能等级,同时通过构造过渡性能系数来区分稳态性能等级和稳态性能等级间的过渡性能状态。最后,将该方法应用到乙烯裂解过程在线性能评估中,说明该性能评估方法的有效性和准确性。     

基于多属性性能评估的焦炉加热燃烧过程在线优化控制方法

针对焦炉加热燃烧过程中控制器参数难以适应由加热煤气热值和结焦时间变化等因素引起的火道温度波动的问题, 设计了一种基于多属性性能评估的焦炉加热燃烧过程优化控制方法。首先通过分析焦炉加热燃烧过程的工艺特点及生产需求, 针对过程参数周期差异较大的特点, 提出了基于信息熵的多属性性能评估模型, 实现控制系统的在线性能评估。针对控制系统性能评估不合格的情况, 建立了以火道温度偏差、偏差变化率和调节时间为目标的多目标优化模型, 并采用差分进化算法进行求解, 通过控制器参数的在线调节, 保证焦炉火道温度的稳定。仿真结果表明该优化控制方法在加热煤气热值和结焦时间变化时能较好地抑制火道温度的波动。     

基于改进空间映射方法的注塑过程参数优化

针对现有注塑过程参数优化方法存在的需要付出较高代价的问题,提出将广泛应用于电路设计优化问题的主动空间映射方法应用于注塑过程参数优化问题。针对应用过程中主动空间映射方法所无法解决的粗糙模型与精确模型在响应值空间存在较大差异的问题,提出一种改进空间映射方法,该方法引入一种新的参数提取方法,并将主动空间映射方法与输出空间映射方法相结合,一方面考虑粗糙模型与精确模型在参数空间中存在的差异,另一方面考虑粗糙模型与精确模型在响应值空间中存在的差异。针对注塑制品的尺寸指标,将本文提出的方法在Moldflow模流分析软件上进行仿真,结果证明,该方法能够利用粗糙模型结果以及少量精确模型结果获得满足设定值的注塑过程参数。     

基于证据网络的多变量MPC经济性能评估

MPC控制系统作为先进控制策略,已经被广泛地应用于工业生产中。但在实际工业中,MPC控制系统的变量的软约束往往设定得比较保守,使系统无法达到最优经济性能。针对有约束的MPC控制系统,采用二次型经济性能指标函数来评价系统的经济性能,将最优工作点的求解问题转化为一个典型的有约束的线性规划问题。进而根据历史数据和二次型经济性能指标函数所得最优运行结果建立多变量MPC的证据网络模型,通过证据网络的反向推理和决策,得到造成MPC控制系统性能下降的可能原因,并提出改善控制系统性能的策略。最后通过仿真实验,验证了基于证据网络的经济性能评估的有效性。     

基于多源异构数据融合的化工安全风险动态量化评估方法

针对石化企业过程安全风险分析缺乏多源异构数据融合、难以解析风险动态时变机理的现状。首先基于改进的模糊Petri网建立风险动态传播模型,考虑初始事件失效、保护层失效和修正因子等参数,得到风险的实时变化概率;然后分析不同保护层失效对事故发生概率的影响,得到不同保护层的重要程度;最后,以正己烷缓冲罐溢流发生火灾爆炸事故为例进行动态风险计算,分析对比其在不同保护层失效下的事故发生概率变化,结果表明安全联锁系统对事故发生起关键作用,日常应加大对其检测力度,防止事故发生。     

基于集成学习的多产品化工过程软测量建模方法

化工过程通常具有非线性、时变以及多产品等特性。针对上述特点,在集成学习框架下建立自适应软测量模型。首先,面向具有多个产品的化工对象,借助k近邻法,以统计假设检验理论为依据,提出一种自适应局部化方法,获得多样性程度高的局部模型集合。然后,根据未知样本量化局部模型的泛化能力,通过选择性集成方法获得主导变量的估计值。此外,为了对主导变量估计值的精度进行评估,基于局部模型泛化误差,给出一种通用性高的模型性能评价方法。在仿真的盘尼西林生产过程上的运行结果验证了所提方法的有效性。     

基于相似度网格模型的在线经济性能分级评估方法

针对经济性能评估方法中目标函数难以在线计算问题提出一种基于过程数据的在线经济性能分级评估方法。采用自回归潜结构映射（AR-PLS）算法对输入数据矩阵进行分解,在与输出潜变量相关的子空间上建立不同性能等级的离线模型,从而排除无关变化的干扰。然后采用“先标定分区,再对比邻级相似度”的策略设计一个相似度网格模型,将过程性能分为稳定性能级状态和过渡状态,并对离线模型中未出现过的因素造成的性能变化进行识别,以进一步丰富离线数据库。对于不属于最优性能级的过程数据,能够根据变量贡献度诊断造成性能变差的原因。乙烯裂解过程的现场数据测试实验表明本方法可以及时、准确地检测到经济性能的偏移。     

基于不同阶段安全功能失效的安全仪表系统性能评估方法

从系统安全角度出发,安全仪表系统的性能评估应尽可能的覆盖各种安全功能失效。本文基于不同使用阶段的安全功能失效,建立了安全仪表系统的性能评估方法。根据安全仪表系统使用过程中的特点,该方法综合考虑了安全仪表系统在被动休眠期、过程要求时和维修测试期内可能发生的系统安全功能失效,并分别进行定量,最后给出了安全仪表系统的整体安全功能失效模型。应用实例表明该方法更加详尽合理。     

Quality‐relevant and process‐relevant fault monitoring with concurrent projection to latent structures

This paper proposes a new concurrent projection to latent structures is proposed in this paper for the monitoring of output‐relevant faults that affect the quality and input‐relevant process faults. The input and output data spaces are concurrently projected to five subspaces, a joint input‐output subspace that captures covariations between input and output, an output‐principal subspace, an output‐residual subspace, an input‐principal subspace, and an input‐residual subspace. Fault detection indices are developed based on these subspaces for various fault detection alarms. The proposed monitoring method offers complete monitoring of faults that happen in the predictable output subspace and the unpredictable output residual subspace, as well as faults that affect the input spaces only. Numerical simulation examples and the Tennessee Eastman challenge problem are used to illustrate the effectiveness of the proposed method. © 2012 American Institute of Chemical Engineers AIChE J, 59: 496–504, 2013     

A quality relevant non‐Gaussian latent subspace projection method for chemical process monitoring and fault detection

Partial least‐squares (PLS) method has been widely used in multivariate statistical process monitoring field. The goal of traditional PLS is to find the multidimensional directions in the measurement‐variable and quality‐variable spaces that have the maximum covariances. Therefore, PLS method relies on the second‐order statistics of covariance only but does not takes into account the higher‐order statistics that may involve certain key features of non‐Gaussian processes. Moreover, the derivations of control limits for T² and squared prediction error (SPE) indices in PLS‐based monitoring method are based on the assumption that the process data follow a multivariate Gaussian distribution approximately. Meanwhile, independent component analysis (ICA) approach has recently been developed for process monitoring, where the goal is to find the independent components (ICs) that are assumed to be non‐Gaussian and mutually independent by means of maximizing the high‐order statistics such as negentropy instead of the second‐order statistics including variance and covariance. Nevertheless, the IC directions do not take into account the contributions from quality variables and, thus, ICA may not work well for process monitoring in the situations when the quality variables have strong influence on process operations. To capture the non‐Gaussian relationships between process measurement and quality variables, a novel projection‐based monitoring method termed as quality relevant non‐Gaussian latent subspace projection (QNGLSP) approach is proposed in this article. This new technique searches for the feature directions within the measurement‐variable and quality‐variable spaces concurrently so that the two sets of feature directions or subspaces have the maximized multidimensional mutual information. Further, the new monitoring indices including I² and SPE statistics are developed for quality relevant fault detection of non‐Gaussian processes. The proposed QNGLSP approach is applied to the Tennessee Eastman Chemical process and the process monitoring results of the present method are demonstrated to be superior to those of the PLS‐based monitoring method. © 2013 American Institute of Chemical Engineers AIChE J 60: 485–499, 2014     

基于统计量模式分析的T-KPLS间歇过程故障监控

核函数的全影结构投影(total kernel projection to latent structures,T-KPLS)最近在故障监控领域取得了广泛应用, 其实质是对数据矩阵的协方差矩阵进行分解, 没有利用数据的高阶统计量等有用信息, 在进行特征提取时会造成数据有用信息的丢失, 导致故障识别效果差。为了解决此问题, 提出了统计量模式分析(statistics pattern analysis, SPA)与核函数的全影结构投影法(total kernel projection to latent structures, T-KPLS)相结合的多向统计量模式分析的核函数的全影结构投影法(multi-way statistics pattern analysis total kernel projection to latent structures, MSPAT-KPLS)。该方法首先构造样本的不同阶次统计量, 将数据从原始的数据空间映射到统计量样本空间, 然后利用核函数将统计量样本空间映射到高维核空间并在质量变量的引导下将特征空间分为过程变量与质量变量相关、过程变量与质量变量无关、过程变量与质量变量正交和残差4个子空间;最后针对与质量变量相关和残差空间建立联合监控模型, 当监控到有故障发生时进行故障变量追溯。最后将该方法应用到微生物发酵过程中, 并与传统方法进行比较, 发现该方法具有更好的监控性能。     

Multivariate statistical monitoring of process operating performance

Process computers routinely collect hundreds to thousands of pieces of data from a multitude of plant sensors every few seconds. This has caused a “data overload” and due to the lack of appropriate analyses very little is currently being done to utilize this wealth of information. Operating personnel typically use only a few variables to monitor the plant's performance. However, multivariate statistical methods such as PLS (Partial Least Squares or Projection to Latent Structures) and PCA (Principal Component Analysis) are capable of compressing the information down into low dimensional spaces which retain most of the information. Using this method of statistical data compression a multivariate monitoring procedure analogous to the univariate Shewart Chart has been developed to efficiently monitor the performance of large processes, and to rapidly detect and identify important process changes. This procedure is demonstrated using simulations of two processes, a fluidized bed reactor and an extractive distillation column.     

基于LPP-GNMF算法的化工过程故障监测方法

提出了基于LPP-GNMF算法的化工过程故障监测方法。非负矩阵分解（NMF）是一种新兴的降维算法,由于它在机理上具有潜变量的正向纯加性的特点,所以在对数据进行压缩时,可以基于数据内部的局部特征有效描述数据信息,相比于传统的多元统计过程监控方法如主元分析（PCA）等有更好的解释能力。然而NMF要求原始数据满足非负性的要求,实际的化工过程有时并不能保证,为放宽对原始数据的非负要求,引入了广义非负矩阵分解（GNMF）算法。其次,GNMF在分解的过程中没有考虑到样本间的局部结构和几何性质,可能存在不能准确处理数据的问题。针对这一问题,提出了将GNMF与LPP（局部投影保留）相结合的算法。将提出的LPP-GNMF算法应用于TE过程来评估其监测性能,并与PCA算法、NMF算法、SNMF算法进行比较,仿真模拟结果表明所提算法的可行性。     

基于隐变量空间载荷余弦相似度的间歇过程递推优化

针对间歇过程基于主元相似度优化方法中存在的变量相关性信息损失问题,提出一种单位化隐变量空间下利用载荷余弦相似度进行递推优化的新策略。首先将各时段变量与指标变量构成的扩展矩阵进行主元分解,通过信息的重新分配使得由主元构成的隐变量空间是单位正交的,从而得到包含更多变量相关信息的非单位化载荷矩阵,进一步计算隐变量空间下各时段变量与指标变量之间载荷余弦相似度和批次间指标增量,并对操作曲线进行递推修正。这种非单位化载荷矩阵的主元分解形式,不仅降低了隐变量空间下变量相关性信息损失,也使得更新操作曲线的递推算法更为简化。最后,通过间歇过程某一化工产品结晶纯度的优化研究,验证了所提方法的有效性。     

污水水质综合评价的污染损失率法

提出一种以水污染损失率为基础的评价污水水质的方法。污水水质的污染物;浓度Ｃｉ与水持损害值Ｓｉ的函数关系为Ｓｉ＝Ｋ／「１＋ａｉｅｘｐ（－ｂｉ＊Ｃｉ）」,由此可推导出综合污染损失率,找出水质损害程度与污水水质综合评价的关系,评价结果被赋予鲜明的物理意义。实例表明该方法是非常有效的。