基于特征子空间的滑动窗PCA在批过程故障诊断中的应用

基于传统的多向主元分析MPCA(multiway principal component analysis)常会导致误诊断,且对批过程难以保证在线状态监测和故障诊断的实时性,提出了一种基于特征子空间的滑动窗主元分析方法。在实时故障监测与诊断时,该方法采用适当大小的滑动窗逐步更新当前子数据空间,对当前子数据空间故障的识别通过依次计算其与基底库中各故障的匹配度来进行。这种方法克服了传统的MPCA不能处理非线性过程和实时性问题,并避免了MPCA在线应用时预报未来测量值带来的误差, 提高了批过程性能监测和故障诊断的准确性。     

基于RMKMFDA的间歇过程监测与故障诊断

针对间歇过程特点和基于多向主元分析(Multiway Principal Component Analysis,MPCA)的间歇过程监控方法的缺陷,利用核映射在处理非线性过程和Fisher判别分析(Fisher Discriminant Analysis,FDA)在故障诊断能力上的优势,提出了基于递推多模型的核多向Fisher判别式分析(Recursive Multi-model Kernel Multi-way FDA,RMKMFDA)的间歇过程监测与故障诊断方法。该方法采用多模型核多向Fisher判别分析(Multi-model Kernel Multi-way FDA,MKMFDA)非线性结构代替MPCA单模型线性化结构,并提出确定时滞变量的算法;一旦通过MKMFDA监测出某一新批次过程正常,则模型参考数据库就随之更新:在线监控时通过比较核Fisher特征向量之间的欧氏距离来实现,而最优核Fisher判别向量用来鉴别故障类型。该方法在实时监控新的批过程时,只需利用已收集到的数据信息,且在线递推地更新模型参考数据库,提高了间歇过程监控的准确性,克服了MPCA不能处理非线性过程和实时性问题。通过采用RMKMFDA与移动窗多向主元分析(Moving Window MPCA,MWMPCA)方法对青霉素分批补料发酵过程的实时监控,结果表明RMKMFDA比MWMPCA能更及时地监测出过程异常情况,更准确地判断异常发生的原因。     

一种新的非线性迭推多模型核MFDA的间歇过程监控方法（英文）

针对间歇过程特点和基于多向主元分析(Multiway Principal Component Analysis,MPCA)的间歇过程监控方法的缺陷,利用核映射在处理非线性过程和Fisher判别分析(Fisher Discriminant Analysis,FDA)在故障诊断能力上的优势,提出了基于递推多模型的核多向Fisher判别式分析(Recursive Multi-model Kernel Multi-way FDA,RMKMFDA)的间歇过程监测与故障诊断方法。该方法采用多模型核多向Fisher判别分析(Multi-model Kernel Multi-way FDA,MKMFDA)非线性结构代替MPCA单模型线性化结构,并提出确定时滞变量的算法;一旦通过MKMFDA监测出某一新批次过程正常,则模型参考数据库就随之更新;在线监控时通过比较核Fisher特征向量之间的欧氏距离来实现,而最优核Fisher判别向量用来鉴别故障类型。该方法在实时监控新的批过程时,只需利用已收集到的数据信息,且在线递推地更新模型参考数据库,提高了间歇过程监控的准确性,克服了MPCA不能处理非线性过程和实时性问题。通过采用RMKMFDA与移动窗多向主元分析(Moving Window MPCA,MWMPCA)方法对青霉素分批补料发酵过程的实时监控,结果表明RMKMFDA比MWMPCA能更及时地监测出过程异常情况,更准确地判断异常发生的原因。     

基于变量展开和时变协方差的连续更新的MPCA及其在批过程故障监测中的应用

针对传统的多向主元分析（MPCA）模型批过程监测的缺陷,提出了一种基于变量展开和协方差随时间变化的连续更新的MPCA批过程故障监测方法。该方法将基于批次展开能够去除采样数据的主要非线性动态性的优点与基于变量展开不需要对被监测的新批次的未反应完的数据进行预估的优点结合起来,用于批过程的故障监测,一旦因此判断出某一新批次过程正常,则模型参考数据库就随之更新。在实时监测新的批过程时,只需利用已收集到的数据信息,并且在线连续地更新模型参考数据库,提高了批过程性能监测的准确性,克服了MPCA不能处理非线性过程和实时性问题。通过采用该方法与传统的MPCA方法对青霉素补料分批发酵过程的实时监测,结果表明该方法比传统的MPCA更适合于对缓慢变化的批过程进行监测,具有更可靠的监测性能。     

非线性主元分析故障检测和诊断方法及应用

本文针对间歇生产过程的特点,基于多方向主元分析方法(MPCA)和非线性理论,提 出了一种非线性多元统计分析方法——最小窗口方法,该方法突破了MPCA方法单模型、线性 化的建模方式,创新性地构造了适合间歇生产过程特点的多模型结构非线性建模方法,并侧 重于在线间歇过程性能监视和故障诊断的实时性,消除了预报未来测量值带来的误差,提高 了过程性能监视和故障诊断的准确率．本文详细地讨论了最小窗口PCA建模方法、原理、应 用实例．基于该方法设计的聚氯乙烯生产过程性能监视和故障诊断系统充分验证了该方法的 有效性．     

一种新的间歇过程鲁棒在线监控方法

多向主元分析(MPCA)的统计监控模型,因为易受建模数据中离群点的影响,还需预估新批次未反应完的数据,所以提出一种新的间歇过程鲁棒在线监控法。先利用改进尺度的CDC/MVT算法获取常规建模的批次数据;再用多模型非线性结构代替传统的MPCA单模型线性化结构,并提出确定时滞变量的算法。前者用于监控β-甘露聚糖酶发酵批过程,并与移动窗多向主元分析(MWMPCA)法相比,即使建模数据中存在离群点,前者仍能获得正确的监控结果,减少建模时对数据的要求;同时克服了MPCA不能处理实时性的问题,避免了MPCA在线应用时预测值的误差;更能精确描述过程的故障,准确性和实时性良好。     

CUIMWMPCA方法及其在批过程故障监测中的应用*

针对传统的多向主元分析(multiway principal component analysis,MPCA)批过程监测的缺陷,提出了一种连续更新的改进移动窗多向主元分析(consecutively updated improved moving window MPCA,CUIMWMPCA)方法。该方法采用连续更新的多模型非线性结构代替传统的MPCA固定的单模型线性化结构,一旦通过改进的移动窗多向主元分析(improved moving window MPCA,IMWMPCA)判断出某一新批次过程正常,则     

CSMWPCA方法及其在批过程故障诊断中的应用

鉴于传统的多向主元分析（MPCA）难以保证在线状态监测和故障诊断的实时性,提出了一种基于特征子空间的滑动窗主元分析（CSMWPCA）故障监测与诊断方法。在实时故障监测与诊断时,该方法采用适当大小的滑动窗逐步更新当前子数据空间,对当前子数据空间故障的识别通过依次计算其与基底库中各故障的匹配度来进行,克服了传统的MPCA不能处理非线性过程和实时性问题。与一种新的移动窗多向主元分析（MWMPCA）方法相比,CSMWPCA方法能更有效地识别故障发生的原因。     

一种新的非线性FDA间歇过程监控方法

针对间歇过程非线性的特点,将核方法引入到Fisher判别分析(Fisher Discriminant Analysis,FDA)中,提出了基于多模型核多向Fisher判别分析(Multi-model Kernel Multi-way FDA,MKMFDA)的间歇过程非线性监测与故障诊断方法。该方法仅利用已获得的数据测量值对过程进行监控,避免了传统多向主元分析(Multi-way Principal Component Analysis,MPCA)方法对未来测量值的估计;且在线监控时通过比较核Fisher特征向量之间的欧氏距离来实现,而最优核Fisher判别向量用来鉴别故障类型。青霉素发酵过程应用表明,MKMFDA方法比传统的MPCA方法能更及时地监测出过程异常情况,更准确地判断异常发生的原因。     

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。     

多元轨迹同步化问题的改进型DTW算法

针对间歇生产过程故障诊断中各批次数据轨迹时间长度不一致,导致应用MPCA/MPLS 准确建模及故障诊断失效的问题,本文将动态时间错位（DTW）算法用于所观测的数据轨迹 时间长度的同步化;并在此基础上进一步提出了递推式和粗格子点两种DTW改进算法．仿真 结果表明,两种DTW改进算法能够有效地同步化各批次轨迹,而且可以推广到在线实时应用 ．     

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。     

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。     

基于统计特征的不等长间歇过程故障诊断研究

为了提高不等长间歇过程故障诊断的性能, 同时降低算法的复杂度, 提出了一种基于统计特征的不等长间歇过程故障诊断算法。首先计算每个不等长批次的均值、方差、偏度、峭度和任意两个变量间的欧氏距离, 并将这些统计特征组合成一个等长的特征向量; 然后运用主元分析(PCA)进行过程监视。半导体工业实例的仿真结果表明, 与传统的多向主元分析(MPCA)方法相比, 基于统计特征的不等长间歇过程故障诊断算法的故障诊断率提高15%, 故障检测时间减少了0. 002 s, 因此该算法具有很好的故障诊断性能。     

基于深层长短期记忆网络与批规范化的间歇过程故障检测方法

传统的基于数据驱动的间歇过程故障诊断方法往往需要对过程数据的分布进行假设，而且对非线性等复杂数据的监控往往会出现误报和漏报，为此提出一种基于长短期记忆网络（LSTM）与批规范化（BN）结合的监督学习方法，不需要对原始数据的分布进行假设。首先，对间歇过程原始数据运用一种按变量展开并连续采样的预处理方式，使处理后的数据可以向LSTM单元输入；然后，利用改进的深层LSTM网络进行特征学习，该网络通过添加BN层，结合交叉熵损失的表示方法，可以有效提取间歇过程数据的特征并进行快速学习；最后，在一类半导体蚀刻过程上进行仿真实验。实验结果表明，所提方法比多元线性主成分分析（MPCA）方法故障识别的种类更多，可以有效地识别各类故障，对故障的整体检测率达到95%以上；比传统单层LSTM模型建模速度更快，且对故障的整体检测率提高了8个百分点以上，比较适合处理间歇过程中具有非线性、多工况等特征的故障检测问题。     

改进的MPCA及其在批过程实时故障监测中的应用

针对多向主元分析（MPCA）模型批过程在线监测的缺陷,提出了一种基于变量展开和主元协方差随时间变化的MPCA方法,该方法按变量展开,不需要对新批次未反应完的数据进行预估,而数据之间的动态联系通过时变主元协方差得以保存,并且不需要建模批次的长度相等;将该力法应用于青霉素补料分批发酵过程的实时监测中．结果表明该方法比传统的MPCA方法具有更可靠的监测性能。     

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.