基于MFA-ICA的间歇过程在线监控

针对间歇过程独特的数据特点,提出1种将因子分析(FA)作为独立成分分析(ICA)白化预处理手段的多向因子分析白化独立成分分析(multiway factor analysis-independent component analysis,MFA-ICA)间歇过程监控方法.因子分析充分考虑了模型误差的普遍意义,拥有优秀的噪声建模能力.将其代替上成分分析用于白化,可以更好的提取数据集的本质信息.首先将间歇过程三维数据依次按批次和变量展开得到二维数据矩阵,接着把上述方法用于展开后的数据,利用ICA的,I2统计图实现在线故障检测.该方法用于标准仿真平台Pensim,结果表明上述方法对于提高间歇过程故障检测的快速性,降低漏报率有明显效果.     

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。     

基于GLRGMM的间歇过程在线监控策略

针对间歇过程的非线性和动态性,提出了全局—局部正则化高斯混合模型 （GLRGMM）算法。首先引入邻域保持嵌入算法提取局部流形结构,通过寻求一种低维投影对非线性过程进行全局结构保持,同时最大限度地保留局部流形特征;然后通过对高斯混合模型引入正则项来在线监控更新高斯模型,获取非线性数据流形结构,解决数据动态性问题;最后集成全局—局部监控指标实现在线监控。通过青霉素发酵过程进行了验证,结果表明所提算法比DPCA、GLNPE具有更好的在线监控效果。     

基于WaveARX神经网络的间歇过程工况监测

研究利用ＷａｅＡＲＸ神经网络构造间歇过程的非参数化逼近模型，在分析其逼近偏差的基础上提出了一种非线性优滤波器设计方法，用于间歇过程的工况监测，实例仿真研究证实了该方法的可行性和有效性。     

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...     

基于TTGNPE算法的间歇过程监控

针对间歇过程中三维数据展开为二维造成的部分信息丢失以及数据的全局和局部结构可能发生的变化,提出一种基于张量分解的时序扩展全局局部邻域保持嵌入(TTGNPE)算法.首先利用TTGNPE算法直接处理间歇过程中的三维数据,以避免因展开为二维而造成的信息丢失;然后,将近邻流形嵌入并引入数据空间的全局和局部结构保持中,充分提取数据的局部和全局特征信息;最后,结合移动数据窗技术来处理过程的动态时变性,检测到故障后用贡献图法诊断出故障变量.通过青霉素发酵过程验证了所提出的算法对间歇过程故障检测与诊断的优越性.     

基于扩散K近邻距离的间歇过程故障诊断

针对间歇过程多模态、变量非线性、非高斯分布等特征,提出一种基于扩散K近邻距离的故障诊断方法.该方法首先在样本集完全图中应用马尔科夫随机游走定义带有分量权重的扩散距离,可以有效提取数据样本的关联信息和统计特征,然后应用K近邻规则方法对样本数据进行故障诊断.这种应用扩散距离替换传统K近邻规则欧式距离的统计方法,既可以提升对数据样本关联性信息的有效提取能力,又可以使得K近邻规则处理非线性、多模态检测问题的性能得以保持.通过在半导体蚀刻批次过程中的仿真应用,与传统线性、非线性方法的对比分析,实验结果验证了方法的有效性.     

基于时段的间歇过程统计建模、在线监测及质量预报

首先针对基于多元统计技术的间歇过程统计建模、在线监测、故障诊断及质量预测等热点问题进行了论述, 回顾了各类方法的发展, 并分析了各自的优缺点. 接下来重点针对间歇工业过程多时段及时段过渡特性, 详细介绍了基于时段的统计分析策略, 分析了各时段的潜在过程行为及其对产品质量的影响与作用关系, 探讨了该思想方法的本质依据, 揭示了其研究价值和重要意义. 最后从解决实际问题的角度出发, 发掘了其存在的潜在问题及今后的研究前景与发展空间. 基于时段的间歇过程多元统计分析是一个既有理论意义又有较高实际应用价值的研究课题, 必将有利于后续的过程监测、故障诊断及质量改进.     

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.     

间歇过程的统计建模与在线监测

现代过程工业正逐渐倚重于生产小批量、多品种、高附加值产品的间歇过程.基于多元统计模型的过程监测是保障生产安全和产品质量的重要工具.从间歇过程独特的数据特性出发,将现有的多元统计建模方法进行合理的分类,简要回顾了各类方法的起源、发展及延伸的历程.除了阐述每种方法的基本原理,还详细讨论了各种方法的适用背景,相互关联及优缺点等内容,并对这一领域中依然存在的问题以及研究前景给出中肯的评述.     

基于相对Fisher判别分析理论的故障诊断方法

随着现代工业过程的不断发展,自动化设备越来越复杂。系统的安全性与可靠性是设备现代化的重要方面。数据驱动的故障诊断技术是复杂工业生产过程安全性与可靠性的重要保障之一。传统的Fisher判别分析方法:常常忽视了量纲在各过程变量特征提取过程中的影响。本文在回顾传统Fisher判别分析理论的基础上,指出了量纲及量纲标准化过程对判别分析过程产生的影响,并建立了一种相对Fisher判别分析方法:。先通过预处理的方法:消除量纲差异带来的虚假影响,然后根据系统要求对观测数据做相对化变换,从而更有效地获取各观测数据的代表信息及不同运行模式的判断阈值。最后,利用计算机仿真实验验证了本文方法: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.     

基于判别核主元空间k近邻的批次过程监视

针对批次过程非线性、多模态等特征,提出一种基于判别核主元k近邻（Dis-kPCkNN）的故障检测方法。首先,在核主元分析（kPCA）中,高斯核的窗宽参数依据样本类别标签在类内窗宽和类间窗宽中判别选取,使得核矩阵能有效提取数据的关联特征,保持数据的类别信息;其次,在核主元空间中引用k近邻规则代替传统的T²统计方法,k近邻规则可以有效处理主元空间非线性和多模态等特征的故障检测问题。数值模拟实例和半导体蚀刻工艺过程仿真实验表明:基于判别核主元k近邻方法可以有效地处理具有非线性和多模态结构特征的故障检测问题,提高计算的效率,减少内存的占用,并且故障检测率明显优于传统方法。     

基于KICA-KFDA的集成故障识别算法

针对复杂的化工过程,提高过程监控能力,提出基于核独立成分分析（kernel independent component analysis,KICA）和核Fisher判别分析（kernel fisher discriminant analysis,KFDA）的过程监测与故障识别方法。通过利用核独立成分分析建立正常工况模型,得到检测故障信息。在发生故障的情况下,利用Fisher判别分析方法在高维的特征空间的特点和优势,可求出满足最大分离程度的核Fisher判别向量和特征向量,根据当前故障的判别向量和历史故障数据集中所含故障的最优核Fisher判别向量的相似度进行故障识别。仿真结果验证了所提方法的有效性。     

Probabilistic fault diagnosis method based on the combination of nest-loop fisher discriminant analysis and analysis of relative changes

Bias of data location and increase in data variations are two typical disturbances, which in general, simultaneously exist in the fault process. Targeting their different characteristics, a nested-loop fisher discriminant analysis (NeLFDA) algorithm and relative changes (RC) algorithm are effectively combined for analyzing the fault characteristics. First, a prejudgment strategy is developed to evaluate the fault types and determine what changes are covered in the fault process. Two statistical indexes are defined, which conduct Monte Carlo based center fluctuation analysis and dissimilarity analysis respectively. Second, for the fault data containing those two faults simultaneously, a combined NeLFDA-RC algorithm is proposed for fault deviations modeling, which is termed as CNR-FD. Fault directions concerning bias of data location are extracted by the NeLFDA algorithm and then corresponding fault deviations are removed from the fault data. Then RC algorithm is performed on these fault data to extract directions concerning increase of data variations. These fault directions are used as reconstruction models to characterize each fault class. Particularly, the compromise between these two algorithms is determined by the Monte Carlo based center fluctuation analysis. For online applications, a probabilistic fault diagnosis strategy based on Bayes’ rule is performed to identify fault cause by discovering the right reconstruction models that can make the reconstructed monitoring statistics have the largest probabilities of belonging to normal condition. The motivation of the proposed algorithm is illustrated by a numerical case and the performance of the reconstruction models and the probabilistic fault diagnosis strategy are illustrated using pre-programmed faults from the Tennessee Eastman benchmark process and the real industrial process data from the cut-made process of cigarettes in some cigarette factory.     

基于改进MPLS的间歇过程监测与故障诊断

针对间歇过程三维数据预处理中不同展开方式的多向偏最小二乘(MPLS)方法在线应用时存在的缺陷,提出改进的MPLS方法。该方法结合传统沿变量展开与批次展开的优势,不仅包含了批次间的信息,在一定程度上去除了过程的非线性及动态性,而且解决了在线应用时数据填充的问题;其次,该方法采用随时间更新的协方差代替固定的主元协方差充分考虑了得分向量的动态特性:最后,引进时变贡献图的故障诊断方法,实现了对故障源的实时跟踪。将该方法应用到工业青霉素发酵过程中,并与传统的MPLS方法进行比较。结果表明:该方法具有更好的监控性能,并能够及时检测故障及跟踪故障源。     

基于核Fisher判别分析的蛋白质氧链糖基化位点的预测

以各种窗口长度的蛋白质样本序列为研究对象,实验样本用稀疏编码方式编码,使用核Fisher判别分析(KFDA)的方法来预测蛋白质氧链糖基化位点。首先通过非线性映射(由核函数隐含定义)将样本映射到特征空间,然后在特征空间中用Fisher判别分析进行分类。进一步,用多数投票策略对各种窗口下的分类器进行组合以综合多个窗口的优势。实验结果表明,使用组合KFDA的方法预测的效果优于FDA和PCA以及单个KFDA分类器的预测效果,预测准确率为86.5%。     

基于自适应多向独立成分分析的间歇过程监控的研究

针对间歇过程批次与批次之间,操作条件缓慢变化的特性,提出一种基于自适应多向独立成分分析(MICA)的监控算法。该方法首先用MICA法建模,然后在历史数据集中加入新的正常批次并剔除最早批次,逐渐更新模型,同时引入遗忘因子,提高对新过程特性的适应性。青霉素发酵过程的仿真结果表明,自适应MICA比MICA更准确地描述过程行为,并有效减少检测故障时的误报。     

改进的核费舍判别分析法应用于故障诊断

化工过程采样数据具有强非线性和噪声,针对化工过程状态监控的问题,提出一种改进的核费舍判别分析法（KFDA）的故障诊断算法。首先采样数据经过小波变换方法去除噪声,去除噪声后的数据进行KFDA建模,然后在建模同时采用特征向量选择（FVS）算法降低复杂性。Tennessee Eastman process实验结果表明了该算法的有效性,同时该算法加强了KFDA故障诊断的准确性,并明显地减少了存储空间和运算时间。     

基于Gabor特征量和核函数判决分析方法的人脸识别

研究了基于Gabor特征量和核函数判决方法的人脸识别方法,即首先利用Gabor滤波器组对输入样本进行处理,获得Gabor特征量;然后利用核函数判决方法实现人脸识别。Gabor滤波器组通过提取具有空间频率、空间位置和取向选择性的特征,较好克服了实际中由于表情和光照不同带来的变化;而核函数判决分析方法具有提取输入样本空间的非线性最佳鉴别特征的优点。实验仿真表明了该方法的有效性。