铅锌烧结过程透气性状态及热状态优化控制

本文针对具有非线性、强耦合、不确定、多约束特性的复杂铅锌密闭鼓风烧结过程，采用神经网络模型实现了透气性状态和烧穿点位置预测，集成惩罚函数法、基于聚类点的并行变步长网格法和最优保存简单遗传算法(OMSGA)进行状态整体优化．算法具有全局收敛性和工业有效性，解决了复杂铅锌烧结过程实时智能优化控制问题，取得了较好的工业应用效果．     

基于数据的生产过程调度方法研究综述

生产过程调度是自动化、工业工程和管理工程等领域的热点研究方向. 迄今, 在生产过程调度方法研究上已取得很多成果, 其主要涉及生产过程调度问题建模和优化方法. 本文在对常用生产过程调度方法的国内外研究状况进行简要综述的基础上, 主要针对复杂生产过程调度问题, 论述了基于数据的生产过程调度方法的研究背景、涵义和研究现状.     

复杂工业过程运行状态评价方法回顾与展望

准确感知和认知复杂工业过程的运行状态对于实现过程智能控制和优化决策至关重要,是当前实现工业人工智能需要解决的关键问题之一.传统过程监测理论系统已不能满足现代工业生产过程对过程运行状态认知的精细化及准确化的需求,因此,复杂工业过程运行状态评价技术应运而生,近几年受到学术界和工业界广泛关注并快速发展.对此,首先从复杂工业过程的主要特性以及数据提取过程中面临的问题出发,回顾基于数据驱动的相关工业过程运行状态评价方法;然后根据最优性评价结果总结导致状态非“优”的原因,并进一步给出相关非优因素追溯方法;最后对现有研究内容和这一领域中值得进一步研究的发展方向做出总结和展望.     

工业过程故障根源诊断与传播路径识别技术综述EI北大核心CSCD

故障根源诊断与传播路径识别是故障诊断框架下的关键核心问题,是保障工业过程安全生产及获得可靠产品质量的有效手段,是当前过程控制领域的研究热点.该技术的研究不仅丰富了故障诊断理论,而且对故障诊断技术在工程中的推广与应用具有重要意义.阐述了基于知识、数据及知识与数据联合驱动的故障根源诊断与传播路径识别方法的基本思想、适用条件和优劣特点,分类概述了相关方法的研究现状.探讨了该领域亟待解决的问题及未来的发展方向,包括:1)“三个维度”视角下的工业过程故障根源诊断与传播路径识别;2)基于制造大数据分析与因果关系挖掘的工业过程质量精准追溯;3)面向传播、耦合、多重并发特性的工业过程复合故障分布式诊断;4)基于多源异构动态信息融合的工业过程异常工况时空追溯可视化.     

基于数据的复杂制造过程调度

现代制造企业规模庞大、过程复杂等特征给制造过程的调度决策带来了极大的挑战. 一方面, 使用传统方法建立指导生产过程调度的精确数学模型变得越来越困难; 另一方面, 因缺乏准确、及时的模型参数而往往导致低下的模型使用效果. 在此情况下, 基于数据--信息--知识--决策的信息提炼轨迹, 有必要探寻新的基于数据的复杂制造过程的调度理论与方法. 在综述国内外相关研究的基础上, 提出了由数据层与模型层构成的基于数据的复杂制造过程调度架构, 并对该结构框架下的相关理论、方法及实施技术进行了探讨.     

间歇过程最优迭代学习控制的发展:从基于模型到数据驱动

本文综述了间歇过程的基于模型的和数据驱动的最优迭代学习控制方法.基于模型的最优迭代学习控制方法需要已知被控对象精确的线性模型,其研究较为成熟和完善,有着系统的设计方法和分析工具.数据驱动的最优迭代学习控制系统设计和分析的关键是非线性重复系统的迭代动态线性化.本文简要综述了基于模型的最优迭代学习控制的研究进展,详细回顾了数据驱动的迭代动态线性化方法,包括其详细的推导过程和突出的特点.回顾和讨论了广义的数据驱动最优迭代学习控制方法,包括完整轨迹跟踪的数据驱动最优迭代学习控制方法,提出和讨论了多中间点跟踪的数据驱动最优点到点迭代学习控制方法,和终端输出跟踪的数据驱动最优终端迭代学习控制方法.进一步,迭代学习控制研究中的关键问题,如随机迭代变化初始条件、迭代变化参考轨迹、输入输出约束、高阶学习控制律、计算复杂性等.本文突出强调了基于模型的和数据驱动的最优迭代学习控制方法各自的特点与区别联系,以方便读者理解.最后,本文提出数据驱动的迭代学习控制方法已成为越来越复杂间歇过程控制发展的未来方向,一些开放的具有挑战性的问题还有待于进一步研究.     

面向工业过程的建模辨识平台的设计与实现

提出了一种面向工业过程的可视化建模辨识平台的设计和实现方法.该平台加载了多种辨识算法,并使用OPC技术和各类工控系统进行数据交互,以实现对复杂工业系统的动态特性测试.基于输入输出数据,获得系统的参数模型或非参数模型.对实际工业对象建模辨识的结果,表明该平台大大提高了建模的效率和精度.     

基于规则的专家调度法在镀锡生产中的应用

流程工业的生产调度是流程工业CIMS中的一类重要问题,对其实现具有重要意义.在叙述了流程工业CIMS的生产调度方法的基础上,针对上海宝钢宜昌薄板有限公司的镀锡生产调度的实际问题,提出使用基于规则的专家系统对其镀锡生产进行调度,并讨论了基于规则的专家系统的调度方法在镀锡生产调度实现过程中规则获取、知识形成、推理方法设计的实现方法.最后,根据实际生产调度数据给出了使用该调度方法的调度系统在镀锡生产调度中的应用结果.     

基于混合型判别分析的工业过程监控及故障诊断

工业过程数据具有规模性大、复杂性高、变量多、关联性强等特点.如何从数据出发准确并快速地发现故障并处理, 保证过程高效运行意义重大.本文针对复杂的工业过程, 提出了一种多方法结合的混合型过程监控与故障诊断方法, 完成数据分类, 构建故障模型库, 故障在线诊断及可视化相关处理.首先通过常规主成分分析(Principal component analysis, PCA)方法对历史数据进行初筛, 区分出正常和故障信息, 然后利用聚类方法对故障数据集进行分类, 接着利用局部线性指数判别分析方法(Local linear exponential discriminant analysis, LLEDA)建立故障模型库进而进行故障诊断.本文将基于监督学习的LLEDA方法拓展到无监督学习, 便于复杂工业大量无标签数据的处理.最后利用典型的田纳西伊士曼(Tennessee Eastman, TE)过程对所提出的方法进行有效性验证.     

基于RBAC的云计算访问控制模型

由于受到虚拟化和弹性化特性的影响,与传统的访问控制相比,云计算下访问控制的约束条件更加复杂,主客体属性及主体所拥有的角色也因而处于动态变化之中。针对云计算下访问控制的上述问题,提出一种基于基于角色的访问控制(RBAC)的云计算访问控制模型。该模型将动态可变机制与主客体安全等级引入到访问控制策略中,既可保证云环境下数据的安全性和可靠性,又具有一定的灵活性。最后给出该模型的实现过程,并在基于云计算的医疗保健系统中予以实现。     

基于规范变量残差的化工过程微小故障检测与诊断

微小故障因其幅值低而易被噪声和过程扰动所掩盖,并且会随时间慢慢演变成过程中的严重故障.因此,微小故障的检测和诊断变得越来越重要.为了更有效地监测和诊断微小故障,提出了基于规范变量残差的化工过程微小故障检测和诊断方法.首先,对Hankel矩阵执行奇异值分解来获得主元和残差空间并根据过去和未来数据的差异,求得两个不同的规范变量残差d_1, d_2.其次,考虑数据的时间序列特性,提出了基于规范变量残差的两个加权平均统计量W_(D1), W_(D2)及其控制限,进行故障检测;然后,计算出各个统计量的归一化贡献并绘制二维贡献图,进行故障诊断.最后,在连续搅拌釜式反应器(CSTR)过程中进行两种微小故障的应用研究.结果表明,与传统的统计量T~2,Q以及规范变量差异分析(CVDA)中统计量D相比,基于规范变量残差的加权平均统计量W_(D1), W_(D2)不仅能够及时检测到微小故障,而且在故障检测率和诊断率方面,均有不同程度的提高.     

基于人工智能方法的复杂过程故障诊断技术

由于复杂过程因素多，波动大，反应机理复杂，无法建立精确的数学模型，传统的故障诊断方法很难取得令人满意的结果。针对复杂过程的特点，利用智能技术无需建立对象精确模型的优势，研究适合复杂过程实现的基于人工智能方法的故障诊断技术。并对构造智能诊断系统所需要解决的机器学习技术从知识获取、深浅知识表示方法和规则更新方面进行了分析。最后对基于人工智能方法的复杂过程故障诊断技术研究的发展趋势和有待解决的问题进行了分析与探讨。     

Hybrid fault characteristics decomposition based probabilistic distributed fault diagnosis for large-scale industrial processes

The performance of fault diagnosis is highly dependent on the representation of fault characteristics. However, for large-scale industrial processes with high-dimension variables, treating the whole process as a single subject will degrade the representation accuracy. It may result from the following reasons: First, fault may disturb a part of variables rather than the whole process where the fault information may be buried by the unaffected variables. Second, fault characteristics may be hybrid, in which linear fault patterns and nonlinear fault patterns coexist. Therefore, an effective process decomposition mechanism is of great demand to well describe the complex fault characteristics of large-scale processes. This paper proposes a fault characteristics decomposition based probabilistic and distributed fault diagnosis method. First, process is decomposed into different subsets by evaluating fault effects from linear and nonlinear aspects. Based on the decomposition result, distributed diagnosis models are developed where different fault modeling strategies are implemented for different subsets to closely describe fault characteristics. For online application, probabilistic fault diagnosis is implemented at two levels. At the lower level, distributed diagnosis models are adopted to reveal the underlying characteristics of new sample in each subset; at the upper level, the final affiliation can be revealed by integrating the results from each subset in a probabilistic way. The effectiveness of the proposed algorithm is tested by both the numerical example and industrial processes.     

基于神经网络和模糊逻辑的工业过程故障诊断与报警系统

用单一理论和方法对复杂系统进行故障诊断效果不太好.文章讨论了基于神经网络和模糊系统的故障诊断以及它们之间结合方式的特点,提出了一种保障工业生产安全可靠运行的有效方法:分级故障诊断算法 过程监控与报警,仿真并设计了基于工控网络的工业过程故障诊断与报警系统.研究表明基于径向基函数神经网络 模糊逻辑的算法具有较快的训练速度和较好的泛化能力,可识别多回路故障.     

基于PCA的重油分馏塔故障监测与诊断分析

对系统过程数据进行主元分析,建立主元模型,可以在保留原有数据信息特征的基础上消除变量关联和部分系统噪声干扰,从而简化系统分析的复杂度。建立正确的主元模型,结合多变量统计过程控制图(Q统计图,HotellingT2图,主元得分图,贡献图),是对过程对象的进行检测和诊断的一项发展中的技术。通过对一个典型的重油分馏塔运行过程的故障监测与诊断分析,进一步说明了主元模型在确定故障特征方向和多变量统计控制图在监测和诊断故障源上的作用和有效性。同时采用了平均贡献图来直观明确地判别引起系统故障的主要原因。     

Non-parametric confidence bounds for process performance monitoring charts

Statistical Process Control (SPC) provides a tool for achieving and maintaining product quality. In today's climate of major data monitoring campaigns there has been an increase in interest in the multivariate statistical projection techniques of principal components analysis and projection to latent structures for process performance monitoring. Within univariate SPC, techniques for identifying when a process is moving out of control are well established. Similar guidelines are required for multivariate statistical process control (MSPC). Two approaches will be discussed - Hotelling's T² statistic and a new approach, the M² statistic. Both approaches will be illustrated by application to a high pressure low density polyethylene tubular reactor and to a batch methyl methacrylate polymerisation reactor.     

复杂系统的智能故障诊断

对基于知识推理、人工神经网络、模糊逻辑、机器学习、模式识别诊断方法及其集成诊断技术进行了归纳和总结,提出了当前智能故障诊断技术的分类方法.针对复杂系统和过程的特点,指出了当前智能故障诊断技术所面临的主要问题,并对解决这些问题和未来的发展进行了探讨.􀁱􀁽     

Tennessee-Eastman过程的学习型案例推理故障诊断方法

为了提高Tennessee-Eastman(TE)过程的故障诊断准确率,本文研究一种学习型伪度量(learning pseudo metric,LPM)代替距离度量的案例检索方法,并建立了TE过程的案例推理(case-based reasoning,CBR)故障诊断模型.首先建立LPM度量准则并对LPM模型进行训练,其次度量目标案例与每一个源案例的相似度,从中检索与目标案例相似的同类案例,再采用多数重用原则从同类案例中决策出目标案例的解,最后通过TE过程的运行数据对该方法的性能进行测试,并与典型的CBR和BP(back-propagation)神经网络和支持向量机等方法进行对比,表明本文方法能有效提高故障诊断准确率,在实际化工过程中具有一定的推广应用价值.     

复杂工业过程质量相关的故障检测与诊断技术综述

质量相关的故障检测与诊断技术是保证安全生产及获得可靠产品质量的有效手段,是当前国际过程控制领域的研究热点.首先,梳理了质量相关的故障检测技术中典型方法的基本思想和改进过程;其次,概述了质量相关的故障诊断技术中常用的贡献图法及其相关改进方法之间的联系,并通过带钢热连轧过程（Hot strip mill process,HSMP）案例比较了各种典型方法在质量相关的故障检测与诊断性能上的异同;最后,面向复杂工业过程运行数据的主要特性,评析了质量相关的故障检测与诊断方法的研究现状,并指出了该研究领域亟需解决的问题和未来的发展方向.     

自动编码器与典型相关分析方法联合驱动的工业过程质量监测

本文将自动编码器(AE)特征提取方法和典型相关分析方法(CCA)有机结合,提出了一种联合驱动的质量监测模型及其质量相关的故障检测方法.首先,利用AE算法对输入样本进行无监督自动学习和重构,实现数据的特征提取和降维;其次,利用CCA算法实现特征与质量变量关联最大化,建立质量变量与特征变量的关系模型;根据监测模型的潜结构投影,构建T2统计量和SPE统计量及其相应控制限.将提出的方法用于分析带钢热连轧过程现场实际数据,结果表明,基于自动编码器-典型相关分析方法(AE-CCA)的质量监测方法能够准确的检测出故障,并且检测效果优于传统的核典型相关分析(KCCA)算法.