Quality prediction and analysis for large-scale processes based on multi-level principal component modeling strategy

This paper proposed a multi-level principal component regression (PCR) modeling strategy for quality prediction and analysis of large-scale processes. Based on decomposition of the large data matrix, the first level PCR model divides the process into different sub-blocks through uncorrelated principal component directions, with a related index defined for determination of variables in each sub-block. In the second level, a PCR model is developed for local quality prediction in each sub-block. Subsequently, the third level PCR model is constructed to combine the local prediction results in different sub-blocks. For process analysis, a sub-block contribution index is defined to identify the critical-to-quality sub-blocks, based on which an inside sub-block contribution index is further defined for determination of the key variables in each sub-block. As a result, correlations between process variables and quality variables can be successfully constructed. A case study on Tennessee Eastman (TE) benchmark process is provided for performance evaluation.     

基于多块信息提取的AUV资源勘查系统故障检测

针对"潜龙二号"AUV在实际航行过程中,资源勘查系统传感器数据具有多重变量相关性、故障类型多样、受运行状态和环境变化影响数值变化大以及噪声强等问题,提出一种新的基于多块信息提取的主元分析(PCA)故障检测方法.首先,针对变量之间的多重相关性,通过滑窗和相关系数的方法提取变量间相关性信息;然后,根据变化率在不同运行状态和...     

一种新的区域复制图像篡改盲检测技术

提出了一种新的图像盲检测技术,该技术先对图像进行两次分块得到两个子块集,分别对这两个子块集中的子块进行小波变换,将最大变换尺度的小波近似系数以向量形式表示各子块,一个子块集组成一个矩阵,利用主成分分析方法(PCA)对这两个特征矩阵进行二次特征提取,利用Pearson相关系数法对二次提取后的子块特征进行篡改检测,标记出篡改块。实验结果表明,该技术在降低运算复杂度的基础上,不仅能较好地检测进行了多处复制粘贴篡改的图像,且在抗高斯模糊、JPEG有损压缩和噪声方面都有较强的鲁棒性,尤其在篡改图像经过滤波和加性噪声混合严重干扰后,仍能检测出大部分篡改区域。     

基于多块相对变换独立主元分析的故障诊断方法

针对复杂工业过程中故障诊断技术存在数据可分性差、噪声干扰、故障定位困难的问题,提出一种基于多块相对变换独立主元分析(MBRTICA)的故障诊断方法.为了使所提取的故障特征具有可分性,采用相对变换原理与FastICA算法融合的方式构建相对变换独立主元分析方法(RTICA)用于检测故障的发生.通过引入多块理论,将高维数据分成多个子块单元,并在每个子块单元内分别进行RTICA处理,确定故障发生的位置.最后用电主轴轴承裂纹故障的实验对所提方法进行验证,实验结果表明,基于MBRTICA的故障诊断方法可提高数据的可分性,能够有效减少噪声,同时提高故障检测的精度, 实现故障定位功能, 全面地对故障进行分析.     

基于两层分块GMM-PRS的流程工业过程运行状态评价

过程运行状态评价旨在实时判断运行性能优劣程度,并追溯导致非优运行状态的原因,指导操作人员进行生产调整,保证企业经济效益.因此,对过程运行性能优劣评价的研究具有重要的理论和应用价值.本文针对定量、定性变量共存的流程工业过程运行状态评价问题,提出基于两层分块混合模型的评价方法.将流程工业过程根据其物理特性和管理方向划分子块,产生子块层和全流程层.在定量信息占主导地位的子块内,建立定量的高斯混合模型（Gaussian mixture model,GMM）.在定性信息占主导地位的子块内,建立定性概率粗糙集（Probabilistic rough set,PRS）模型.综合各子块运行状态信息,进一步判定全流程运行状态等级.针对非优运行状态等级,本文提出基于贡献率的非优原因追溯方法,在非优子块内进行原因追溯.最后,将所提方法应用于某黄金湿法冶炼生产过程,说明所提方法的可行性和有效性.     

Fault detection and isolation in transient states using principal component analysis

This paper proposes the use of principal component analysis (PCA) for process monitoring and fault detection and isolation in processes with several operation modes and long transient states and start-ups. The principal aspects of the PCA approach and the necessary transformations for dealing with this type of processes are presented. In this paper a classical PCA model is used for each steady state of the process and a modification of a batch PCA approach is applied to the transient states of the continuous process. So, in this last case, the PCA model is performed over a three way matrix arranged with the values of the measured variables of several past transitions with a nominal behaviour. This approach presents some problems, such as the unfolding, alignment and imputation. The methods proposed to deal with these problems are explained in detail and compared in order to design a fault detection and isolation method. Two examples are considered to perform the tasks explained. In both cases good results are obtained.     

部分子块通讯的分布式PCA厂级工业过程监测方法

针对现代工业过程具有检测、控制变量多,且变量关系复杂、耦合严重等特点,厂级工业过程监测通常采用分块的方式建立模型.然而,实际过程中每个子块间存在物流、能流的交换和信息的传递,这种建模方式通常只利用子块本身的信息建立模型,恰恰忽略了子块之间内在的联系,可能导致子块监测模型一定程度上丢失其他子块所提供的过程信息.针对现有方法的局限性,提出一种部分子块通讯的分布式主元分析(PCA)过程监测方法.首先利用先验知识对厂级过程进行分块,增加用于描述子块间连接方式的拓扑矩阵;以迭代更新的思路,利用其他节点提供的压缩信息,按照拓扑矩阵不断更新系数矩阵,进而得到最终的监测模型;代入待监测数据后,综合考虑其余子块携带的异常信息得出监测结果.在tennessee eastman过程和加氢裂化过程中,将所提出的方法与传统分块PCA、全部子块交互的分布式PCA方法进行对比,所得结果表明了所提出方法的合理性和有效性.     

支持向量回归方法在图像压缩中的应用

在把图像划分为若干个子块的基础上,以广义欧氏距离为评判标准对图像子块进行分类,然后采用支持向量回归方法建立各类型图像子块的模型,得到对应各类型图像子块的支持向量回归模型参数的集合,从而仅用图像子块编号及其类型号和相应的支持向量回归模型参数来描述整个图像,达到图像压缩的目的。实验表明,该方法压缩比高、误码率低、信噪比高、图像恢复质量良好。此外,该方法可以通过改变图像分块的大小或阈值调整压缩比,还可通过改变支持向量回归模型的逼近误差控制图像的恢复质量。     

基于自迭代主元抽取的工作模态参数识别

针对传统批处理主成分分析工作模态参数识别中存在的矩阵奇异值或特征值分解病态问题,本文提出了一种基于自迭代主元抽取的工作模态参数识别方法。与传统批处理主成分分析通过矩阵分解一次获得所有主成分不同,该方法通过自迭代逐一抽取主成分从而实现主要贡献工作模态的逐一识别。理论分析表明,该方法的时间复杂度和空间复杂度比传统批处理主成分分析工作模态参数识别方法更低。在简支梁仿真数据集上的识别结果表明,自迭代主元抽取算法可以从平稳随机响应信号中有效地识别出线性时不变结构的主要贡献模态振型和固有频率,在响应测点和采样时间较多时其时间开销较传统方法也更小。     

基于\begin{document}$ \pmb k $\end{document}近邻主元得分差分的故障检测策略

针对具有非线性和多模态特征过程的故障检测问题, 本文提出一种基于k近邻主元得分差分的故障检测策略.首先, 通过主元分析(Principal component analysis, PCA)方法计算样本的真实得分.然后, 应用样本的k近邻均值计算样本估计得分.接下来, 通过上述两种得分计算样本的得分差分矩阵和残差矩阵, 其中残差矩阵由样本的估计得分计算得到,这区别于传统方法.最后, 在差分子空间和残差子空间中分别建立新的统计指标进行故障检测.值得注意的是本文的得分差分方法能够消除数据结构对过程故障检测的影响, 同时, 新的统计量能够提高过程的故障检测率.将本文方法在两个模拟例子和Tennessee Eastman (TE)过程中进行测试, 并与传统方法如PCA、KPCA、DPCA和~FD-kNN等进行对比分析, 测试结果证明了本文方法的有效性.     

基于集成局部费舍尔判别分析的故障分类

实际工业过程数据的局部特性一般都较为复杂,不利于样本特征的提取和故障分类精度的提高.针对此问题,本文提出一种集成的局部费舍尔判别分析(ILFDA)模型,可以同时从变量和样本两个维度挖掘数据的局部结构特征,提高故障分类的性能并降低建模的难度.首先,根据过程的结构原理对复杂系统进行分块,从而可以有效获取变量维度的数据局部信...     

基于DKNPE方法的故障检测

针对传统方法对非线性或多模态间歇过程的故障检测率低的问题,提出一种基于K近邻邻域保持嵌入得分差分（difference of K nearest neighbors score associated with neighborhood preserving embedding,DKNPE）的健康状态监视方法。首先,通过NPE方法计算训练数据集的得分矩阵,称其为样本的本质得分。然后,在训练数据集计算每个样本的K近邻均值,并将其投影到低维空间以获得样本的估计得分。接下来,在差分子空间（diffe-rence subspaces,DS）和差分残差子空间（difference residual subspaces,DRS）中分别建立两个新的统计量对样本进行过程监控。将本方法在两个模拟数值例子和半导体蚀刻过程中进行测试,并与PCA、FD-KNN和NPE等传统方法进行对比分析, 测试结果验证了该方法的有效性。     

一类多频带主分量分析方法

主分量分析是模式识别领域使用较广的一种特征 抽取方法,但是由于经典的主分量分析在处理图像矩阵时需要将图像展开成向量形式,使得计算量很大。本文提出了一种多频带主分量分析方法,该方法不仅减少了运算过程中的计算量,而且在一定程度上提高了整体性能。首先通过二维离散余弦变换将图像转变成频率数据,再按照频率变化将数据分成多个频带,然后在此基础上设计了针对多个频带数据的主分量 分析方法。通过对ORL和NUST603图像库进行实验证明,本文方法不仅具有快速提取图像特征的能力,而且综合性能优于相应的主分量分析。     

一种用最大法线分布方向修正CPCA主轴的方法

为了得到更合理的用于旋转归一化的主轴,综合利用三维模型的顶点位置和法线方向两种表面特性,提出一种用最大法线分布方向修正CPCA主轴的MNCPCA方法(maximum normal corrected PCA).为了增强算法的鲁棒性,首先借助一组法线参考方向来统计三维模型的法向分布直方图,避免了计算误差和错误法向的影响,再依据该直方图分析模型是否具有显著的最大法线分布方向.进而,在此基础上给出CPCA主轴的修正策略.实验结果表明,与CPCA方法相比,MNCPCA方法得到的主轴更符合人的认知习惯.     

Web页面分块技术综述

有很多不同的分块算法都可以对web网页进行分块．研究分块的1／1的是为了相关领域进一步研究的需要。例如通过页面块内容的重要程度研究基于块的搜索、定位网页的重要主题或内容,研究网页主要内容或主题的抽取,以及基于Web页面分块的Web存档等。首先给出Web页面分块问题定义和分类,并对几种典型的分块算法进行原理剖析,为进一步研究web页面分块问题提供一些有益的参考。     

深海载人潜水器推进器系统故障诊断的新型主元分析算法

针对"蛟龙号"深海载人潜水器多推进器系统的故障检测与快速定位难题,将基于信度分配的模糊小脑神经网络(credit assignment-based fuzzy cerebellar model articulation controller, FCA–CMAC)应用于主元分析模型,提出一种基于主元分析(principal component analysis, PCA)的深海载人潜水器推进器系统故障诊断模型.首先,应用推进器系统正常运行的历史电流样本数据,由主元分析模型得到各推进器的电流预测值.其次,计算出故障检测统计量均方预测误差(squared prediction error, SPE),根据SPE值是否跳变,判断推进器系统有无故障发生.通过分别重构各推进器电流信号的SPE值对故障推进器进行定位和隔离.最后,通过对实际海试数据进行仿真处理说明了该算法的可行性,并通过与多层前馈神经网络(back propagation, BP)和常规小脑神经网络(cerebellar model articulation control-ler, CMAC)神经网络进行比较,说明基于FCA–CMAC神经网络的主元分析模型的优越性.     

多分块主色与权值矩阵反馈的图像信息检索系统

图像检索是信息检索的重要内容。为了提高基于内容的图像检索效率．在主色调较明显的图像检索中,提出多分块策略算法;多分块及分块匹配便于控制检索的粒度．以及定位表现内容的主题画面。在此基础上加入分块的权值反馈进行多次检索可捕获用户意图．提高检索精度。在分析分块策略、颜色空间选取、矢量量化改进,权值矩阵更新等技术基础上,实现检索系统原型并进行对比实验。在“媒体眼中的广州”主题新闻数据库中的检索应用表明．多分块主色结合相关反馈相比全局检索和简单的分块直方图累加检索方法．提高图像检索的查准率．     

An integration mechanism for multivariate knowledge-based fault diagnosis

A design of a multivariate knowledge-based fault diagnosis system is described in this paper. The proposed design is based on a novel strategy, which integrates multivariate statistical process control (MSPC) monitoring into knowledge-based (KB) fault diagnosis both qualitatively and quantitatively using expert system technology. The integration mechanism mimics how process engineers combine their process knowledge with Principal Component (PC) score contribution, PC score deviation contribution and square predicted error (SPE) contribution of principal component analysis (PCA) projection in diagnosing anomaly. The system has been successfully implemented in G2 environment. A dynamic simulation of a continuous stirred tank reactor (CSTR) running a second order exothermic reaction was used to test the proposed system. Testing results clearly indicated that the system produces more contrasting probabilities between all possible exogenous causes and it can give accurate diagnosis when the process upsets were undetected by univariate monitoring.     

Phase and transition based batch process modeling and online monitoring

Multiple phases/stages with transitions from phase to phase are important characteristics of many batch processes. In order to model and monitor batch processes more accurately and efficiently, such process features are needed to be considered carefully. In this work, an index based on the angles between different principal component analysis (PCA) score spaces is developed to quantify the similarities between PCA models. Phase division algorithm is designed based on this new PCA similarity index, following by a statistical transition identification step. The steady phase ranges and transition ranges are then modeled separately. The transition models can be calculated by solving the optimization problems. Application examples show the advantages of the proposed method on both batch process modeling and online monitoring.     

A method for multiphase batch process monitoring based on auto phase identification

Batch processes with multiple phases are commonly found in process industries. Process dynamics and correlations among variables also tend to change with the transitions across such phases. Traditional approaches where the model is constructed from data representing the whole batch process would not be sufficient to capture the varying process dynamics and correlation structure. Different ways of phase segmentation and modeling strategies have been previously reported that account for the multi-phase characteristics of such processes. For a given process dynamic or a particular phase in a multi-phase process, a Principal Component Analysis (PCA) model can project the maximum deviation with small number of principal components, and represent a certain percentage of the deviation with fixed number of principal components. As the process dynamics change, the percentage represented by the fixed number of PCs also changes if a single PCA model is applied. In this paper, a new phase identification method is proposed based on the change of the first cumulative contribution between different PCA models. Every phase is modeled separately based on the phase identification. The method is applied to fault detection in the fed-batch penicillin cultivation process. The results show that the method can better capture the process dynamics in different phases and detect process upset in an early stage.