基于伯恩斯坦多项式和D-vine copula的过程监控方法

针对利用Vine copula进行过程故障监控的建模过程中二元Copula函数种类选择困难问题,提出一种基于惩罚伯恩斯坦多项式的D-vine copula选择方法,运用到化工过程故障监控领域.该方法通过最近邻算法确定D-vine copula模型的变量顺序,利用惩罚伯恩斯坦多项式和核密度估计器分别估计得到D-vine ...     

基于核Fisher判别分析方法的非线性统计过程监控与故障诊断

化工过程中大量的生产数据反应了生产过程的内在变化和系统的运行状况,基于数据驱动的统计方法可以有效地对生产过程进行监控。对于复杂的化工和生化过程,其过程变量之间的相关关系往往具有很强的非线性特性,传统的线性统计过程监控方法显得无能为力。本文提出了基于核Fisher判别分析的非线性统计过程监控方法,首先利用非线性核函数将数据从原始空间映射到高维空间,在高维空间中利用线性的Fisher判别分析方法提取数据最优的Fisher特征矢量和判别矢量来实现过程监控与故障诊断,能有效地捕获过程变量之间的非线性关系,通过对流化催化裂化（FCCU）过程的仿真表明该方法的有效性。     

基于混合Copula模型的铝电解槽多参数相关性分析

针对铝电解大型预焙槽操作参数较多且彼此耦合性强,难以进行准确的概率分布描述和相关性分析问题,提出一种基于混合Copula模型的铝电解槽多参数相关性分析方法。在铝电解槽参数分布类型未知的情况下,首先利用非参数核密度函数估计建立变量的边缘密度函数;再构建基于混合Copula模型的多变量联合分布函数,并通过权重参数调节不同类型Copula函数的贡献比重;最后利用极大似然法对模型参数进行估计。对取自某厂170 kA铝电解槽的1824组真实样本数据进行实验,结果得到的3种距离指标分别是0.3169、0.6239和0.9276,均优于其他单一Copula函数,表明本方法是对超低电压下具有非稳态非均一特征的多参数进行相关性分析的一种有效途径。     

基于混合Copula模型的铝电解槽多参数相关性分析

针对铝电解大型预焙槽操作参数较多且彼此耦合性强,难以进行准确的概率分布描述和相关性分析问题,提出一种基于混合Copula模型的铝电解槽多参数相关性分析方法。在铝电解槽参数分布类型未知的情况下,首先利用非参数核密度函数估计建立变量的边缘密度函数;再构建基于混合Copula模型的多变量联合分布函数,并通过权重参数调节不同类型Copula函数的贡献比重;最后利用极大似然法对模型参数进行估计。对取自某厂170 kA铝电解槽的1824组真实样本数据进行实验,结果得到的3种距离指标分别是0.3169、0.6239和0.9276,均优于其他单一Copula函数,表明本方法是对超低电压下具有非稳态非均一特征的多参数进行相关性分析的一种有效途径。     

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。     

基于主元独立性分析与混合核RVM的复杂过程区间预测方法研究及应用

近年来,随着化工过程日趋复杂,对过程监控及关键变量预测提出了更高的要求。传统意义上的点预测已不能满足化工过程上的实际需求,且点预测无法描述过程上的不确定性问题,因此不能很好地把握预测变量的趋势。由此,提出了一种基于主元独立性分析(principal component independent analysis,PCIA)与混合核相关向量机(RVM)的区间预测方法。首先,结合核主元成分分析(KPCA)和独立元分析(ICA)对复杂过程原始变量进行主元成分提取和独立性分析,形成独立主元;其次,将高斯核函数与多项式核函数相结合形成混合核,与RVM结合对得到的独立主元进行回归建模预测,并运用T分布对预测值进行区间估计;然后,构造区间评价综合函数对区间估计结果进行优劣分析,在分析预测区间覆盖率(PICP)及预测区间宽度(NMPIW)的基础上,引入累积偏差(AD)提高区间评判的合理性。最后,将所提方法应用到TE仿真过程进行区间预测分析,仿真结果表明,提出的区间预测方法对实际生产过程具有较高的预测精度和区间估计质量,可以有效地预测关键变量的趋势。     

基于加权深度支持向量数据描述的工业过程故障检测

传统支持向量数据描述（SVDD）方法本质上采用浅层学习框架,难以有效监控非线性工业过程的复杂故障。针对此问题,提出一种基于加权深度支持向量数据描述（WDSVDD）的故障检测方法。该方法一方面在深度学习框架下重新定义SVDD优化目标函数,构建基于深度特征的深度SVDD监控模型（DSVDD）,并利用核密度估计法计算监控指标的统计控制限;另一方面,考虑到深度特征的故障敏感度差异特性,在DSVDD监控模型中设计特征加权层,分别从静态和动态信息分析角度给出权重因子的计算方法,利用权重因子突出故障敏感特征的影响以提高故障检测率。应用于一个典型化工过程的测试结果表明,所研究的方法能够比传统SVDD方法更有效地监控过程中复杂故障的发生。     

基于DIFA的动态非高斯过程监控方法及其应用

引言 近年来,随着生产过程结构日益复杂,过程变量与采样数据、数据间耦合关系均日渐增强,企业对于产品质量以及生产过程安全的要求日渐提高,对过程监控技术的改进与革新也日益重视,基于数据驱动的多元统计过程监控方法(MSPC)因其避免构建复杂机理模型、充分利用过程采样数据而受到学术界及工业界的广泛关注,并在化工过程中取得了成功应用.     

支持向量数据描述性能优化及其在非高斯过程监控的应用

针对传统统计过程监控假设数据服从高斯分布的不足,提出了基于混合信号模型(MSM)及支持向量数据描述(SVDD)的非高斯过程监控方法。混合信号模型中包含了高斯、非高斯信号源及过程测量噪声,给出了基于混合信号模型的过程测量变量分解方法、统计量的定义及其分布。针对非高斯信号源监控,提出了SVDD核参数化的一般形式及其优化算法。工业实际数据中的应用表明,通过SVDD核函数优化,可准确地对数据的非高斯特性进行刻画,及时地发现工业过程中出现的异常情况。     

支持向量数据描述性能优化及其在非高斯过程监控中的应用

针对传统统计过程监控假设数据服从高斯分布的不足,提出了基于混合信号模型(MSM)及支持向量数据描述(SVDD)的非高斯过程监控方法。混合信号模型中包含了高斯、非高斯信号源及过程测量噪声,给出了基于混合信号模型的过程测量变量分解方法、统计量的定义及其分布。针对非高斯信号源监控,提出了SVDD核参数化的一般形式及其优化算法。工业实际数据中的应用表明,通过SVDD核函数优化,可准确地对数据的非高斯特性进行刻画,及时地发现工业过程中出现的异常情况。     

一种基于自适应回归核函数的污水处理能耗模型

针对污水处理过程能耗模型难以建立的问题,提出了一种基于自适应回归核函数的建模方法。通过分析污水处理过程的运行特点,构建能耗与运行过程变量之间的关系,得到一种基于过程变量的能耗模型表达;同时利用梯度下降算法对能耗模型参数进行自适应调整,提高模型精度。最后,将设计的能耗模型应用于污水处理过程基准仿真平台BSM1和实际污水处理厂,实验结果表明该模型能够根据污水处理过程变量实时获得污水处理过程的能耗,具有较好的自适应特性和较高的精度。     

基于加权统计局部核主元分析的非线性化工过程微小故障诊断方法

传统统计局部核主元分析(statistical local kernel principal component analysis, SLKPCA)在构造改进残差时未考虑样本的差异性,使得故障样本信息易于被其他样本所掩盖,针对该问题,提出一种基于加权统计局部核主元分析(weighted statistical local kernel principal component analysis, WSLKPCA)的非线性化工过程微小故障诊断方法。该方法首先利用KPCA获取过程的得分向量和特征值并构建初始残差。然后设计了一种基于测试样本与训练样本之间距离的加权策略构建加权改进残差,对含有较强微小故障信息的样本赋予较大权值,以增强故障样本的影响。最后,采用基于测量变量与监控统计量之间的加权互信息构建贡献图以识别故障源变量。在连续搅拌反应釜和田纳西伊斯曼(Tennessee Eastman, TE)化工过程上的仿真结果表明,所提方法具有良好的微小故障检测与识别性能。     

基于故障相关性的大型活塞式压缩机压缩系统可靠性分析

对某大型活塞式压缩机压缩系统进行了可靠性分析。通过对各组件寿命数据的分析得到其寿命分布类型,建立能表达组件之间故障相关性的Copula函数模型,并用AIC准则选出最优Coupla函数模型。运用引入Coupla函数的蒙特卡罗方法对各组件进行抽样,得到系统寿命的抽样值,并运用K-S检测法得到系统寿命分布类型。经验证,运用该方法得到的系统可靠性规律更接近实际。最后,在对压缩系统检修记录统计分析的基础上总结了活塞式压缩机压缩系统主要的故障模式与原因。     

基于数据复杂网络理论的系统故障检测方法

化工过程系统结构的大型化和复杂性,通过单独的机理模型进行故障检测已越来越困难.提出一种基于数据复杂网络理论的过程故障检测方法,利用偏相关系数确定复杂变量间的邻接矩阵,生成过程系统数据变量之间的网络模型,从网络拓扑结构出发,计算系统复杂网络的特征参数,通过对故障模型与非故障模型之间网络特征参数的差异判断系统是否发生故障,进而找到故障点.以TE过程为应用对象,验证了该方法的有效性.     

基于主元独立性分析与混合核RVM的复杂过程区间预测方法研究及应用

近年来,随着化工过程日趋复杂,对过程监控及关键变量预测提出了更高的要求。传统意义上的点预测已不能满足化工过程上的实际需求,且点预测无法描述过程上的不确定性问题,因此不能很好地把握预测变量的趋势。由此,提出了一种基于主元独立性分析（principal component independent analysis,PCIA）与混合核相关向量机（RVM）的区间预测方法。首先,结合核主元成分分析（KPCA）和独立元分析（ICA）对复杂过程原始变量进行主元成分提取和独立性分析,形成独立主元;其次,将高斯核函数与多项式核函数相结合形成混合核,与RVM结合对得到的独立主元进行回归建模预测,并运用T分布对预测值进行区间估计;然后,构造区间评价综合函数对区间估计结果进行优劣分析,在分析预测区间覆盖率（PICP）及预测区间宽度（NMPIW）的基础上,引入累积偏差（AD）提高区间评判的合理性。最后,将所提方法应用到TE仿真过程进行区间预测分析,仿真结果表明,提出的区间预测方法对实际生产过程具有较高的预测精度和区间估计质量,可以有效地预测关键变量的趋势。     

基于变量分组DTW-MCVA的不等长间歇过程故障检测方法

针对不等长间歇过程监控中批次数据同步化未能充分挖掘局部信息的问题,提出一种基于变量分组DTW-MCVA (VGDTW-CVA)的不等长间歇过程故障检测方法。首先,利用互信息矩阵描述不等长间歇过程测量变量之间的相关性,并基于互信息矩阵进行变量分组。然后利用DTW算法对各个变量组分别进行同步化,并将同步化后的变量组整合为完整的三维数据集。最后,利用MCVA方法建立动态监控模型实现对间歇生产过程的在线监控。盘尼西林发酵过程的仿真结果表明,VGDTW-MCVA能够比基本的DTW-MCVA方法更好地监控间歇过程故障。     

基于ICA混合模型的多工况过程故障诊断方法

针对工业过程数据的多模态和非高斯特性,提出一种基于独立元混合模型(independent component analysis mixture model,ICAMM)的多工况过程故障诊断方法。该方法将独立元分析与贝叶斯估计结合,同时完成各个工况的数据聚类和模型参数求取,并建立基于贝叶斯框架下的集成监控统计量实时监控过程变化。在检测到故障后,针对传统的变量贡献图方法无法表征变量之间信息传递关系的缺点,提出基于信息传递贡献图的故障识别方法。该方法首先计算各变量对独立元混合模型统计量的贡献度,进一步通过最近邻传递熵描述故障变量之间的传递性,挖掘故障变量之间的因果关系,从而确定故障源变量和故障传播过程。最后对一个数值系统和连续搅拌反应釜(CSTR)过程进行仿真研究,结果验证了本文所提出方法的有效性。     

PCA和PPCA在化工分离过程监控中的应用比较

在利用主元分析(PCA)作统计监控时,没有主元与变量之间的生成模型,出现了检测指标量度不一致且只能离线故障识别等缺陷.而概率主元分析(PPCA)则在确定主元和误差的概率函数后,利用期望最大化(EM)算法建立了过程的生成模型,克服了PCA的不足.最后通过PCA和PPCA在化工分离过程监控中的应用比较,证明PPCA监控法方便、有效.     

基于最大信息系数的分组支持向量数据描述故障检测

工业过程的众多变量之间往往存在着复杂的相关关系，传统的故障检测模型通常会忽略不同变量间相关性的差异，对不同相关关系的变量采用相同的特征提取方法，从而导致检测效果欠佳。针对以上问题，提出了一种基于最大信息系数的分组支持向量数据描述故障检测模型，首先计算变量间的最大信息系数矩阵，按照相关性的不同对变量进行分组，再通过最大信息系数为模型混合核函数中高斯核与多项式核的权重分配提供理论指导，从而分别为各组建立不同的支持向量数据描述检测模型，完成最大信息系数与支持向量数据描述的紧密结合，最终实现分布式故障检测。通过仿真对比，验证了该模型的可行性与有效性。     

基于双层局部KPCA的非线性过程微小故障检测方法

针对传统核主元分析(KPCA)方法难以有效检测微小故障的问题,提出一种基于双层局部核主元分析(double-level local kernel principal component analysis,DLKPCA)的非线性过程微小故障检测方法。该方法从变量和样本两个角度来挖掘数据内部的局部信息,以提高故障检测能力。首先,利用变量分块思想,基于不同变量与核主元之间互信息相关度的相似性,将所有过程变量划分多个局部变量块。然后,构建基于得分向量和特征值的残差函数以挖掘样本局部信息。最后利用贝叶斯融合策略对各块的结果进行融合。在田纳西-伊斯曼基准过程的仿真结果表明,在微小故障检测方面,本文所提方法具有比传统KPCA方法更好的故障检测性能。