基于支持向量机的MSPC方法及其应用

针对传统多变量统计过程控制（MSPC）方法在故障检测、故障原因分析和故障识别中的难点，提出了多元特征提取方法与基于支持向量机（SVM）的一类分类器设计、特征选择以及多类分类器设计方法相结合的一种完整的MSPC新方法.该方法在故障检测中可去除特征满足特定分布的假设前提，并可确定多个统计量的控制限；在故障原因分析中综合考虑故障对于各个变量大小的影响以及变量变化对于故障分类的重要性，提高了关键变量选择的准确性；并且故障识别是基于SVM对故障特征分类的优良特性，避免了传统判别法中经验准则的引入.上述方法在标准仿真平台Tennessee Eastman过程上结合主元分析（PCA）进行了应用，结果显示了其优越性.     

基于多元统计信号处理的间歇过程监控方法研究

针对化工生产中日益增多的间歇过程，提出了一种基于多元统计信号处理的过程监控方法，其主要思想为将过程信息空间划分为由盲源信号描述的信号子空间、过程主元描述的信号子空间和残差信号子空间，随后对各个信号子空间构造过程统计量或分类器提取信号特征进行过程监控，该方法避免了传统多元统计过程控制 (multivariate statistical process contro，lMSPC)需假设过程特征信号服从正态分布的前提.将本方法与传统MSPC方法的性能进行了对比，并在仿真中给出了对比研究结果.通过对间歇过程的仿真研究表明，该方法不仅能够有效地检测出故障，而且有利于故障的分离和定位，从而说明该方法不仅是有效的，而且其性能优于仅能检测故障的传统MSPC过程监控方法.     

多尺度主元分析方法在过程监视中的应用

多尺度主元分析方法(MSPCA)将多分辨率分析(MRA)的多尺度分解数据能力和主元分析(PCA)的降低数据维数能力结合起来，为监视多个时间尺度的过程提供了强有力的工具．过程监视时，MSPCA能自动对数据滤波并调节检测控制限，使控制限最容易检测出测量变量中重要的微小变化．由于MSPCA仅能滤除随机误差，不能消除过失误差，因此，为提高统计模型的准确性，在过程监视前，首先应用PCA检测并剔除存在过失误差的数据通过实例说明MSPCA方法监视过程的优越性。     

加权局部近邻标准化PCA的工业过程故障检测

针对工业生产过程的多模态、方差差异明显和非高斯特性,提出一种加权局部近邻标准化PCA(WLNSPCA)的故障检测方法.通过计算每个样本的k近邻样本的加权均值和标准差对原始数据集进行标准化,消除数据的多模态、方差差异和非高斯特性.对加权局部近邻标准化后的数据建立PCA模型,利用SPE和T²统计量进行过程监视.对新来测试样本进行加权局部近邻标准化,再向PCA模型上投影,计算相应统计量.将该方法应用于数值例子和半导体过程,仿真实验结果表明：与PCA、核主成分分析（KPCA）和加权近邻标准化PCA（WNSPCA）相比,加权局部近邻标准化PCA(WLNSPCA)具有一定的优越性.     

基于最大均值差异的多模态过程过渡模态识别方法

为了更好地揭示多模态过程的运行状态和数据分布变化规律,提高后续建模精度,提出基于最大均值差异（MMD）的多模态过程的过渡模态识别方法. 引入滑动窗口对数据进行切割,使用最大均值差异对多模态过程数据的分布差异进行度量,通过与稳定模态阈值α比较区分过程数据的稳定模态和过渡模态. 在过渡模态段内减小滑动窗口窗宽,利用过渡模态阈值β识别出过渡子模态. 数值仿真实验的模态识别结果表明,所提方法可以准确检测出输入变量期望值的阶跃变化,实现对模态的准确识别. 田纳西伊斯曼（TE）过程仿真数据实验表明,所提方法可以有效地划分出合理的模态,进而选择出分布最相近的历史模态建模,提高多模态过程的软测量建模精度.     

基于MPCA与DTW的间歇反应过程的性能监视及故障诊断

研究了基于多方向主元分析(MPCA)理论和动态时间错位(DTW)理论对间歇反应过程进行性能监视及故障诊断的方法．多元统计分析理论是根据反应过程的历史批量数据，建立过程的统计数据库、统计数学模型；在此基础上确定过程的统计监控指标，并向各自的统计模型投影，判断其与模型的拟合程度来诊断是否有故障发生．由于间歇反应的各批次物理条件的不同、约束条件的不同，导致批次与批次之间的数据轨迹不同步．动态时间错位(DTW)理论通过搜寻两轨迹的相似特征，适时地对轨迹进行压缩和扩张，从而使其达到一致的程度．这为基于MPCA理论进行故障诊断提供了合理、可靠的数据依据．比较轨迹进行同步化处理前、后的故障诊断结果完全不同。因此，DTW理论的应用在基于MPCA理论进行性能监视及故障诊断中具有重要意义     

基于最小窗口MPCA的间歇过程实时监视和故障诊断软件

间歇过程起停频繁，状态变化反复，其过程监视和故障诊断十分困难．实时监视和故障诊断软件在原有DCS系统软、硬件设备基础上，基于最小窗口MPCA非线性多模型建模和监视方法，采用C，VB和MATLAB语言混合编程开发，用于挖掘数据中隐含的信息，解决批次过程实时在线监视和诊断问题．将该套软件应用于某化工过程，能早期预报和诊断异常情况，为操作人员监视和评价过程性能提供了可靠的依据，提高了过程操作的安全性，同时使产品质量提高．     

基于卡尔曼滤波的动平衡测量过程调节方法

针对目前所采用的消除动平衡机测量偏倚的定期重新标定方法将造成生产线不必要的停工,从而提高制造企业的生产成本问题,提出基于卡尔曼滤波的动平衡测量过程在线调节方法.利用泰勒展开方法对振动响应测量值进行坐标变换以消除观测方程的非线性.结合多变量统计过程控制(MSPC)对测量过程进行监控以检测测量偏倚,提出通过追踪状态参数变化对测量偏倚进行补偿的方法.通过对样机长期的状态监控数据对该方法进行验证.结果证明,该方法能够快速诊断出测量偏倚并对其进行准确的补偿,在保证测量系统精度的同时,最大限度地缩短停工时间.     

基于多尺度主元分析方法的统计过程监视

基于主元分析和小波变换结合的基本理论，对Bakshi提出的MSPCA算法进行改进，提出一种新的多尺度主元分析方法（MSPCA）．MSPCA应用小波变换将每个变量信号依次分解成逼近系数和多个尺度的细节系数，把各个尺度的系数聚集在单独的矩阵中，在各个尺度建立相应的PCA模型，进行多尺度过程监视．针对TE过程的两种干扰，分别应用PCA和MSPCA两种方法做仿真试验．仿真实验结果表明：与PCA相比，MSPCA能有效地检测和识别过程中不同频率故障，减少误报警，提高了过程监视的可靠性．     

基于SPA-SVDD方法对间歇过程的故障检测

针对间歇过程采集的数据具有三维矩阵数据形式采样时间不等长,不能直接适用于传统故障检测方法的问题,提出一种基于统计模量分析的支持向量数据描述(SPA-SVDD)方法.利用统计模量分析(SPA)将三维矩阵形式转换为二维矩阵,剔除各批次采样时间不等长对检测的影响.统计模量分析可以提取过程数据的非线性、动态性、多模态等特性.用支持向量数据描述(SVDD)方法在由统计模量组成的训练集数据上进行建模,得到支持向量到球心的距离.对新的样本进行检测,对半导体工艺过程进行仿真实验,并对比M-SVDD、SPA-KNN方法验证方法的有效性和优越性.     

一种多变量制造过程中的关键变量检测算法

提出了一种基于机器学习的多变量制造过程中的关键变量检测算法.该算法利用机器学习分类器对多变量制造过程进行数学建模,以随机打乱过程变量后分类器的性能变化作为评价指标,检测导致产品质量相对异常的关键变量.设计并生成了多变量制造过程的仿真数据集,在仿真数据集和基于中国某工厂的2个实际生产案例数据集上对算法的检测性能进行了性能验证,2次验证结果均表明算法检测性能良好.     

基于MSET的压气机故障预警研究

为了解决压气机故障预警问题,通过对压气机典型运行特性进行分析,提出了一种基于多元状态估计技术(MSET)和偏离度的故障预警方法,并利用MSET建立了压气机正常运行状态下的非参数模型。对观测向量进行最优估计并得到估计向量,观测向量与估计向量之间的差异可以定性反映压气机是否异常。引入偏离度定量衡量观测向量与估计向量之间的偏离程度,然后利用滑动窗口法确定故障预警阈值,当平均偏离度超过预警阈值时,发出预警信息。实验结果表明,该方法有较高的预测精度,可以及时发现压气机的异常,从而实现对压气机运行状态的预警监测,减少经济损失。     

基于多方向主元分析方法的间歇过程性能监视和故障诊断

将多方向主元分析（ＭＰＣＡ）技术应用于间歇生产过程的建模、过程性能监视和故障诊断,ＭＰＣＡ方法唯一需要的信息是过去成功间歇过程数据集合。作为一种有效的数据压缩和信息提取方法,ＭＰＣＡ方法大大降低数据空间结构的维数,消除变量之间的关联性,去除噪声,提高监视系统的鲁棒性,本文针对半导体生产过程中快速热退火间歇过程进行仿真实验研究。仿真结果表明：ＭＰＣＡ方法能够有效地监视间歇过程性能,及时准确诊断引起产     

多元工序能力指数C_（pm）

多元工序能力指数的研究是近年来工序控制中的难点之一，也是国内外专家、学者普遍关注的问题。本文给出了多元工序能力指数Ｃ（ｐｍ）的定义、有关性质及其统计推断。     

Application research of multivariate linkage fluctuation analysis on condition evaluation in process industry

Abnormal conditions are hazardous in complex process systems, and the aim of condition recognition is to detect abnormal conditions and thus avoid severe accidents. The relationship of linkage fluctuation between monitoring variables can characterize the operation state of the system. In this study, we present a straightforward and fast computational method, the multivariable linkage coarse graining (MLCG) algorithm, which converts the linkage fluctuation relationship of multivariate time series into a directed and weighted complex network. The directed and weighted complex network thus constructed inherits several properties of the series in its structure. Thereby, periodic series convert into regular networks, and random series convert into random networks. Moreover, chaotic time series convert into scale-free networks. It demonstrates that the MLCG algorithm permits us to distinguish, identify, and describe in detail various time series. Finally, we apply the MLCG algorithm to practical observations series, the monitoring time series from a compressor unit, and identify its dynamic characteristics. Empirical results demonstrate that the MLCG algorithm is suitable for analyzing the multivariable linkage fluctuation relationship in complex electromechanical system. This method can be used to detect specific or abnormal operation condition, which is relevant to condition identification and information quality control of complex electromechanical system in the process industry.     

The Development of Intelligent Detector for Train Longitudinal Impact

1 Introduction The question of the passenger’s comfortable has already be a big problemput forward before railway depart-ment . This paper developed one kind of practical intelligent trainlongitudinal i mpact detectionsystem,this sys-temdetects train’s longitudinal i mpact through detecting the acceleration rate of change and acceleration oftrains , monitors the train steady movement condition. This systemcan not only exactly detect all i mpact ranksof trainin the running course ,but also re…