基于SVM和Kalman预测的非线性系统故障预报

针对Kalman预测在非线性系统故障预报中预测误差较大的问题,提出一种基于支持向量机预测新息的Kalman预测方法.根据未知非线性系统的典型变量分析子空间模型进行Kalman预测,采用支持向量机时间序列预测算法预测未来时刻的新息,利用新息进行Kalman单步和多步预报.在连续搅拌反应器上的仿真研究表明:所提出方法能准确地预测较长时间段内故障过程的劣化趋势,预知可能发生的故障,使操作人员有时间采取必要措施消除故障隐患.

     

基于MLFDA的化工过程故障模式分类方法

Fisher判别分析(FDA)是一种有效的化工过程故障模式分类方法,但是其忽视了数据局部结构信息的挖掘。针对该问题,提出一种多块局部Fisher判别分析(MLFDA)方法,以更有效地识别化工过程故障。从变量和样本两个维度来分析数据的局部结构特性。针对变量维度的局部信息挖掘问题,设计了一种基于变量与数据集主元空间的相关度的变量分块方法,将全局过程变量划分为多个局部变量块。进一步考虑到样本维度的局部结构特性,应用基于局部权重因子的局部Fisher判别分析(LFDA)为每个局部变量块构建分类器。提出一种基于分类性能加权的多分类器集成方法,以融合不同分类器的决策结果。在Tennessee Eastman过程上的仿真结果说明,MLFDA方法具有比传统的FDA和LFDA方法更低的故障误分类率。     

一种基于DIOCVA的过程监控方法

传统基于典型变量分析的过程监控方法无法判断故障是否影响产 品质量.为此,本文提出一种基于动态输入输出典型变量分析(Dynamic input-output canonical variate analysis, DIOCVA)的过程监控方法.该方法利用典型变量分析提取数据之间的相关性,并进一步考虑方差信息和时序相关性, 将过程数据和质量数据映射到5个子空间:输入输出相关子空间,不相关输入主元子空间, 不相关输入残差子空间,不相关输出主元子空间和不相关输出残差 子空间.所提方法能够精细区分影响质量的过程故障和不影响质量的过程故障.以Tennessee Eastman过程为例对所提方法的有效性进行了验证.