基于MSPCA-KECA的冷水机组故障监测及诊断

针对冷水机组同类型不同等级故障的变量变化存在差异会造成误诊断的问题，提出一种基于多尺度主元分析-核熵成分分析（MSPCA-KECA）的故障诊断策略。MSPCA提取故障特征，其输出作为KECA分类器的输入，实现故障的实时监测与自动诊断。首先，改进的MSPCA算法通过将小波多尺度分析与主元分析相结合，筛选故障信息可能存在的尺度直接重构并采用PCA提取故障特征，获取不同类型故障之间差异的同时也保留了同类型但不同等级故障之间的相似性，提高故障诊断的可靠性。之后建立KECA非线性分类器并引入一种新的监测统计量--散度测度统计量，使降维后不同特征信息之间呈现显著的角度差异，易于分类。最后，采用支持向量数据描述（SVDD）算法确定新统计量的控制限，以克服无法获知统计量分布的问题。通过对冷水机组数据的仿真研究，验证了MSPCA-KECA方法的可行性及有效性。     

批次加权软化分的多阶段AR-PCA间歇过程监测

由于多阶段间歇过程在每个操作阶段主导变量和过程特性的巨大差异性,也为了降低传统方法只进行阶段硬划分以及过程建模不考虑过程动态性导致的漏报率和误报率,提出了基于批次加权软划分的多阶段自回归主元分析(AR-PCA)间歇过程监测方法。方法引入了反距离加权(IDW)和单变量控制图对仿射传播聚类(AP)进行改进,避免以单批次作为AP输入不能表征整个生产过程阶段特性的局限性,并且解决了AP不能辨识过渡阶段的缺陷。然后针对过渡阶段和稳定阶段分别建立ARPCA模型和MPCA模型,较传统方法以整批次数据建立唯一模型具有更高的模型精度,同时消除了过渡阶段的动态性,可有效降低误报和漏报。实验设计由青霉素发酵仿真平台和重组大肠杆菌实际生产过程完成,结果显示了该方法的可行性和有效性。     

一种新的多阶段间歇过程在线监控策略

为克服多阶段间歇过程硬划分和误分类导致漏报率和误报率高的缺陷,同时也为了实现更精确、有效地过程监控,提出一种基于模糊聚类软过渡的多PCA监控策略,实现多阶段间歇过程的在线监控.首先计算每个时刻数据矩阵的相似度指标作为聚类输入,采用模糊聚类算法实现阶段划分,根据隶属度辨识相邻阶段间的过渡过程,之后建立一系列具有时变协方差的加权PCA模型,该方法能客观地揭示各阶段及过渡过程的特征多样性,较好地解决存在过渡过程的多阶段监控问题.最后通过将所提出的方法应用于工业青霉素发酵过程的监控中,验证了该方法的可行性和有效性.     

一种提高发酵单位的SVM与RGA相结合的优化控制策略

An optimal control strategy is proposed to improve the fermentation titer, which combines the support vector machine (SVM) with real code genetic algorithm (RGA). A prediction model is established with SVM for penicillin fermentation processes, and it is used in RGA for fitting function. A control pattern is proposed to overcome the coupling problem of fermentation parameters, which describes the overall production condition. Experimental results show that the optimal control strategy improves the penicillin titer of the fermentation process by 22.88%, compared with the routine operation.     

基于Kriging插值的PIV算法在污水流速测量中的应用研究

针对污水管道中流体成分的多样性和流动型态的复杂性,借鉴粒子图像测速中的流场测量思想,提出了基于PIV(粒子图像测速)算法的管道污水流速测量方法.将该算法应用于污水流速测量时,发现由于伪矢量和缺失矢量的存在,导致测量结果精确度降低的问题,进而提出应用Kriging插值的方法对PIV算法进行改进,最终实现管道污水流速的有效测量.最后,在实验室搭建了实验模拟平台,对提出方法进行了仿真测试,测试结果表明,与传统的PIV测速方法相比,该方法能有效提高测量精度,保证测量结果的准确性.     

基于联合典型变量矩阵的多阶段发酵过程质量相关故障监测

为考虑发酵过程的质量变量和动态特征对于阶段划分的影响,提出了一种基于联合典型变量矩阵的多阶段发酵过程质量相关故障监测方法。首先,将历史三维数据沿批次方向展开,对每个时间片矩阵进行典型相关分析（canonical correlation analysis, CCA）,得到融合过程变量和质量变量信息的联合典型变量矩阵,对其进行K均值聚类,实现基于静态特征的第1步划分;然后采用慢特征分析（slow feature analysis, SFA）算法提取表征过程动态性的慢特征,对其进行聚类实现第2步划分。最后综合分析两步划分结果,将生产过程划分为不同的稳定阶段和过渡阶段,并在划分的子阶段中分别建立CCA监测模型进行质量相关故障监测。该方法通过静态和动态特征的变化实现两步划分,准确区分强动态变化与阶段切换,有效提高质量相关的故障监测模型精度。青霉素仿真平台与大肠杆菌实际生产数据验证了所提方法的可行性和有效性。     

PDPSO优化多阶段AR-PCA间歇过程监测方法

针对间歇过程固有的多阶段特性和动态性,提出基于种群多样性的自适应惯性权重粒子群算法（PDPSO）优化的多阶段自回归主元分析（AR-PCA）间歇过程监测方法。该方法引入了PDPSO算法指导AP聚类偏向参数的选取,避免了传统方法依据聚类评价指标选取参考度时的盲目性。对PDPSO优化AP聚类的多阶段发酵过程的数据样本建立AR-PCA模型能够消除各阶段的动态性及变量之间的自相关和互相关影响。最后,对自回归（AR）模型的残差矩阵建立主成分分析（PCA）模型用于发酵过程监测。将该方法应用到青霉素发酵过程,并与传统方法进行对比,结果表明,该方法能够有效进行间歇过程阶段划分并降低故障的漏报和误报。     

基于信息增量矩阵的多阶段间歇过程质量预测

针对间歇过程划分阶段方法很少考虑过程的时序性和动态特性,易将时间上不连续但具有相似特征的样本划分到同一阶段,影响建模精确性的问题,提出一种基于信息增量矩阵-偏最小二乘（information increment matrix-partial least square,ⅡMPLS）的多阶段间歇过程质量预测方法。将历史三维数据沿批次方向展开为二维数据,将其切分成融合质量变量的扩展时间片,依据扩展时间片的信息增量使用滑动窗划分阶段,对各个阶段内数据建立PLS模型进行质量预测。该方法考虑变量之间的相关关系沿采样时刻的变化,利用信息增量捕获系统的动态特性并时序地划分阶段。青霉素仿真平台与大肠杆菌实际生产数据验证了方法的可行性和有效性。     

改进MKPCA方法及其在发酵过程监控中的应用

针对间歇发酵过程缓慢时变和非线性等特点,提出一种基于滑动窗技术的多向核主元分析(MWMKPCA)方法.该方法结合了核主元分析(KPCA)和滑动窗口技术的优点,其中KPCA能有效解决过程数据的非线性问题,保证数据信息抽取的完整性;而滑动窗口技术能有效避免MKPCA在线应用时预报未来测量值所引入的误差,提高监控性能.对于已判断正常的新批次过程数据,将其加入模型参考数据库进行更新,从而提高间歇过程性能检测的准确性.将该方法应用到工业青霉素发酵过程的监控中,并与MPCA、MKPCA方法的监测性能进行了比较.结果表明:该方法能有效提取过程变量间的非线性关系,降低运行过程的误报率,对缓慢时变的间歇过程具有更可靠的检测性能.     

基于角结构统计量的MKECA间歇过程故障监测

针对间歇过程复杂非线性的特点,提出一种基于角结构统计量的多向核熵成分分析(MKECA)间歇过程监测方法。该方法首先将间歇过程数据进行标准化预处理,然后采用KECA提取间歇过程数据的主成分矩阵。研究表明,经过KECA投影后的主成分数据具有良好的角结构,因此利用主成分矩阵构造基于角结构的统计量,并且采用核密度估计算法计算其控制限。与传统的统计量相比,无需假设过程变量服从高斯分布。最后通过青霉素发酵的仿真平台和大肠杆菌实际生产过程验证,实验结果表明,相比于传统MKPCA方法,能够有效利用主成分的结构信息,明显降低了故障的误报率、漏报率。