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。     

一种新的基于MKPLS的间歇过程质量预测方法

传统MKPLS方法在进行核技巧计算时需要对全部的测量变量进行两两运算,造成了运算量过大、存储空间需求高的问题。针对间歇过程在在线质量预测方面的非线性问题以及计算量的问题,提出一种新的基于特征空间(FS)的核偏最小二乘算法,用于对间歇过程的质量数据进行在线软测量。首先,算法将间歇过程采集到的数据进行三维展开及标准化处理;之后,将这些数据进行特征向量提取以降低投影到核空间中的数据量以及计算量;最后,针对传统特征向量提取算法在向量选择顺序方面的盲目性,将质量数据纳入考量,构建一种新的特征向量提取方式,以解决在线软测量方面的非线性问题,进一步提高在线软测量精度。最后将提出的算法用于青霉素发酵仿真及实际过程的在线监测,验证了方法的有效性。     

LS_ SVM和SVM在发酵过程建模中的比较

针对最小二乘支持向量机(LS_ SVM)不需要指定逼近精度ε的特点,比较了LS_ SVM与SVM两种方法利用生产数据为青霉素发酵过程建立的数学模型,改进型GA分别为LS_ SVM和SVM选择参数值.实验证明:LS_ SVM建立的模型具有较高的拟合精度和泛化能力.如果ε过大时,SVM建立的模型的拟合精度和泛化能力不高;当ε过小时,模型的拟合精度和泛化能力较高,但耗时多.因此,LS_SVM更适合为发酵过程建模.     

圆形截面T型微反应器的优化设计

对圆形截面T型微反应器进行优化设计,可以增强反应器内流体混合程度,进而提高反应产物收率。和矩形截面微反应器相比,圆形截面的微反应器内部压力各向均衡,有利于克服操作压力提高对微反应器壁面承压的影响。本研究开发了一个描述圆形截面T型微反应器流体流动状态的简化模型,通过层叠式假设边界条件描述反应通道入口处的强混合流动状态,进而计算微反应器内反应产物收率。依据此简化模型,本研究应用改进型模拟退火算法,用来设计具有最优反应器半径和最优入口管径中心差的的T型微反应器。优化问题的目标函数是最大反应产物收率,优化约束包括反应通道半径约束和操作压力约束。本研究利用gPROMS和Matlab的混合编程,利用改进型模拟退火算法,实现优化算法和简化模型的求解。优化求解的有效性通过一个平行串联反应在微反应器中的反应过程来验证,求解结果和CFD模型验证结果比较一致。     

基于改进MPLS的间歇过程监测与故障诊断

针对间歇过程三维数据预处理中不同展开方式的多向偏最小二乘(MPLS)方法在线应用时存在的缺陷,提出改进的MPLS方法。该方法结合传统沿变量展开与批次展开的优势,不仅包含了批次间的信息,在一定程度上去除了过程的非线性及动态性,而且解决了在线应用时数据填充的问题;其次,该方法采用随时间更新的协方差代替固定的主元协方差充分考虑了得分向量的动态特性:最后,引进时变贡献图的故障诊断方法,实现了对故障源的实时跟踪。将该方法应用到工业青霉素发酵过程中,并与传统的MPLS方法进行比较。结果表明:该方法具有更好的监控性能,并能够及时检测故障及跟踪故障源。     

两阶段CP-Copula的风电机组异常数据清洗算法北大核心

风电机组在实际运行过程由于运行环境影响及人为调控等因素影响,导致风功率曲线中存在大量异常运行数据,给风电机组的监测与控制带来严重干扰。提出一种基于变点分组(Change Point)和Copula理论组合的两阶段异常数据清洗算法。根据风电机组异常运行数据的分布特征和产生原因,将异常数据划分为堆积型异常数据和分散型异常数据;利用变点算法最大限度的清洗大部分堆积形异常数据和少量分散型异常数据,提高正常数据占比;结合Copula函数计算风速和功率的依赖关系,并依据依赖关系建立基于Copula的概率功率曲线,进一步清洗剩余分散型异常数据。通过内蒙古某风电场实际运行数据验证了算法的有效性,结果表明清洗效果好,可有效识别出三类异常数据,具有一定的工程实用价值。     

基于扩展核熵负载矩阵的发酵过程故障监测

为有效降低多阶段发酵过程硬分类缺陷而导致的误报和漏报率,本文提出了一种基于扩展核熵负载矩阵的阶段划分策略.首先,将发酵过程的三维训练数据按批次方向展开成二维数据矩阵,对每个时间片矩阵进行核熵成分分析(kernel entropy component analysis,KECA)得到其主元和负载矩阵,根据所得主元个数实现操作阶段的第1步划分;之后将时间片矩阵添加到核熵负载矩阵当中得到扩展核熵负载矩阵,计算各扩展负载矩阵间的相似度,并用模糊C–均值方法对其进行第二次阶段划分.通过增加对体现生产过程改变的时间指标的考虑,有效克服了硬化分的不足,避免了跳变点错分的情况.最终将整个生产操作过程划分为不同的稳定阶段和过渡阶段,并在划分的每一阶段中分别建立KECA监测模型;最后利用青霉素发酵仿真平台和大肠杆菌生产白介素–2数据进行实验.实验结果表明该方法不但可以准确地对生产过程进行阶段划分、降低误报率,而且可以使生产过程故障监测的时间大大提前.     

基于改进多尺度主元分析的故障监测

针对工业过程数据的非平稳性、含噪声以及随机性等特点,提出一种改进多尺度主元分析方法用于过程故障监测。首先利用小波阈值去噪的方法,消除原始过程数据中的大部分高频随机噪声,使得数据不受噪声的影响,然后利用小波分解将去噪后的数据分解成逼近系数和细节系数,分别在各个尺度上建立主元分析模型,对各个尺度小波系数消噪并重构得到综合尺度的故障监测模型。将该算法应用于田纳西伊士曼(Tennessee Eastman)过程中进行验证,仿真结果表明,与传统PCA以及MSPCA方法相比,改进的算法减少了误报率和漏报率,提高了过程监测的准确性。     

基于扩展得分矩阵的多阶段间歇过程质量预测

为考虑质量变量对阶段划分结果的影响,提高建模精度,提出了一种基于扩展得分矩阵的多阶段间歇过程质量预测方法。首先将三维过程数据沿批次方向展开为二维数据矩阵,对每个时间片矩阵进行偏最小二乘(partial least squares,PLS)分析得到可以表征过程变量的得分矩阵和可以表征质量变量的得分矩阵;然后构建每个时间片的扩展得分矩阵,利用扩展得分矩阵捕捉质量变量信息对划分阶段的影响,采用CS (Cauchy-Schwarz)统计量计算相邻两个扩展得分矩阵的相似度,依据相似度将操作过程划分为不同的操作阶段,对划分后的各个阶段分别建立MPLS质量预测模型;最后将该算法在青霉素发酵仿真实验平台和大肠杆菌生产数据上进行了实验验证,实验结果表明了本文所提方法的可行性和有效性。     

基于离散随机电池模型的功率管理策略

依据离散马尔可夫电池模型理论,模拟出跟踪电池基本行为的离散过程,仿真结果显示模拟过程与理论推导相吻合.基于电池的放电模拟过程,分析了恢复效应对电池寿命和释放能量的影响,得出在脉冲式放电的情况下可大幅度延长电池使用寿命的结论.在此基础上总结并提出了几种电池的功率管理策略,通过仿真比较了每种优化策略的优势与不足.进而针对不同系统的性能要求,给出了电池功率管理策略的备选方案.