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.

     

复杂工业过程的模型预估控制策略及应用

讨论了复杂工业过程基于模型预估控制的是估控制策略；给这种复杂过程分极协调控制的一种结构框加；这种控制策略已在重油催化裂化装置（ＦＣＣＵ）的反应深度多变量控制系统中得到了成功的应用。     

精馏塔的H∞优化控制仿真

该文基于H     

基于模型预测残差和目标函数的MPC实时性能监控

模型预测控制的性能受多种因素的影响,现有的模型质量评价指标没有考虑外界干扰的变化,反映系统整体性能时不够全面。针对上述问题,现结合两个指标:基于模型预测控制目标函数的历史性能指标和基于模型预测残差的协方差指标对系统性能进行实时监控。其中,历史性能指标用以评价系统的整体性能,协方差指标反映模型失配和干扰变化的影响。根据两个指标对不同性能影响因素的不同表现和性能恶化后对干扰新息的重新辨识结果,对系统性能下降的原因进行初步诊断,缩小性能下降源的范围,并通过Wood-berry塔实验验证了该方法的有效性。     

深化过程控制教学改革提高学生工程实践能力

过程控制课程是工业自动化专业的一门技术性、实用性很强的专业主干课,通过这门课程的教学,使学生能运用自动控制原理,结合生产过程机理,利用自动化仪表及计算机去从事生产过程的分析、设计、运行与开发研究工作。     

一种基于含噪时序结构独立元分析的过程监控方法(英文)

Conventional process monitoring method based on fast independent component analysis (FastICA) cannot take the ubiquitous measurement noises into account and may exhibit degraded monitoring performance under the adverse effects of the measurement noises. In this paper, a new process monitoring approach based on noisy time structure ICA (NoisyTSICA) is proposed to solve such problem. A NoisyTSICA algorithm which can consider the measurement noises explicitly is firstly developed to estimate the mixing matrix and extract the independent components (ICs). Subsequently, a monitoring statistic is built to detect process faults on the basis of the recur-sive kurtosis estimations of the dominant ICs. Lastly, a contribution plot for the monitoring statistic is constructed to identify the fault variables based on the sensitivity analysis. Simulation studies on the continuous stirred tank reactor system demonstrate that the proposed NoisyTSICA-based monitoring method outperforms the conven-tional FastICA-based monitoring method.     

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。     

一种改进牛顿法的盲源分离算法

针对盲信号分离中超高斯信号亚高斯信号混叠难以分离的问题,提出一种基于改进牛顿法的盲源分离算法.该方法引入开关准则,利用随机变量的峭度来区分信号的类型,不同的信号选择不同的非线性函数,通过牛顿迭代方法求出分离矩阵,实现同时含有超高斯信号和亚高斯信号的杂系混合信号的盲源分离.仿真实验表明了该方法计算量小,易于实现,对于杂系...     

一种聚类加权支持向量机算法及其在软测量中的应用

针对支持向量机应用于软测量建模时,工业过程数据中特异点影响建模精度的问题,提出聚类加权支持向量机方法.该方法首先对建模数据进行聚类分析,根据聚类结果,对各类数据的惩罚系数进行相应的加权,改变权值大小既能减小特异点对模型的影响程度,又能将其包含的生产过程信息引入到软测量模型中.聚丙烯熔融指数软测量的实例研究表明,通过对建模数据进行聚类分析和加权处理,聚类加权支持向量机比标准支持向量机建模更准确.     

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.