卡尔曼一致滤波算法综述

以应用传感器网络进行分布式估计为研究背景,对卡尔曼一致滤波问题进行综述.系统地介绍了各种卡尔曼一致滤波算法,其中包括几种典型的基础算法、自适应估计算法、优化算法以及带丢包、带牵制控制等滤波算法.最后,对卡尔曼一致滤波算法的进一步研究方向进行了展望.     

数据校正在焦化碳一过程中的应用

化工生产过程中，开展测量数据的误差侦破与校正方法的研究具有十分重要的意义。针对焦化碳一过程中测量变量的稳态数据校正，采用残差检验方法进行数据协调和过失误差的识别、侦破，通过两层次变换进行数据分类，从而消除了已有算法中出现奇异矩阵的情况。校正后的变量满足物料和元素平衡要求，误差侦破的结果为仪表故障的排除等提供了参考依据；数据校正则提高了生产效率。     

一种集成传感器故障诊断方法

针对传感器故障，提出了一种基于小波奇异性捡测和修正的Bayes算法(MB)的集成故障诊断方法，用RBF神经网络建立传感器故障模型，对系统的状态进行在线估计，进而得到残差，然后对残差进行小波分析，再用修正的Bayes算法进行传感器故障的在线检测、分离和估计对连续搅拌釜式反应器(CSTR)的仿真结果表明，该集成故障诊断方法能够对传感器故障进行快速准确的分离和估计，克服了传统小波分析方法大尺度下存在时延的缺点，并对传感器故障具有容错性。     

基于局部密度估计的多模态过程故障检测

以市场需求为导向的现代工业过程的生产条件要根据市场的需求不断做出调整,因此实际工业过程中存在多种工况的复杂情况,而过程的数据将不再完全服从高斯分布,其均值与协方差结构往往随着工况的切换而发生较大变化,为了能及时检测此类生产过程中的故障,提出一种新的基于带宽可变的局部密度估计的过程在线监控策略。首先利用局部投影保留(locality preserving projection,LPP)将高维数据投影到低维子空间中,充分地保留数据的局部结构;然后通过带宽可变的非参数密度核函数来进行局部密度估计,并采用局部密度因子(local density factor,LDF)的思想构造监控统计量,进而对工业过程故障进行在线检测;最后通过仿真研究,结果表明所提方法能够有效地应用于多模态过程的故障检测。     

基于非负矩阵分解的多模态过程故障监测方法

针对传统的多元统计故障监测方法往往需要假设测量数据服从单一高斯分布的不足,提出了一种基于非负矩阵分解(NMF)的多模态故障监测方法。首先使用标准的NMF算法对训练集数据进行聚类,将多模态数据划分到各个模态中;然后使用稀疏性正交非负矩阵分解(SONMF)算法对各模态分别建模,同时构造监控统计量进行故障监测。将提出的基于非负矩阵分解的多模态故障监测方法应用于数值例子和TE过程的仿真结果表明,该方法能够及时有效地检测出多模态过程中的故障。     

聚酯酯化率软测量技术研究

介绍了某聚酯生产过程酯化工艺建立的过程质量指标酯化率的软测量模型。提出一种利用减法聚类产生初始的T-S模糊模型,通过粗调与细调聚类半径优化模糊模型的方法。建模前选择或计算出辅助变量,对样本数据进行了误差剔除与归一化处理。仿真结果表明,该方法建模速度快,模型泛化性能良好,为酯化率的估计提供了一种有效方法。     

沧州化肥厂CIMS应用工程初步设计

本文基于一种ＣＩＭＳ全过程体系结构，针对沧州化肥厂生产过程特点及自动化发展状况，分析讨论了实施ＣＩＭＳａｃ程的新策略，提出了该厂ＣＩＭＳａＬ程的初步设计方案。     

合成氨厂二级计算机优化控制

本文介绍采用二级计算机结构,对大型合成氨装置,运用大系统分解——协调优化方法,实现在线闭环操作优化和控制。投运实践表明:该系统使用方便,经济效益明显。     

基于ReliefF的主元挑选算法在过程监控中的应用

传统的主成分分析（principal component analysis,PCA（算法选取包含大部分方差信息的成分作为主元,并将其应用到过程监控中。但是故障信息不一定会投影到方差较大的成分上,使用方差贡献度挑选主元会导致严重的信息丢失和监控效果的恶化。因此使用ReliefF-PCA算法,其中ReliefF算法从故障角度出发,挑选出在区分正常样本和故障样本上权重更高,效果相对更好的成分作为主元。这样挑选出的主元避免了传统PCA算法在主元挑选过程中出现的主观性、盲目性以及重要信息的丢失。ReliefF-PCA算法在过程监控中主要有两个优势,第1,监控效果更好;第2,对原始数据降维效果更好。随后,基于ReliefF-PCA算法,提出一种加权的故障变量贡献图方法。最后,通过Tennessee Eastman（TE（仿真实验测试,ReliefF-PCA算法达到了预期效果。