一种基于KICA-GMM的过程故障检测方法

核独立元分析(kernel independent component analysis,KICA)故障检测方法的故障检测时间易受独立元顺序和主导独立元数目经验选取的影响,针对这个问题,提出基于KICA和高斯混合模型(Gaussian mixture model,GMM)的故障检测方法。采用KICA从正常工况测量数据中提取独立元,用GMM拟合各独立元的概率密度函数,建立基于GMM的监控量及其控制限;计算各独立元的监控量均值,以此判断其非高斯性强弱,对每个强非高斯独立元进行单独监控,对弱非高斯部分采用主元分析法进行监控。在Tennessee Eastman过程上的仿真结果说明,相比于KICA故障检测方法,所提方法不需要排序独立元和选取主导独立元数目,避免了其对故障检测时间的影响,能够有效利用过程信息,缩短故障检测的延迟时间。     

基于峭度最大化的地震盲反褶积方法

从地震褶积与反褶积过程的等效总系统出发,使脉冲响应满足单位脉冲序列形式,导出方差约束下反褶积输出的峭度最大化准则,作为地震盲反褶积的目标函数;针对目标函数关于反褶积算子的优化问题,采用粒子群算法进行全局寻优操作,实现地震信号的反褶积。数值模拟和实际资料处理结果表明,该方法不但适用于最小相位子波的反褶积,而且适用于混合相位子波的反褶积。与梯度法优化峭度准则的反褶积结果相比,能够更好地从地震记录中估计反射系数,拓宽地震资料的频谱,提高地震资料的分辨率。     

基于PLS交叉积矩阵非相似度分析的MPC性能监控与诊断

针对传统基于输出协方差矩阵的性能监控方法未充分考虑过程变量与输出变量之间的相关性问题,提出一种基于偏最小二乘（Partial least squares,PLS）交叉积矩阵非相似度分析的性能监控与诊断方法,用于多变量模型预测控制（Model predictive control,MPC）系统.首先,考虑模型预测控制系统的控制结构,构造包含预测误差的增广过程变量与输出变量相关性的PLS交叉积矩阵,通过非相似度分析方法将交叉积矩阵的非相似度比较转化为转换矩阵特征值的比较.然后提取转换矩阵中表征最大非相似度的l个特征值构造实时性能指标,对MPC系统进行性能监控.检测到性能下降后,进一步利用转换矩阵的特征值诊断性能恶化源.Wood-Berry二元精馏塔上的仿真结果表明,所提方法能够有效地提高监控性能,并准确地定位性能恶化源.     

基于互累积量的有噪独立分量分析方法

针对传统独立分量分析(ICA)方法无噪假设的局限性,提出基于互累积量的有噪ICA方法。考虑含高斯噪声的瞬时混合模型,以观测信号的互累积量组成一系列对称矩阵,以对称矩阵的联合对角化程度为目标函数,采用粒子群优化算法对混合矩阵进行全局寻优。通过寻优得到混合矩阵,将有噪ICA转化为一维欠定ICA,基于奇异值分解法得到源信号的估计。仿真结果表明,与传统ICA方法相比,该方法对混合矩阵的估计精度较高,可以明显提高分离信号的信噪比。     

基于RISOMAP的非线性过程故障检测方法

化工过程监控数据存在非线性特点,且过程常常运行于多个模态,针对该类问题,提出基于相对等距离映射(relative isometric mapping, RISOMAP)的过程故障检测方法,该方法采用相对测地距离构造高维空间的距离关系阵,运用多维尺度变换(MDS)计算其低维嵌入输出,从高维数据中提取子流形信息和残差信息分别构造监控统计量进行故障检测,同时运用核ridge回归在线计算测试数据的低维输出,核矩阵通过综合相似度进行更新。数值算例和TE过程的仿真结果表明,RISOMAP方法可以更为有效地实施故障检测,故障检测的灵敏度较高,同时也为基于流形学习的多模态过程故障检测的实施提供了一条思路。     

一种基于改进KICA的非高斯过程故障检测方法

针对基于核独立元分析(kernel independent component analysis,KICA)的故障检测方法只考虑非高斯信息提取而忽略局部近邻结构保持的问题,提出基于改进KICA的过程故障检测方法。将KICA法中只考虑非高斯信息提取的负熵最大化准则转换为熵最小化准则,结合局部保持投影的相似局部近邻结构准则,提出了同时考虑非高斯信息提取和局部近邻结构保持的目标函数,通过粒子群优化算法进行全局寻优,然后建立监控统计量对过程进行监控。在Tennessee Eastman过程上的仿真结果说明,与基于KICA的故障检测方法相比,所提方法能够在保持数据集局部近邻结构的同时,提取非高斯信息,能够有效缩短故障检测的延迟时间,提高故障检测率。     

一种低信噪比下的有噪独立分量分析算法

针对目前大多数独立分量分析(independent component analysis,ICA)算法无噪或者弱噪声假设的局限性,提出一种适用于低信噪比情况的有噪独立分量分析算法。该算法以分离信号的负熵为目标函数,采用高斯分布密度模型作为非线性函数来估计负熵,并建立了模型参数的确定准则,能够较好地抑制低信噪比下噪声的影响,最后采用人工蜂群算法对混合矩阵进行全局寻优。仿真结果表明,与其他算法相比,提出的算法可以更为精确地估计混合矩阵,能够较好地解决低信噪比下的有噪ICA问题。     

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.