基于核主元分析与多支持向量机的监控诊断方法及其应用

为保证密闭鼓风炉冶炼过程的正常运行,构造了一种基于核主元分析(KPCA)和多支持向量机(MSVM)的监控模型.该监控模型首先用核主元分析方法对过程数据进行特征提取,然后将代表过程特征的核主元送入到多支持向量机分类器中进行故障诊断与分类.仿真研究显示, 该监控模型具有较好的泛化能力,能有效地应用于鼓风炉的监控诊断,可用于鼓风炉熔炼过程的现场操作指导.     

基于核主元分析和最小二乘支持向量机的软测量建模

软测量技术是工业过程控制和分析的有力工具，它的核心问题是如何建立学习速度快且泛化性能优良的软测量模型。提出了一种基于棱主元分析（KPCA）和最小二乘支持向量机（LSSVM）的软测量建模方法，利用核主元分析提取软测量输入数据空间中的非线性主元，然后用最小二乘支持向量机进行建模，不但降低模型复杂性，而且提高了模型泛化能力。最后将上述方法用于PTA结晶过程的软测量建模，仿真结果表明：与SVM、PCA-SVM建模方法相比，该KPCA-LSSVM方法具有学习速度快、跟踪性能好、泛化能力强等优点，是一种有效的软测量建模方法。     

基于非线性主元子空间的故障模式识别方法

针对多元统计过程监控中的故障源识别问题,提出一种非线性主元子空间方法识别故障模式.该方法对不同类型的故障数据进行核主元分析,获得描述数据主要变化的非线性主元子空间,以此为基础构造故障模式分类器.考虑到核主元分析的计算复杂性,提出一种基于特征样本的非线性主元子空间算法,使用基于克隆选择原理的免疫算法提取特征样本用于故障模式识别.在Tennessee Easlxnan过程上的仿真结果说明,非线性子空间方法能够比线性子空间方法更有效的识别故障模式.     

基于改进尺度的CDC／MVT离群点去除算法

针对基于多向主元分析(MPCA)(包括PCA)的统计监控模型易受建模数据中离群点影响的不足,提出了一种基于改进尺度的CDC/MVT建模数据离群点去除算法。该算法将改进尺度的CDC与MVT相结合,首先利用改进尺度得到离线建模正常数据的均值和标准差,并对数据进行中心化和标准化处理;然后利用CDC算法找出建模历史数据中最一致的一半正常点;最后用这最一致的一半正常点初始化MVT的马氏距离的均值和协方差,并通过迭代计算得到其它的正常点。将该算法应用于β-甘露聚糖酶发酵批过程离群点的去除,与其它鲁棒离群点检测算法相比,应用结果表明该算法能有效地去除建模数据中的离群点。     

无先验知识下基于概率主元分析的故障检测方法

基于故障可检测性条件, 提出了概率主元个数选择方法,根据能将所有故障检测出的条件, 确定出主元的个数.但是在有些实际工业过程中, 其故障形式往往不可尽知, 从而无法得出主元的个数, 给监控带来了困难. 为了能够有效地检测出故障,进一步提出一种多概率主元 分析(PPCA)模型的检测方法,首先选择不同的主元个数, 建立PPCA模型, 然后联合这些PPCA 模型进行检测,如果有一个主元模型的指标值超出控制限, 则认为过程出现故障, 从而实现故障检测.     

一种基于核独立元分析的非线性过程监控方法

独立元分析(ICA)在线性过程监控中得到了成功的应用,但是实际工业过程大部分是非线性的.在利用核ICA(KICA)建立过程非线性模型的基础上,根据核技巧,给出了一种高维空间分离矩阵的排序和独立元个数的选择方法,并将监控指标扩展到高雏空间,从而提出-种基于KICA的非线性过程监控方法,解决了ICA对非线性过程监控效果不理想的缺点.以田纳西一伊斯曼过程(TE过程)为例,对比了KICA与ICA的监控效果,结果证明了该方法的优越性.     

自相关过程协方差阵的残差MEWMA控制图

本文研究多变量自相关过程协方差矩阵的质量监控问题.针对服从VAR(1)模型的多变量自相关过程,基于残差分析思想,将多变量指数加权移动平均(MEWMA)控制图用于对过程的监控.首先对残差MEWMA控制图统计量进行了推导,其次采用MonteCarlo仿真的方法,以平均运行链长为评价准则对残差MEWMA控制图的监控效果进行了分析.仿真结果表明,残差MEWMA控制图具有较好的监控效果.     

基于主元分析的RBF神经网络多模型切换控制

针对传统多模型自适应控制中子模型数量过多、学习和自适应能力的局限性等问题,将神经网络的学习能力和非线性逼近能力与多模型切换的思想相结合,提出基于主元分析的径向基(RBF)神经网络多模型切换控制算法。首先,基于主元分析法进行工况区域识别。其次,在不同的工况区域内采用RBF神经网络建立多个子模型并设计相应的控制器。最后,根据性能指标函数选择相应的控制器以得到最佳的控制效果。仿真结果表明,该算法大大减少了子模型数量,并改善了系统的动态性能。     

基于模糊神经网络和R/S分析的股票市场多步预测

将输入空间划分为若干个相互重叠的模糊子空间 ,并在子空间内 ,利用线性模型对非线性系统进行局部建模 ,最后内插局部模型的输出 ,得到非线性系统的全局模糊建模 .基于 Sugeno模糊推理模型的模糊神经网络 (自适应网络模糊推理系统 ANFIS)正是上述模糊建模思想的神经网络实现的一种形式 .R/ S分析表明 ,上海股票市场的价格波动具有长期记忆性 ,因而可以预测 .基于此 ,利用 ANFIS对上证综合指数进行多步预测 ,得到比较好的预测结果.     

基于FKCM的球磨机系统T-S模糊建模方法

针对传统的描述热工过程动态数学模型的方法难以建立非线性模型的缺点,提出了一种基于模糊核聚类的球磨机系统T-S模糊建模算法.该算法首先通过灰色关系法确定模型输入变量,利用FKCM聚类算法对输入空间进行模糊划分,确定T-S模型的前件结构和前件参数;进而利用最小二乘算法确定模糊规则的后件参数.最后,利用数字仿真数据对球磨机系统进行模糊建模,建模结果表明该算法简单、实用,模型能够精确地描述过程的非线性.     

SBR过程自适应动态非线性MPCA建模及在线监视

污水处理SBR过程的在线性能监视对于提高排污质量和实现优化操作是至关重要的。针对SBR间歇过程缓慢时变、可变运行长度和非线性特点，采用双滑动窗口机制，提出多变量非线性自适应动态建模方法一可变长度的滑动窗口MPCA方法，解决常规MPCA在工业应用过程中存在的几个潜在问题：（1）建模数据样本不同步问题；（2）模型失配问题；（3）MPCA线性方法不能充分有效压缩和抽取非线性过程信息；（4）估计未来测量变量所引进的监视误差。所提方法成功应用在国际水协会提出的benchmark仿真试验平台。     

输入训练神经网络PCA故障检测方法

针对线性PCA方法难以提取非线性统计特征信息,本文在输入训练神经网络基础上提出了一种非线性PCA故障检测方法.同时探讨了非线性PCA过程性能监视系统的设计方案及其在间歇生产过程中的应用,仿真实验结果证明算法的有效性.     

基于RBF神经网络的非线性主元分析新方法

在分析非线性主元曲线性质基础上,提出了非线性负载是变量X的函数,基于此,设计非线性负载RBF神经网络结构,给出了随机梯度下降算法。提出的非线性主成分分析方法与以往方法比较,得分和负载在概念上具有和线性主成分分析相同的解释,在结构上较为简单,解决了缺乏训练数据问题,训练容易。与线性主成分分析的对比仿真验证了提出方法的有效性。     

基于核主元分析的非线性动态故障诊断

核主元分析是一种非线性主元分析方法，充分利用核函数来解决非线性映射问题，在高维特征空间中确定主元，具有很好的非线性逼近能力。同时，利用非线性最小二乘法实现核主元分析的变量重构，来识别故障源。将核主元分析应用于连续搅拌釜式反应器系统（CSTR）的故障诊断过程中，仿真结果表明该方法对于故障的检测和故障源的识别都优于线性主元分析法的诊断效果。     

Head pose estimation method based on pose manifold and tensor decomposition

Pose manifold and tensor decomposition are used to represent the nonlinear changes of multi-view faces for pose estimation, which cannot be well handled by principal component analysis or multilinear analysis methods. A pose manifold generation method is introduced to describe the nonlinearity in pose subspace. And a nonlinear kernel based method is used to build a smooth mapping from the low dimensional pose subspace to the high dimensional face image space. Then the tensor decomposition is applied to the nonlinear mapping coefficients to build an accurate multi-pose face model for pose estimation. More importantly, this paper gives a proper distance measurement on the pose manifold space for the nonlinear mapping and pose estimation. Experiments on the identity unseen face images show that the proposed method increases pose estimation rates by 13.8%and 10.9% against principal component analysis and multilinear analysis based methods respectively. Thus, the proposed method can be used to estimate a wide range of head poses.     

基于动态灰色主成分分析的多时刻威胁评估

针对目标威胁评估问题的高维数、时变性等特点, 提出基于动态灰色主成分分析(dynamic grey principal component analysis, DG-PCA)的多时刻威胁评估方法。首先, 以潜艇为分析对象, 构建协同作战模式下的威胁评估指标体系。其次, 提出扩展灰色相似关联度用于表征指标间动态非线性相关度, 构建用于多元非线性时间序列分析的DG-PCA模型。最后, 结合层次分析法(analytic hierarchy process, AHP)与时间序列赋权, 建立基于加权DG-PCA的多时刻威胁评估模型。分析结果表明, 所提方法能够融合多时刻信息, 符合作战实际, 并且在小样本情况下具有较好的数据提取能力。     

单侧机翼损伤飞机的神经网络自适应鲁棒非线性控制

针对飞机飞行中单侧机翼突然损伤问题,结合对损伤飞机的特性分析,提出基于神经网络自适应补偿的鲁棒非线性模型逆控制方法。利用未损伤飞机模型伪控制量中的单隐层神经网络自适应项和鲁棒项,并联合e modification自适应律对模型误差、外界扰动、神经网络近似误差进行补偿。除此之外,利用动态非线性阻尼技术对上述伪控制律进行扩展,从而适应损伤机体未建模舵动态。最后对上述算法进行严格的稳定性证明,并推导了逆过程的实现方法。仿真结果表明在单侧机翼突然损伤并伴随外部扰动和未建模舵动态下,该控制方法具有较强的稳定性和鲁棒性。     

基于神经网络的低信噪比CBOC信号组合码序列盲估计

针对低信噪比下复合二进制偏移载波(composite binary offset carrier, CBOC)信号的组合码序列盲估计问题。首先采用奇异值分解(singular value decomposition, SVD)的算法对CBOC的组合码序列进行可行性验证,可得在已知相关参数的情况下对CBOC信号组合码序列盲估计是可行的;其次就SVD在长序列估计中计算量和存储量需求大的问题,进一步提出主分量神经网络解决上述问题,同时引入最优变步长收敛模型改善神经网络(neural network, NN)收敛速度。利用无监督NN的自适应主分量提取信号特性,避免批处理运算,实现CBOC信号组合码序列盲估计。实验表明,NN能在-20 dB下达到精确估计序列的目的,且算法有稳定性高、复杂度低、收敛速度快等优点。     

注塑过程子时段动态非线性质量预测

针对注塑间歇过程多阶段、缓慢时变、非线性和质量变量测量值不能在线获得等特点，提出子时段滑动窗口广义回归神经网络质量预测方法，首先，采用分类算法对三维数据矩阵的时间片PCA负载矩阵进行分析，根据相关性分析把注塑过程划分为几个子时段，然后确定与重量密切相关的阶段，在确定的阶段内采用滑动窗口建立GRNN多模型，解决常规MPLS在工业应用过程中存在的几个潜在问题：（1）静态单一模型；（2）模型失配问题；（3）MPLS线性方法不能充分有效压缩和抽取非线性过程信息；（4）估计未来测量变量所引进的模型偏差。所提方法与子时段滑动窗口MPLS方法进行仿真比较。结果证明了所提方法的有效性。