基于数据相似度的间歇过程在线监控

为了提高间歇过程批次之间产品的一致性,并及时发现过程中的异常情况,提出一种基于过程数据相似度的多变量统计监控方法对间歇过程的操作进行在线监控.该方法将正常批次轨迹与参考批次轨迹之间的相似度作为一种新的监控指标,并利用核密度方法估计相似度的概率密度函数,计算出控制限,在批次反应过程中利用Kalman滤波器对当前批次的数据进行实时的估计从而实现在线监控.该方法和传统多向主元分析方法的监控性能在一个青霉素发酵仿真系统上进行了比较.仿真结果表明: 该方法检测出渐变型扰动比MPCA方法提前了30 h.     

基于ICA和相似因数的间歇过程故障诊断

多向主元分析(MPCA)是间歇过程最常用的监控方法,但缺点是需要对未来测量值进行估计。针对这一问题,提出了基于不同展开方式上的独立元分析(ICA)的在线监控方法。在测量数据含有非高斯潜隐变量的情况下,ICA是比PCA更有效的特征提取算法。获得独立元(ICs)后,将一种新的基于ICA的混合相似因数分析用于间歇过程的故障诊断中。通过在青霉素生产过程的成功应用,验证了所提出方法的可行性和有效性,具有比较好的监测效果及满意的故障识别能力。     

一种新的间歇过程多模式辨识方法

针对间歇过程的多模式划分问题,提出了一种基于主角度相似度比较的多模式划分新方法,有效克服了噪声或冗余数据对模式划分的影响.该方法的基本思想是利用PCA对间歇数据按时间轴进行主成分建模,然后利用主角度这一用于比较子空间相似度的方法进行主元模型相似度比较,从而对各个模型和过渡过程进行有效辨识和划分;在此基础上,对上述方法进行了深入分析,改进并完善了主角度相似度划分标准,使这一方法更趋完善.仿真结果检验了所提方法的有效性.     

基于多阶段ICA-SVDD的间歇过程故障监测

针对间歇生产过程数据存在的多阶段和非高斯性等特征,提出一种改进的阶段划分和故障监测方法。首先根据各个时间片的相似度和K均值算法进行阶段划分,然后利用独立成分分析(ICA)方法分别提取出各阶段的非高斯特征信息。最后,引入支持向量数据描述(SVDD)算法对独立成分和剩余的高斯残差空间分别建立统计分析模型,实现间歇过程故障的在线监测。通过半导体蚀刻过程故障监测应用实例,验证了该文方法的可行性和有效性。     

基于最小窗口MPCA的间歇过程实时监视和故障诊断软件

间歇过程起停频繁,状态变化反复,其过程监视和故障诊断十分困难.实时监视和故障诊断软件在原有DCS系统软、硬件设备基础上,基于最小窗口MPCA非线性多模型建模和监视方法,采用C,VB和MATLAB语言混合编程开发,用于挖掘数据中隐含的信息,解决批次过程实时在线监视和诊断问题.将该套软件应用于某化工过程,能早期预报和诊断异常情况,为操作人员监视和评价过程性能提供了可靠的依据,提高了过程操作的安全性,同时使产品质量提高.     

基于PLS模型的自适应间歇过程质量预测

间歇生产过程中,很多质量指标不能在线测量,导致过程很难控制。该文应用部分最小二乘(PLS)方法建立软测量模型,通过批次初期在线测量的过程变量对最后的产品质量进行预测。同时,利用过程中得到的中间质量测量值对最后的预测结果进行修正。为了解决过程参数随时间变化的问题,在每个批次结束后利用新数据对原模型进行更新。将该法用于异丁烯酸甲酯(MMA)聚合反应过程,仿真结果显示,该法能够克服过程参数变化的影响,有效地预测最后的产品质量。     

基于MNNPLS的间歇过程的故障诊断

针对间歇生产过程的特点及多向部分最小二乘在故障诊断中存在的问题,提出了一种多向神经网络部分最小二乘方法,实现对间歇过程的在线监控和故障诊断。该方法结合了部分最小二乘的鲁棒性和神经网络表现输入输出非线性关系的能力,提高了模型的预测精度。将此方法应用于监测青霉素发酵过程中,仿真结果表明,它比传统多向部分最小二乘方法能更及时、准确地检测到故障。     

基于MWMKPCA和CPI的间歇过程控制性能监测与评估

针对限定控制器结构下的间歇过程控制系统性能监测与评估的问题,采用引力搜索算法优化控制器参数,在最优控制参数的基础上得到控制性能较优的输出误差数据集;通过采用多种多元统计过程控制(MSPC)方法对数据集进行主元建模,用得到的主元模型对新的间歇过程批次进行在线监测,并提出一种基于控制图的综合控制性能指标(CPI)。仿真结果验证了采用移动窗口核主元分析法(MWMKPCA)在监测间歇过程控制性能时的准确性,同时验证了所提出的综合控制性能指标的有效性。     

精馏塔开车过程混合故障诊断策略

化工过程有很多过渡过程,例如开停车、不同稳态间转换和间歇过程.这些过程的非线性很强,变化范围大,需要有经验的操作员连续监控.近年来对过渡过程的故障诊断比较通用的方法是多变量统计方法,其优点是能快速检测异常的发生,但是用贡献图分析方法的诊断效果往往不够理想.本文结合主元分析和动态时间规整的方法,提出了一个开车过程的混合故障诊断策略,提高了故障诊断效率.一个实验室规模的精馏塔开车过程的在线故障诊断应用实例表明:该策略具有比较好的早期故障诊断效果.     

基于多向Fisher判据分析的间歇过程性能监控

针对传统的间歇过程监控方法,在建模时只利用正常工况下的数据,其故障诊断能力并不令人满意的问题,提出了多向Fisher判据分析(MFDA:Multiway Fisher Discriminant Analysis)方法,用于间歇过程的监控.该算法同时利用正常工况和故障条件下的数据进行建模,其故障诊断能力要优于MPCA(Multiway Principal Component Analysis),在故障检测的同时也实现了故障的诊断.通过对实际工业链霉素发酵过程数据分析,表明该算法是可行的,可以获得较满意的故障诊断结果.     

SOM在广域网故障诊断中的应用

为了提高网络管理重要组成部分的故障管理能力,通过对性能数据和故障征兆的推理来确定故障源,针对WAN(wide area network)的故障传播特征提出了一种基于自组织特征映射 SOM(self-organizing maps)的网络故障诊断模型,该模型包括SOM训练模块和故障实时诊断模块.仿真实验表明,采用该模型进行4种故障诊断,故障识别率达到95.82%,而误警率只有3.96%,说明在WAN中采用基于SOM的故障识别方法效果良好.     

基于无监督迁移学习的核范数最大化轴承故障诊断方法

针对实际工业运行中带标签的轴承故障数据难以获取,导致有监督学习故障诊断效果不佳的问题,提出一种基于无监督迁移学习(transfer learning, TL)的核范数最大化轴承故障诊断方法。该方法通过结构优化深度卷积神经网络(structure optimized deep convolutional neural networks, SOCNN)进行故障特征提取,利用最大均值差异(maximum mean discrepancy, MMD)提升源域和目标域的分布相似度,并结合快速批量核范数最大化(fast batch nuclear-norm maximization, FBNM)来提升目标域批量输出矩阵的可分辨性和多样性。实验结果表明：所提方法在不同噪声环境中都具有较高的诊断精度,能准确识别出轴承的故障类型和故障危害等级,为轴承故障诊断提供有效技术支撑。     

基于自适应动态时间规整(DTW)的GA-FCM多阶段间歇过程故障诊断

多时段是间歇过程的固有特征,对间歇过程划分阶段可以提高故障诊断的精度。采用模糊C-均值聚类（FCM）算法划分阶段存在对初始聚类中心敏感、易于陷入局部极优值的问题。提出遗传算法与FCM算法相结合的方法（GA-FCM）,用于克服FCM易于陷入局部极优值的问题,以达到全局最优。同时,针对间歇过程数据不等长问题,提出自适应动态时间规整（DTW）算法。随后,用GA-FCM方法完成阶段划分,再建立多向核主元分析（MKPCA）模型完成故障检测。最后将此算法应用于青霉素发酵过程,仿真结果验证了所提方法的可行性和有效性。     

Visual Perception-Based Fault Diagnosis in Froth Flotation Using Statistical Approaches

Froth flotation is an important mineral concentration technique. Faulty conditions in flotation processes may cause the huge waste of mineral resources and reagents, and consequently, may lead to deterioration in terms of benefits of flotation plants. In this paper, we propose a computer vision-aided fault detection and diagnosis approach for froth flotation. Specifically, a joint Gabor texture feature based on the Copula model is designed to describe froth images; a rejection sampling technique is developed to generate training sets from the quality distribution of real flotation products, and then an isolation forest-based fault detector is learned; and a fault diagnosis model based on spline regression is developed for root cause identification. Simulation experiments conducted on the historical industry data show that the proposed strategy has better performance than the alternative methods. Thereafter, the entire framework has been tested on a lead-zinc flotation plant in China. Experimental results have demonstrated the effectiveness of the proposed method.     

基于故障特征时段识别的间歇过程故障诊断方法

间歇过程的多时段操作特性使得某一类型故障可能在一个或多个子操作时段具有明显表征,而在其他时段没有故障表征,即故障具有其相应的特征时段.提出了一种基于故障特征时段识别的故障诊断方法,通过对历史故障数据以及正常数据质心分布特征,识别历史故障的特征时段.利用多向Fisher判别分析(MFDA)方法分别建立对应的故障诊断模型,从而将故障诊断的搜索空间深入到特定的特征时段,提高了模型的诊断性能.仿真实验验证了该方法的可行性和有效性.     

基于支持向量域描述的多故障诊断动态模型

为了提高多故障诊断中对新故障类别和新故障数据的适应性，提出了一种新的多故障诊断动态模型．该模型采用支持向量域描述算法（SVDD）对多类故障进行单独训练，建立独立而封闭的特征空间，满足故障类别的动态增加需要，并采用样本与各特征空间的相对距离进行了多故障的混合识别．应用在线SVDD算法，在已有的故障特征分布信息基础上，通过更新操作，学习新数据信息，从而实现了故障模式的动态调整．通过仿真和机械故障实例数据的检验，表明该模型能够动态地提取多类故障的特征信息，改善诊断学习过程的适应性．     

PCA在非线性系统传感器故障检测和重构中的应用

由于主成分分析(PCA)方法是一种线性算法,基于PCA的故障检测方法若直接运用于非线性系统的传感器故障检测和重构,会导致明显的故障误报和数据重构错误。为了使基于PCA的传感器故障检测和重构方法适用于非线性较严重的热工过程,对该方法进行了有效的改进。应用不同负荷下的历史数据,分别建立机组不同负荷下的局部PCA模型,再根据机组当前实际运行负荷选择相应的PCA模型进行传感器故障检测和重构,并结合相邻负荷PCA模型的计算结果进行数据融合,从而进一步提高了故障检测的准确性和重构精度。理论分析和现场实际应用表明,该算法能够对非线性较为严重的电厂热工过程进行精确的传感器故障检测和重构。     

多模型MPCA方法在多变量间歇过程故障监测与诊断中的应用

多向主元分析 (MPCA)是应用于间歇生产过程故障监测与诊断中的一种较为有效的方法 ,但由于其自身的线性化特点 ,使之在复杂的非线性动态系统处理中显得力不从心 .针对普通MPCA方法的优缺点提出一种多模型结构的MPCA方法 ,讨论了该方法的模型结构以及现场故障监测与诊断的分析过程 .多模型结构的MPCA方法通过分点差分的方式 ,关联了同一间歇过程中不同测量时刻变量值的关系 ,并且在间歇过程故障监测与诊断中比普通MPCA更具精确性和实时性     

基于概率图模型的互联网广告点击率预测

点击率预测可以提高用户对所展示互联网广告的满意度,支持广告的有效投放,是针对用户进行广告的个性化推荐的重要依据.对于没有历史点击记录的用户,仍需对其推荐广告,预测所推荐广告的点击率.针对这类用户,以贝叶斯网这一重要的概率图模型,作为不同用户之间广告搜索行为的相似性及其不确定性的表示和推理框架,通过对用户搜索广告的历史记录进行统计计算,构建反映用户间相似关系的贝叶斯网,进而基于概率推理机制,定量度量没有历史点击记录的用户与存在历史点击记录的用户之间的相似性,从而预测没有历史点击记录的用户对广告的点击率,为广告推荐提供依据.通过建立在KDD Cup 2012-Track 2的Tencent CA训练数据集上的实验,测试了方法的有效性.     

小样本下基于特征子空间估计的故障诊断算法

为解决PCA(Principal Component Analysis)因样本数目少而无法得到稳健协方差矩阵问题,根据主元分析的几何意义,引入CS分解贝叶斯空间估计的思想,将协方差矩阵问题转化成特征子空间估计问题.首先根据大量历史数据运用PCA离线建立SPE(Squard Prediction Error)统计量阈值和故障模式特征子空间矩阵库,当在线检测到系统存在异常情况时,由于受一定的环境影响只能得到小样本故障数据,利用本文方法可估计出小样本数据的特征子空间矩阵;然后通过对比特征子空间与故障模式特征子空间的相似性,完成故障诊断.最后通过仿真验证了此方法的可行性和有效性.