应用于精准发酵的激光CO2尾气在线检测技术研究

针对精准发酵过程特征气体实时在线监测的需求，采用可调谐半导体激光吸收光谱（TDLAS）方法对发酵尾气中CO2进行了检测技术研究，并结合精准发酵工艺特点，研发了一套激光CO₂在线监测分析系统，检测量程为0~2%，实现了全量程范围内测量误差小于0.08%，响应时间达到5.46 s。现场试验结果表明，该系统具有较高的灵敏度、稳定性与可靠性，并且使用寿命较长，适用于精准发酵过程特征气体的在线监测。     

基于峰度的非线性独立元分析在典型化工过程故障诊断中的应用

针对实际工业过程数据中的非线性和冗余度问题,提出了一种基于峰度的非线性独立元分析方法。该方法根据互信息最小化原理提取独立分量,按峰度进行降维,去掉冗余数据,尽可能地保留了反应工业过程变化本质特征的独立分量。将该方法应用于TE过程监控,并与传统的线性独立元方法相比较,结果表明：该方法具有较高的灵敏度和较低的漏报率。     

基于SVDD时段细化的间歇过程故障监控

针对多向主元分析(MPCA)在间歇过程故障监测应用中经常面临的分段不准确问题,提出了一种新的基于支持向量数据描述(SVDD)的两步分段方法,从而提高分段的准确性和故障监测精度。第一步分段采用机理知识与现场数据相结合的思想,对MPCA模型的负载矩阵进行修正。将采样时间引入负载矩阵中,增大模型差异性,从而避免了故障数据导致的分段错误。第二步利用支持向量数据描述方法将初步划分的各子时段进一步细分,严格区分各子时段中的稳定与过渡时段,进一步提高分段的准确性。同时,给出基于上述分段技术的间歇过程在线故障监测算法,可以实时地监测现场数据。最后将该方法应用于青霉素间歇过程的在线监测,结果表明:该方法能够细致刻画过渡过程信息,比常规MPCA方法能够更早地检测出故障,并避免了误报。     

基于CEEMDAN-NAR-ARIMA组合模型的桥梁监测应变预测

提出了一种基于CEEMDAN-NAR-ARIMA的组合模型用以预测桥梁SHM监测应变数据。针对经典时间序列理论对模态混叠的数据无法有效预测的问题,采用了CEEMDAN方法对桥梁SHM应变监测数据进行了分解,并使用PE方法将分解得到的大量分量按照随机程度进行分类重组形成数个新数据序列,最后结合NAR动态神经网络和ARIMA模型分别对每个新数据序列进行预测并叠加得到了最终的预测值。将该方法用于上海市某座斜拉桥的SHM应变数据预测,结果表明,该方法相比于经典时间序列理论提高了预测的准确性,具有良好的工程应用价值。     

基于油色谱分析的变压器故障在线预测方法

电力变压器是电力系统中的关键设备之一,变压器故障可能会造成长时间的供电中断.因此,尽早发现变压器故障具有重要的意义.介绍了能够在线监测变压器油中H2, CO, CH4, C2H4, C2H2, C2H6等6种气体在线监测装置的基本结构.根据油中各溶解气体的在线监测数据,采用灰色预测技术建立了灰色预测模型,并利用BPNN进行变压器的故障预测.该方法能够有效地预测未来时刻变压器油中溶解气体的浓度、诊断变压器在未来时刻的绝缘状况.现场运行结果表明,该方法能够满足工程实际的需要.     

一种固态发酵窖池酸度在线监测系统的设计与实现

设计了一种固态发酵窖池酸度在线检测系统,可实现发酵周期内全程实时在线监测窖池内的酸度值,并将采集的数据以无线方式传输至上位机显示平台。实测证明,该系统适用于白酒固态发酵的数据监测,数据准确、可靠、稳定性高。     

基于非参数回归的发酵过程软测量建模

为了对发酵过程进行检测并分析发酵中产物的浓度,提出一种基于非参数回归的发酵过程软测量方法。该方法直接利用未经处理过的历史数据,采用多维窗宽选择方法确定窗宽,通过计算待估计点与历史数据库中其他时刻点数据的距离来确定该时刻点的权值,从而达到软测量建模的目的,并将其用于青霉素发酵过程产物浓度的测量。实验研究表明,所得软测量模型精度较高,能够有效地实现对青霉素发酵产物浓度的估计。     

基于无线传感网的酒窖监测探杆设计研究

针对目前酿酒工业发酵监测过程中人工工作量大、数据不连续、较陈旧的数据监测与记录方式等问题,设计用于发酵过程自动监测的便携式监测装置,在发酵过程中埋入窖池,实时监测分析酒窖中的温度、p H值等参数,实现监测数据采集实时化、传输无线化、分析智能化。该技术对于白酒发酵应用市场有着较为广泛的实践意义和推广价值。     

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.     

土壤深层呼吸在线监测研究

针对土壤深层呼吸影响因子的复杂性和多变性特点,提出了一种土壤深层呼吸在线监测方案,设计并实现了在线监测系统。综合分析不同土层土壤呼吸状况,系统采用动态气室法进行CO2浓度检测,使用PT100及电容式湿度传感器实现对环境温湿度的测量,通过PCI系统总线和RS232实现数据采集与实时控制,实现土壤多点呼吸的在线监控。实验表明,该方法具有精度高、采集速度快、数据可在线分析和无人值守等优点,实用性强,易于推广和应用。     

基于核独立元分析的非线性工业过程故障诊断

复杂工业过程的数据具有非高斯、非线性特性,在进行故障检测时,利用核独立元分析(kernel independent component analysis, KICA)方法能有效解决这一问题。然而,由于在处理数据时使用了核函数,无法将线性的贡献图方法直接用于故障诊断,因此采用一种基于改进KICA结合非线性贡献图的方法,对非线性工业过程进行故障检测与诊断。该方法利用基于超松弛因子的FastKICA方法建立监控模型,得到检测故障信息。在发生故障后,通过非线性贡献图法诊断故障变量。最后,选用带钢热连轧工业过程实测数据进行仿真,通过与传统贡献图方法比较,结果表明此方法能够对非线性数据进行有效可靠的故障检测和故障诊断,验证了非线性贡献图的有效性。     

基于双核独立元分析的化工过程故障诊断算法研究

由于化工生产过程数据具有强非线性和非高斯性特征,提出了核主元分析与核独立元分析相结合的可用于化工过程故障诊断的双核独立元分析算法,该算法利用核主元分析的非线性核函数把数据从原空间映射到高维特征空间进行白化预处理,再用核独立元分析算法进行独立元分析,在特征空间中获得故障监控统计量,计算控制置信限,达到有效的故障诊断.提出的算法应用在连续搅拌反应釜过程中,结果表明,该算法对化工过程故障诊断能有效提高准确度、降低漏报率和误报率.     

基于核独立成分分析的盲多用户检测算法

针对部分多用户检测算法需要对信道参数进行估计的缺点，提出了一种基于核独立成分分析的盲多用户检测算法．该算法根据源信号的不同分布情况，在重建核希尔伯特空间内选取不同的非线性函数作为对比函数，将信号从低维空间映射到高维空间．在高维空间，接收端利用已知信息，将目标用户扩频码作为解混矩阵的初始值，利用自适应方法进行迭代，有效地解决了盲信号分离的无序性，实现了目标用户信号的提取．仿真实验表明，该算法的误码率性能在用户数量增大和远近效应严重的情况下都远优于基于匹配滤波器的单用户检测器，与传统独立成分分析方法相比更具灵活性和鲁棒性．     

基于核独立分量分析的盲多用户检测算法

针对DS-CDMA通信系统中的盲多用户检测问题,提出了一种改进的核独立分量分析(KICA)算法.该算法首先将五阶收敛的牛顿迭代公式引入到传统的FastICA算法中,同时还引入了一种新的核函数——混合核函数来解决非线性混合信号的分离问题,从而实现了多用户信号检测.最后将所提出的算法与传统的FastICA算法和KICA算法进行仿真比较.结果表明:所提出的算法不仅收敛速度较快,而且具有较小的误码率.     

Online Batch Process Monitoring Based on Just-in-Time Learning and Independent Component Analysis

A new method was developed for batch process monitoring in this paper.In the developed method,just-in-time learning(J1TL) and independent component analysis(ICA) were integrated to build JITL-ICA monitoring scheme.JITL was employed to tackle with the characteristics of batch process such as inherent timevarying dynamics,multiple operating phases,and especially the case of uneven length stage.According to new coming test data,the most correlated segmentation was obtained from batch-wise unfolded training data by JITL.Then,ICA served as the principal components extraction approach.Therefore,the non-Gaussian distributed data can also be addressed under this modeling framework.The effectiveness and superiority of JITL-ICA based monitoring method was demonstrated by fed-batch penicillin fermentation.     

KICA模型选择及其在消除脑电信号伪差中的应用

理论分析并结合实验验证指出基于正定核的独立分量分析算法(K ICA)的优化与分离性能与其模型参数的选择有关。提出了一种简单高效的模型选择方法:在混合信号中附加一个已知验证信号,通过最小化该已知信号的分离误差来选择最优模型参数。实验结果表明:经模型选择后的K ICA能成功分离脑电信号中的心电伪差。     

基于动态独立成分的单类支持向量机方法及其在故障诊断中的应用

针对工业过程故障诊断中数据的动态性、非高斯性和非线性特点,提出一种基于动态独立成分的单类支持向量机(OCSVM)方法。为了分析数据的动态特性和非高斯性,应用动态独立成分分析(DICA)方法提取数据变量中的动态独立成分作为特征信息,基于特征信息建立OCSVM模型并构造非线性监控统计量。检测到故障后,计算故障数据与故障模式数据决策超平面的相似度,通过相似度分析识别故障模式。在Tennessee Eastman基准过程上的仿真结果表明,提出的方法能够比单类支持向量机更有效地检测过程故障,并且能够正确识别故障模式。     

Nonlinear Statistical Process Monitoring and Fault Detection Using Kernel ICA

A novel nonlinear process monitoring and fault detection method based on kernel independent component analysis (ICA) is proposed. The kernel ICA method is a two-phase algorithm: whitened kernel principal component (KPCA) plus ICA. KPCA spheres data and makes the data structure become as linearly separable as possible by virtue of an implicit nonlinear mapping determined by kernel. ICA seeks the projection directions in the KPCA whitened space, making the distribution of the projected data as non-gaussian as possible. The application to the fluid catalytic cracking unit (FCCU) simulated process indicates that the proposed process monitoring method based on kernel ICA can effectively capture the nonlinear relationship in process variables. Its performance significantly outperforms monitoring method based on ICA or KPCA.     

基于DW-ICA-SVM的工业过程故障检测算法

为了有效提高支持向量机(SVM)算法的故障检测和监视性能,提出一种新的基于DW-ICA-SVM的工业过程故障检测算法。首先,对训练数据进行标准化,运用独立元分析(ICA)获取数据的独立元矩阵,提取隐藏的非高斯信息。其次,运用杜宾-瓦特森(Durbin-Watson, DW)准则计算独立元(ICs)的DW值,通过DW方法有效提取重要噪声信息,选取重要的ICs。再次,将包含重要信息的ICs作为SVM模型的输入,获得判别分类函数,将测试数据的ICs输入该模型,对其进行故障检测和监视。最后,将新算法运用于非线性数值例子和田纳西-伊斯曼工业过程,并与PCA,LPP,ICA,SVM和ICA-SVM方法进行比较。结果表明,所提方法降低了样本间的自相关性,有效提高了故障检测率。因此,新算法在一定程度上加强了对隐藏非高斯信息的提取与识别,为提高SVM算法在工业过程故障检测中的应用性能提供了参考。     

基于小波变换和KICA算法的图像盲分离

盲源分离技术在污染图像恢复与重构中起着重要的作用。近年来出现了多种盲分离算法,在无噪声的情况下,KICA(核独立分量分析)的分离方法最好。但在有噪声的情况下,传统的方法对于有噪混合图像的分离效果不佳。针对这一问题,提出了小波去噪与KICA相结合的算法对有噪混合图像进行去噪分离。仿真实验结果表明这种方法能有效地降低噪声的影响,能较好地实现了图像的分离。