基于变采样周期的青霉素发酵过程多阶段建模及监控

在间歇生产过程故障监测与诊断中,多向主元分析（MPCA）是一种较为有效的方法,但由于其自身的线性化特点,使之难以处理复杂的非线性系统。针对发酵过程的特点,提出一种多阶段模型MPCA方法,用多阶段线性结构代替传统MPCA单模型线性化结构,以分段线性建模逼近非线性的方式,克服了传统MPCA方法处理非线性过程的不足,并根据不同阶段的变量关系的剧烈程度采取不同的采样周期,对建模数据进行优化筛选,从而提高了在线监控和故障诊断的准确性和及时性。     

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MFDA—PCA的间歇过程故障诊断方法研究

针对传统MPCA间歇过程故障诊断方法存在的在线数据不完整及实时性差缺陷,提出一种基于MFDA-PCA间歇过程的在线批次故障诊断方法．通过MFDA对在线批次正常部分与历史批次进行相似度分析,利用相似度最优的批次建立PCA模型,对在线批次数据进行实时分析,完成对整批生产过程在线监控及故障诊断的任务．最后以青霉素发酵仿真实验验证了该方法的有效性和快速性．     

多模型MPCA方法在多变量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为量值的关系,并且在间歇过程故障监测与诊断中比普通MPC更具精确性和实时性。     

非线性多尺度多向主元分析方法

NLMPCA是一种适合间歇生产过程的非线性建模方法,但是从现场采集的数据往往存在误差,难免影响过程监视和故障诊断的结果.基于MPCA,NLPCA和小波变换,提出了一种新的间歇过程监视和诊断方法,即非线性多尺度多向主元分析方法(NLMSMPCA).与NLMPCA相比,NLMSMPCA降低了随机误差对测量数据的影响,提高了过程监视和故障诊断的可靠性.     

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。     

基于多模型在线辨识的滑模变结构控制

为了改善复杂非线性系统中传统滑模变结构控制系统的控制效果,提出了一种将多模型在线建模与滑模变结构控制结合的方案.首先,根据输入输出数据利用在线数据聚类的方法建立多个局部模型,实时对局部模型进行更新,并通过加权综合获得非线性系统的在线辨识模型;然后,针对系统的辨识模型设计基于趋近律的滑模变结构控制器.仿真结果表明,控制方案对系统模型的不确定性具有良好的鲁棒性.     

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。     

在线多尺度滤波多变量统计过程的适时监测

在详细分析现有MSPCA模型不足的基础上,借助在线多尺度滤波(OLMS),提出了一种多变量统计过程的在线监测方法,并将其应用于传感器故障诊断。该方法中,首先在固定窗长的数据窗口内用边缘校正滤波器对信号进行小波分解,然后用小波阈值滤波对分解的小波系数进行消噪,并借助该固定窗长的移动窗口将小波变换和自适应PCA结合起来对数据进行在线多尺度建模,从而避免了直接对信号进行消噪所造成的时间浪费,提高了故障诊断率。最后以6135D型柴油机在严重漏气下的8个振动信号的故障诊断为例进行故障分析,结果表明了所提方法的可行性和实用性。     

分批发酵过程统计监控和质量评估

基于多向主元分析，对赖氨酸分批发酵过程进行了在线统计监控的仿真研究，详细介绍了多向主元分析运用于间歇过程的操作程序，并提出了离线质量评估方法．仿真结果表明，该方法可有效判断过程运行状态，并能对产品质量做出正确的评估。     

基于滑动时间窗口加权MPCA的间歇过程监测方法

针对间歇过程的时段划分问题,提出了一种滑动时间窗加权MPCA方法,利用了相邻观测数据所蕴含过程信息的相关性,降低了过程扰动、观测噪声以及多阶段间过渡过程等不确定性因素对时段划分的影响,进而改善了间歇过程的监测效果。将所提出的方法应用于青霉素发酵过程阶段划分和监测,实验结果表明,所提出方法与常规MPCA相比,能够得到更好的效果。     

MWMPCA方法及其在间歇过程监控中的应用

针对传统的多向PCA(Principal Component Analysis)模型间歇过程监控的缺点,提出了一种移动窗多向主元分析(MWMPCA:Moving Window Multi-way Principal Component Analysis)模型.与MPCA方法比较,MWMPCA可很好地监控间歇过程操作的稳定性,在实时监控新的间歇过程时,只需利用已收集到的数据信息,同时还可根据实际反应情况调整主元的选取个数,以得到更好的监控性能.     

基于sub-MPLS的多阶段间歇过程质量预测与控制

针对大部分多阶段间歇过程,质量多数难以在线测量与控制问题,提出一种新颖的在线质量预测方法,基于子时段的MPLS质量预测方法.首先,采用聚类分析方法对间歇过程时间片矩阵PCA负载矩阵进行分类,依据过程变量相关性的变化,过程被分成几个操作阶段,然后,定出与质量变量最相关的阶段,在该阶段建立sub-MPLS在线质量预测模型,另外,还提出一种闭环质量控制方案.在一个典型的多阶段间歇过程-注塑过程的应用结果表明了所提出方法的有效性.     

基于动态MDONPE算法的间歇过程故障检测

针对间歇过程数据存在的非线性和动态特性导致故障检测效果不佳的问题,提出一种基于滑动窗(sliding window,SW)的多向差分正交邻域保持嵌入(multiway differential orthogonal neighborhood preserving embedded,MDONPE)算法.首先对间歇过程数据...     

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.     

精确消除衰减直流分量误差的改进算法

传统全周傅氏算法在直接处理含有指数衰减直流分量的电力系统故障信号时会产生较大误差,针对这个问题,提出了消除其误差的改进傅氏算法.该算法基于包含衰减分量的输入信号在一个周期内积分值及采样数据的求和不为零的原理,在计算衰减分量误差的过程中不需要增加采样点和任何近似计算,就可以求出衰减直流分量对傅氏算法带来的误差及衰减参数,将衰减分量造成的误差从故障输入信号的傅氏算法结果值中减去.仿真结果表明,该算法可以获得精确的基波及各次谐波相关参数,可应用于电力系统谐波在线分析.     

基于改进核主元分析的故障检测

针对电主轴系统特点,提出基于改进核主元分析(KPCA)的故障检测方法,引入混合核函数的定义,将多项式核和径向基核的混合核方法与主元分析方法(PCA)相结合,解决采用单一核函数诊断故障时的高误诊率问题.首先对数据进行预处理,然后使用混合核函数对数据矩阵进行映射,映射到高维特征空间,使非线性数据变量变为线性数据变量,并使用PCA提取变量数据的高维空间相关特征确定主元个数,最后根据混合非线性主元特征计算出的T2和Q统计量,实现在线故障检测.该方法改进传统核函数的选取方法,充分考虑工业过程中的非线性,更精确地描述工业过程特性,可以准确、有效地检测出电主轴系统故障.对田纳西-伊斯曼(TE)过程以及电主轴系统的应用实例证明该方法的可行性.