基于MAGMM-KECA的间歇过程故障诊断方法

对具有多阶段操作特性的间歇过程进行建模时,往往忽略了不同阶段间的差异性,没有考虑阶段间的相关特性和过渡特性,影响了过程监控的精确性.针对此问题,提出了多方向自适应高斯混合模型-核熵成分分析(multiple adaptive Gaussian mixture model-Kernel entropy component analysis,MAGMM-KECA)算法,该算法无需先验知识,在自动获取不同阶段高斯模型信息的同时对多阶段进行自适应柔性划分,得到更加精确的高斯模型,解决阶段间的相关特性和过渡特性;再利用KECA处理非线性、高维数据的优越性,分别对不同阶段进行建模,引入CS(Cauchy-Schwarz)统计量对故障进行监控,检测到故障后用贡献图方法诊断出故障变量.通过青霉素发酵过程进行了验证,结果表明所提算法比MPCA、MKPCA算法具有更好的故障诊断精度.     

基于FRICA算法的非高斯过程故障检测方法

独立元分析(ICA)是一种有效的非高斯过程故障检测方法,但其建模过程仅仅使用正常工况数据,忽视了对先验故障工况数据的利用.针对此问题,提出了一种基于故障相关ICA(FRICA)算法的故障检测方法.该方法使用ICA算法提取正常工况数据中的非高斯特征成分;再将正常工况数据集和先验故障工况数据集融合在一起构成多工况数据集,利用非局部保持投影进行二次特征提取,获得故障判别成分;在两种特征成分的基础上构造新的监控统计量,并利用核密度估计得到相应的置信限,完成对实时数据的监控.连续搅拌反应釜(CSTR)系统的监控仿真结果表明:与基本ICA方法相比,FRICA方法能更有效地检测出过程故障.     

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。     

基于WMNPE间歇过程监测的改进SVDD算法

间歇过程数据包含表征过程变化的相关信息和非相关信息,并且呈现高斯与非高斯的多分布等特点.为了更加充分地提取数据的有用信息和处理数据的非高斯性等问题,实现有效的过程监控,提出一种基于WMNPE间歇过程监测的改进SVDD算法.首先运用多向邻域保持嵌入(MNPE)算法来提取低维子流形以实现降维;再使用概率权值策略来提取表征过程变化的相关信息,通过Greedy方法提取低维子流形的特征样本;最后以支持向量数据描述(SVDD)方法建立监控模型进行监控.通过青霉素发酵过程仿真平台验证了所提算法的有效性.     

间歇过程在线检测的核独立元分析及局部建模方法

针对间歇过程所具有的非线性特点,提出了一种基于核独立元分析(Kernel ICA)及局部建模的在线故障检测策略.将展开的高维历史数据按时间间隔划分,应用Kernel ICA算法对每一个时间间隔点的分数据块提取独立主成分,构造检测统计量,并用非参数估计方法确定其控制限.这种建模方法机理简单,而且不需要预测过程未知的测量数据.通过对DuPont间歇聚合过程的仿真,验证了所提出方法的有效性和准确性.     

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。     

基于相似性度量的MWSVDD非高斯间歇过程监控

针对间歇过程的非线性、多阶段、过程变量的高斯和非高斯混合分布问题,提出了基于相似性度量的多向加权支持向量数据描述(similarity measure-MWSVDD, SmMWSVDD)算法.该算法首先考虑了阶段间的相似性,将多阶段过程分为稳定阶段和过渡阶段;然后在高维核空间定义了一种新的核相似度权重,对支持向量数据描述(SVDD)建模得到的所有半径进行均衡考虑,克服了SVDD构建控制限的缺陷;通过D检验法将混合分布变量分为高斯分布和非高斯分布变量,并分别用多向核主成分分析(MKPCA)和改进的SVDD进行建模监控;最后通过贝叶斯推断在每个阶段集成各自统一的监控量.通过青霉素发酵实验平台进行验证,结果表明,所提算法比MKPCA和SVDD算法的误报率平均降低了20.21%和漏报率平均降低了10.27%,对多阶段和混合分布的间歇过程监控更加有效.     

基于ICA-PCA和Lasso的过程故障诊断

为了解决复杂工业过程中变量多,难以判断引起故障的主要异常变量的问题,提出一种基于ICA-PCA(独立成分分析和主成分分析)算法和Lasso(最小绝对收缩和选择算子)回归算法的过程故障检测与诊断的集成模型.首先,建立ICA-PCA模型提取数据的高斯信号和非高斯信号,构造相关统计量实现在线故障检测;然后,基于ICA-PCA模型获得的过程状态及故障信息,进一步构造基于Lasso回归算法的故障诊断模型,实现故障发生时的主要异常变量的定位和选择;最后,利用Matlab进行了TE(田纳西-伊斯曼)过程的数值仿真实验,并与已有故障诊断方法分布式PCA贡献图法进行比较,结果表明所提出的方法是有效的.     

基于多阶段多核支持向量数据描述的间歇过程监控方法

针对间歇过程数据的多阶段特性及复杂非线性特性,提出一种基于多阶段多核支持向量数据描述(MPMK-SVDD)的间歇过程故障检测方法。为充分挖掘间歇过程数据的多阶段信息,首先提出一种基于互信息相似矩阵的改进谱聚类方法,解决间歇过程数据集的多阶段划分问题。进一步考虑到单一核函数难以充分描述过程数据的复杂非线性问题,设计一种基于多重核函数和核参数的SVDD监控模型,并通过贝叶斯推理构造全局监测统计量,以实现过程故障的有效监控。以青霉素发酵过程为仿真研究对象,验证方法的有效性。结果表明,提出的方法比传统的SVDD方法能更有效地检测过程故障,具有更高的故障检出率。     

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...     

基于AMWPSO-LSTM的多阶段间歇过程故障预测

过程安全对于间歇过程生产具有重要意义,为提高间歇过程生产安全性,提出一种基于改进粒子群算法(AMWPSO)优化长短期记忆网络(LSTM)的间歇过程故障预测模型AMWPSO-LSTM。针对LSTM中的神经元个数、迭代次数、学习率等参数需要人为设置的问题,采用AMWPSO对这些参数进行自动寻优。AMWPSO在原有粒子群优化算法(PSO)中融入了自适应变异和非线性递减惯性权重,提高了PSO的参数寻优能力。由于间歇过程具有多阶段性,因此先根据模糊C均值聚类(FCM)方法对间歇过程进行阶段划分,再利用Pearson相关系数对各阶段实验数据进行相关性分析,以降低系统变量的维数,并建立各阶段T²统计量控制限作为系统是否发生故障的指标。实验以青霉素发酵过程数据为例,建立基于AMWPSO-LSTM 的多阶段故障预测模型,并将该模型的预测结果与基于LSTM的多阶段预测模型、基于PSO-LSTM的多阶段预测模型的预测结果进行比较,结果表明,基于AMWPSO-LSTM 的多阶段故障预测模型可取得较高的预测准确度。     

基于AMWPSO-LSTM的多阶段间歇过程故障预测

过程安全对于间歇过程生产具有重要意义，为提高间歇过程生产安全性，提出一种基于改进粒子群算法(AMWPSO)优化长短期记忆网络(LSTM)的间歇过程故障预测模型AMWPSO-LSTM。针对LSTM中的神经元个数、迭代次数、学习率等参数需要人为设置的问题，采用AMWPSO对这些参数进行自动寻优。AMWPSO在原有粒子群优化算法(PSO)中融入了自适应变异和非线性递减惯性权重，提高了PSO的参数寻优能力。由于间歇过程具有多阶段性，因此先根据模糊C均值聚类(FCM)方法对间歇过程进行阶段划分，再利用Pearson相关系数对各阶段实验数据进行相关性分析，以降低系统变量的维数，并建立各阶段T²统计量控制限作为系统是否发生故障的指标。实验以青霉素发酵过程数据为例，建立基于AMWPSO-LSTM 的多阶段故障预测模型，并将该模型的预测结果与基于LSTM的多阶段预测模型、基于PSO-LSTM的多阶段预测模型的预测结果进行比较，结果表明，基于AMWPSO-LSTM 的多阶段故障预测模型可取得较高的预测准确度。     

基于MSPM的故障诊断技术研究现状与展望

首先,阐述基于主元分析(PCA)模型、偏最小二乘法(PLS)模型和独立分量分析(ICA)模型的统计过程监控方法的基本思想及应用情况,并综述各种方法的研究现状及发展趋势.其次,介绍将传统统计过程监控技术与故障预测技术相结合,并实现基于多元统计过程监控(MSPM)的故障预测的方法及其研究成果.最后,分别就多元故障预测技术中出现的非高斯、非线性、多模态、概率分布、间歇过程的故障预测和应用验证等6个难点问题进行讨论.     

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。     

一种新的间歇过程故障检测方法

针对间歇过程的多阶段问题,提出了一种新的划分阶段策略,可以将多阶段的数据进行准确的聚类,得到精确的阶段数目,避免陷入局部最优,提高了建模精度和故障检测准确度。首先采用不同展开方法相结合的方式对三维的间歇过程数据进行处理,消除了数据预估问题;其次结合图划分准则利用谱聚类方法将处理后的数据进行准确的阶段划分,并运用PCA建模方法分别对每一类进行建模;最后通过合适的模型对数据进行在线监控。通过青霉素仿真过程验证了本文方法的有效性。     

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.     

基于时序扩展的邻域保持嵌入算法及其在故障检测中的应用

针对动态自相关数据的特征提取和降维问题,提出了一种基于时序扩展的邻域保持嵌入(TNPE)的故障检测方法。针对邻域保持嵌入算法的不足,构建了新的优化目标,在构建局部空间结构特征的基础上,同时提取了数据随时间变化的动态特征。使得投影得到的低维空间不仅和原始变量空间具有相似的空间局部近邻结构,而且具有相似的时序动态结构,因而包含了更多的特征信息。在此基础上,利用TNPE算法将原始过程数据划分为特征空间和残差空间,并分别建立T2和SPE统计量实现工业过程监测。通过对Tennessee Eastman(TE)过程的仿真研究,验证了TNPE算法有效性可行性,并显示出了优越的故障检测能力。     

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。