基于CHMM的TE过程在线故障检测

随着工业过程的规模和复杂程度的增加,对于过程安全性和可靠性的要求进一步提高.为了准确及时地检测设备故障,提出了一种基于连续隐马尔可夫模型(CHMM)的在线故障检测方法.采用主元分析(PCA)方法对过程变量数据进行特征提取,利用变长度滑动窗口技术跟踪动态数据,并提出了一个新的实时统计量作为在线故障检测的量化指标,结合实时阈值实现了CHMM的在线故障检测.将该方法应用于田纳西-伊斯曼(TE)化工过程,并与基于PCA和动态主元分析(DPCA)方法的故障检测结果进行比较,能够较准确地检测到故障,验证了该方法的有效性.     

基于递推规范变量分析的时变过程故障检测

由于规范变量分析(CVA)不适应过程的时变特性,容易把正常的过程改变识别为故障.因此,针对时变过程提出一种故障检测方法是十分必要的.采用指数权重滑动平均来更新过去观测矢量的协方差矩阵.递推CVA有较高的计算负荷是需要解决的关键问题.通过引入一阶干扰理论来递推更新Hankel矩阵的奇异值分解(SVD).与普通奇异值分解相比,显著降低了递推算法的计算负荷.将提出的基于一阶干扰理论的递推规范变量分析(RCVA-FOP)应用于田纳西伊斯曼化工过程中.仿真结果表明,所提出方法不仅能有效适应过程的时变特性,而且可以有效检测到两种类型的故障.     

一种面向网络行为因果关联的攻击检测方法

为了能在攻击目标受损之前检测到攻击事件,提出了面向网络行为因果关联的攻击检测方法.该方法基于SNMP管理信息库数据,根据攻击目标的异常行为,首先利用Granger因果关联检验(GCT)从检测变量中挖掘出与异常变量存在整体行为关联的基本攻击变量,然后针对异常行为特征再次利用GCT从基本攻击变量中挖掘出与异常变量存在局部行为关联的攻击变量,最后根据攻击变量和异常变量之间的因果关系,构建面向攻击方检测的攻击关联规则.在Trin00 UDPFlood检测实验中,所提方法成功挖掘出攻击变量udpOutDatagram,取得了满意的检测效果.实验结果表明,该方法能够在攻击方检测到攻击事件,为及时阻止攻击过程向攻击目标进一步扩散提供预警.     

可变窗自适应核主元分析的化工过程故障诊断算法

针对核主元分析法(KPCA)处理非线性时变化工过程故障诊断易产生误报的问题,提出一种基于可变窗技术的快速自适应核主元分析(AKPCA)故障诊断算法.该算法在过程监控中当大量的数据块来临时,分别对KPCA模型进行迭代更新和复旧处理,通过计算SPE和T2统计量来调节滑动窗的尺寸,从而实现KPCA模型的进一步更新,克服了传统的自适应KPCA方法只能够处理某个时刻的一个观察点数据的缺点,能够有效地排除异常样本影响,从而提高时变过程性能检测的准确性.将该方法应用于酮苯脱蜡过程的监控中.与KPCA、滑动窗KPCA(MWKP-CA)的监测性能进行比较,仿真结果表明该方法能够很好地降低过程故障的误报率,对非线性时变的化工过程具有更可靠的检测性能.     

改进PCA方法在化工过程中的故障诊断研究

为了使化工生产中复杂系统的故障判断更加精准、更加有说服力,采集系统正常工作和故障状态时的数据,运用改进的主元分析(PCA)算法判断系统是否有故障产生。改进的主元分析算法是在传统主元分析的基础上将平方预测误差SPE统计量分化成与主元显著关联的检测变量残差(PVR)统计量和其余一般变量残差(CVR)统计量,再与Hotelling’s T2统计量相配合进行系统故障的判断,使检测到的结果更加精准,生产过程更加安全。将此改进的主元分析方法运用到田纳西—伊斯曼过程中,仿真结果验证了该方法可以有效识别系统处于正常工况状态还是故障状态,是一种系统故障分析和诊断的有效方法。     

基于局部近邻标准化和主多项式算法的故障检测

针对工业过程的非线性和多模态特征,提出了一种基于局部近邻标准化(local neighborhood standard ization,LNS)和主多项式分析(principal polynomial analysis,PPA)结合的故障检测算法。首先,将样本数据通过局部近邻标准化(local neighbor standardization,LNS)算法,对每个样本构建k近邻数据集;然后应用k近邻数据集的均值和方差对当前样本进行标准化处理;最后使用PPA对已经标准化处理后的样本建模,计算出T2和SPE统计量,并确定控制限进行故障检测。LNS算法能够去除数据中的多模态特征,而PPA算法能够有效的处理非线性数据,因此LNS-PPA方法能够提高具有多模态非线性特征的工业过程故障检测能力。将该方法应用于多模态非线性数值例子和田纳西伊斯曼(TE)化工过程,并将测试结果与主元分析法(principal component analysis,PCA)、主多项式分析法进行对比,其结果能够有效验证LNS-PPA的优越性。     

动态可调主元分析的多元自相关质量控制方法

为解决在复杂产品制造过程中由多元质量数据自相关引起的大量虚发报警问题,以提高产品制造过程中监测的准确性,提出了一种动态可调的主元分析(DRPCA)方法.通过对主元分析方法引入折息因子,构建了多个参数可调的动态主元分析(PCA)算法.利用实验数据计算各变量的特征值和贡献率,来确定主元个数,降低多元自相关过程的计算复杂度,消除数据间的自相关.根据计算的各变量的每个主元负荷值来确定主导变量,结合多变量控制图和主导变量控制图,对多元自相关制造过程进行了实时监测.研究结果表明:DRPCA方法不仅能够消除数据间的自相关,减少制造过程中的虚发报警,而且可以准确地检测出制造过程中的异常变量.     

基于因果关系的列控系统模型约简方法

在基于安全需求对验证问题进行投影的方法基础上,针对投影出的验证子问题,提出了基于因果关系的变量约简方法,定义了环境变量间的因果关系,归纳出基本的因果关系组合,并提炼出变量约简规则,通过变量约减减少了验证问题的状态空间.采用国内某地铁线路的相关数据进行建模和验证,结果表明,该方法能够有效降低系统验证复杂度.     

基于邻域保持嵌入的主多项式非线性过程故障检测

针对化工过程的变量数据维数高、非线性的问题,提出基于邻域保持嵌入(NPE)-主多项式分析(PPA)的过程故障检测算法.应用NPE算法提取高维数据的低维子流形,能够解决传统的线性降维算法不能提取局部结构信息的问题,对维数进行约减.利用PPA法时,使用一组灵活的主多项式分量来描述数据,能够有效地捕捉过程数据中固有的非线性结构.在降维后的流形空间进行主多项式分析并建立Hotelling’s T~2和平方预测误差统计量模型,同时确定控制限以进行故障检测.最后,通过一组非线性数值实例和Tennessee Eastman化工过程数据,将NPE-PPA算法与传统的核主元分析法、PPA法进行对比分析,验证所提算法的有效性及优越性.     

时序环境中概率因果关系的定性表示及融合

 时序数据库各时间片的数据中蕴含着概率因果关系,多时间片概率因果关系的融合可为时态环境中因果关系的综合分析、全局考虑、决策支持及趋势预测等提供科学的依据,该文研究多时间片内同一变量集上概率因果关系的定性表示及融合.首先将各时间片的贝叶斯网(BN)抽象为定性概率网(QPN),以定性的方式高效、简洁地表示各时间片数据中蕴含的概率因果关系.然后,基于BN的推理方法及时序环境中的马尔可夫假设,构造多时间片QPN的一致表示,从而解决各时间片QPN的结构融合问题.基于证据叠加和QPN中定性影响加权的基本思想,给出基于区间值的QPN定性影响量化及相应的定性影响叠加方法,从而解决各时间片QPN的参数融合问题.实验结果表明所提出方法的可行性.     

KPCA-KPLS方法在pH中和过程建模中的应用

针对化工过程中的具有严重非线性、不确定性、时变性的复杂pH中和过程系统建模问题,提出一种基于核主元分析(KPCA)与核偏最小二乘(KPLS)相结合的建模方法.在高维特征空间内,该方法通过KPCA有效地提取输入数据的非线性主元,利用KPLS方法将输入变量投影在潜在变量上,再用输入与输出变量之间的协方差信息提取潜在特征建立pH中和过程模型.为验证其有效性,将KPCA-KPLS方法应用到弱酸强碱中和过程、强酸强碱中和过程实例中,并与核偏最小二乘、核主元分析_支持向量机(KPCA-SVM)、核极限学习机(KELM)、极限学习机(ELM)、最小二乘支持向量机(LSSVM)、SVM等方法进行比较.实验结果表明:KPCA-KPLS方法具有很高的动态建模精度.     

基于动态结构保持主元分析的故障检测方法

为充分利用表征过程运行工况的数据特征信息,提高化工过程的故障检测性能,提出一种基于动态结构保持主元分析(DSPPCA)的过程故障检测方法。首先对原始数据采用变量相关性分析建立自回归模型,构建包含动态特征的数据集,进一步综合考虑主元分析法(PCA)和局部线性嵌入(LLE)流形学习算法中数据点之间的近邻关系,融合得出新的目标函数,同时,运用局部线性回归的方法获得高维样本的嵌入映射,特征提取后在特征空间和残差空间分别构造监控统计量进行故障检测。Swiss-roll数据集的降维结果及TE过程的仿真研究结果表明,DSPPCA算法可以取得较好的特征提取效果,具有较高的故障检测性能。     

基于LASSO回归的R-vine copula模型构建及其在化工过程故障检测中的应用

Vine copula模型在描述高维数据间的非线性、非高斯特性相依关系问题上提供了一种新的思路，在化工过程建模领域受到越来越多关注。笔者将LASSO(least absolute shrinkage and selection operator)回归引入R-vine copula(LASSO-R-vine copula, LRVC),根据变量间联系的强弱程度确定变量在R-vine矩阵中的位置，利用回归分析正则化路径选择R-vine copula矩阵结构，遵循R-vine矩阵构建规则和回归过程确定R-vine结构矩阵模型，以获得一个与变量独立性有关的稀疏矩阵模型。该方法构建的矩阵结构独立于copula函数类型和参数，在处理高维度复杂工业过程数据时，利用稀疏模型和惩罚力度简化copula函数类型选择过程，缩短了建模时间，使统计建模具有更强的灵活性。该方法在TE(Tennessee Eastman)和醋酸脱水过程故障监测中表现出较好的预测效果，证明了提出的方法在非线性、非高斯过程的有效性。     

基于对数变换和最大信息系数PCA的过程监测

主元分析(principal component analysis,PCA)被广泛应用于工业生产过程监测。PCA假设数据服从高斯分布且协方差矩阵仅能评估变量间的线性关系,无法衡量变量间非线性依赖程度。基于此,提出了一种基于对数变换和最大信息系数(maximal information coefficient,MIC)PCA的过程监测方法。首先,应用对数变换对过程数据进行变换,在一定程度上改善数据分布。然后,采用可以度量变量间的非线性相关性的MIC矩阵替换协方差矩阵,从而改善对非线性非高斯过程的监测效果。最后通过在田纳西-伊斯曼过程(tennessee eastman process,TE)仿真研究验证了该方法的可行性和有效性。     

带有SEM约束锥的DEA模型及在建筑业效率中的应用

在对数据包分析(DEA)模型发展历程回顾的基础上,为了提高投入、产出指标选取以及权重确定的客观性,解决投入、产出指标存在隐变量以及测量指标间存在关联性或因果关系等问题,引入结构议程模型(SEM)约束锥,提出带有SEM约束锥的DEA模型.该模型利用SEM对原因变量和结果变量进行回归分析,客观确定指标权重,进而利用SEM方法对DEA模型权重的选择加以限制.利用该模型对中国区域建筑产业竞争效率进行实证分析结果表明,通过该模型缩小了分析结果与实际状况之间的偏差,同时提高了分析的精度.     

二进制量子粒子群优化算法及其在化工过程故障诊断中的应用

针对实际化工生产过程中故障数据缺乏,采用适合小样本问题的支持向量机(SVM)对化工过程稳态故障进行诊断。为了保证在线故障诊断的实时性,消除高维监控数据以及系统噪声对故障诊断的干扰,提出了一种新的基于二进制量子粒子群优化(BQPSO)算法和SVM的故障特征选择方法。仿真实验表明:BQPSO算法具有良好的全局搜索能力,能够快速、准确地搜索到故障特征变量;而基于特征选择的SVM故障诊断方法能可靠地实现对复杂化工过程的在线故障诊断。     

基于混合DBN的海上编队通信链路威胁估计

针对海上编队通信链路威胁估计涉及因素多、知识表示与推理存在不确定性等问题,分析了海上编队通信链路威胁要素,依据要素间因果关系建立了通信链路威胁估计的混合动态贝叶斯网络(DBN)模型,提出了混合DBN模型中连续型网络节点变量的学习方法。仿真分析证实了该方法的有效性和可操作性。     

湿式球磨机筒体振动信号分析及负荷软测量

针对磨矿过程的磨机负荷(ML)难以有效检测,球磨机常运行在欠负荷状态,造成该过程难以实现优化控制和节能降耗的难题,通过综合分析球磨机筒体振动的产生机理、不同研磨条件下振动信号的功率谱密度(PSD)及ML参数与PSD各频段的相关性,提出了采用料球比、浓度及充填率三个负荷参数对ML进行软测量建模的方法.该方法首先将振动加速度的时域信号通过傅立叶变换至频域,然后采用主元分析法(PCA)对振动频谱数据的低、中、高三个频段分别进行降维和特征谱变量的提取,最后利用最小二乘支持向量机(LSSVM)实现特征谱变量与ML参数间的非线性映射.实验结果表明,该算法能够有效地提取频谱变量的谱特征,并具有较高的估计精度.     

基于PSR和SVM方法的化工过程单变量故障诊断

基于相空间重构(SPR)和支持向量机(SVM)算法本文提出了一种利用单一变量进行化工过程故障诊断的方法。首先进行变量筛选,然后对筛选出的关键变量进行相空间重构,再利用SVM对重构后的数据进行故障分类。通过对TE(Tennessee Eastman)过程几类故障进行仿真测试,结果表明在单一故障和多故障情况下,本方法均可实现化工过程的单变量故障诊断;与传统SVW方法相比,相空间重构可有效提高诊断正确率。此方法可为建立简单而有效的单变量故障诊断系统提供理论依据。     

响应面优化算法在被动式低能耗建筑设计中的应用

被动式低能耗建筑设计过程计算量大,涉及变量多,不同变量间关系错综复杂,传统方法无法获取复杂变量的最优解集,不能保证被动式低能耗建筑设计不同目标函数达到最优。为此,将响应面优化算法应用于被动式低能耗建筑设计中。将最大化舒适度、最小化耗能率作为被动式低能耗建筑设计的目标函数。通过拉丁超立方实验设计方法,获取被动式低能耗建筑设计优化问题的设计空间;在设计空间中随机抽样。在此基础上,通过最小二乘法拟合建立响应面模型。利用遗传方法对拟合响应面模型进行改进和更新处理,直至达到收敛,保证被动式低能耗建筑设计达到低能耗率、高舒适性的目的。实验结果表明,响应面拟合准确性高,将响应面优化算法应用于被动式低能耗建筑设计中,发现其能够有效降低能耗,提高舒适性,和其他方法相比有更好的优化结果。