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.     

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。     

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.     

基于SPA间歇过程故障诊断的MKNPE算法

非线性特性是工业过程的显著特性,特别是间歇过程有着更强的非线性,而且传统方法只是对数据的协方差矩阵进行分解,忽略数据高阶统计量信息,从而无法充分提取非线性过程的有效信息导致诊断效果不佳.针对以上问题,提出了基于统计量的多向核邻域保持嵌入算法.该算法首先引入统计量模式分析方法(SPA)将样本数据投影到统计量样本空间中,可以更充分地提取非线性数据的高阶统计量信息;然后在统计量空间中通过核函数将统计量样本映射到高维核空间,用以解决数据的非线性;最后在高维核空间中应用邻域保持嵌入算法充分提取数据的局部结构来对间歇过程进行监控,检测到过程故障后用变量贡献图法诊断出故障变量.通过青霉素发酵过程验证了该算法对强非线性的间歇过程故障诊断是有效的.     

基于DDNPE算法的间歇过程故障诊断

针对邻域保持嵌入(NPE)算法只通过欧氏距离挑选近邻带来的特征提取不充分导致故障诊断效果不佳的问题,将扩散距离(DD)与NPE算法相结合,提出了一种基于扩散距离的邻域保持嵌入(DDNPE)算法的故障诊断新方法.该方法首先发掘嵌入在原始高维数据的内在流行结构,进行数据降维,然后通过学习原始数据的潜在几何结构提取本征信息,并保持数据流行上的局部结构不变,避免了NPE算法只通过欧式距离挑选邻域带来的特征提取不充分的问题,最后利用T²和SPE统计量检测故障,并用变量贡献图法诊断出故障变量.通过青霉素发酵过程仿真结果验证了所提方法的有效性.     

基于四元数理论与流形学习的多通道机械故障信号分类方法

提出一种基于增广四元数矩阵奇异值分解与流形学习正交邻域保持嵌入算法的多通道机械故障信号分类方法,通过引入四元数来耦合4个通道信号,并且利用四元数乘方的性质对数据进行增广处理,充分利用各通道信息并挖掘通道之间的相关性,从而减少因故障特征信息丢失对分类结果的影响。此外,针对传统奇异谱分析提取特征参数的分类效果受噪声影响较大的问题,引入正交邻域保持嵌入算法对奇异值序列进行维数约简,最后使用分类器完成故障分类。对仿真信号的分类结果表明,在强噪声背景下,相较于单通道奇异谱分析方法和机械故障信号中常用的排列熵方法,本文提出的方法分类效果更好。将其应用于更为复杂的实测轴承故障信号的分类与识别中,同样有着较好的效果。     

基于判别信息的近邻保持嵌入降维方法

针对传统近邻保持嵌入算法(NPE)侧重保持样本的局部结构,而没有考虑样本类别信息的不足,提出判别局部近邻保持嵌入算法DLNPE.该算法利用样本点的局部结构构造新定义下的类内类间散布矩阵,并以此作为判别信息引入目标函数.在6个真实数据上进行实验,证明了所提算法的有效性.     

一种改进的离群点检测方法

现有的离群点检测算法运用于规模较大的数据集时,其时间效率和检测效果通常不够理想.通过对离群点分布特征的分析,在计算每个数据点到其kth最近邻对象距离的同时,结合其k最近邻的分布情况,给出一种改进的离群点度量方法.基于上述思想构造的离群点检测算法DokOF能够处理混合属性数据.实验表明,该算法具有良好的适用性和有效性.     

基于动态加权差分主成分分析的故障检测

针对工业过程中存在的动态特性和多模态特性问题,提出一种动态加权差分主成分分析法(dynamic weighted differential principal component analysis,DWDPCA)。首先通过设置合理的时间窗描述系统的时序特性;其次对时间窗内的样本寻找第一近邻和第一近邻的近邻集,使用加权差分法对数据进行处理,解决数据中心漂移问题;最后利用处理好的数据建立主成分分析(principal component analysis,PCA)模型进行故障检测。该方法可解决数据动态、中心漂移问题。使用该方法对数值例子和TE(tennessee eastman)过程进行故障检测验证所提出方法的有效性。     

大规模数据集聚类的K邻近均匀抽样数据预处理算法

为解决基于密度的聚类算法处理大规模数据集效率低和存储开销大的问题, 提出一种分片的基于K邻近关系的空间均匀抽样算法作为聚类应用的数据预处理过程, 将数据集分片,按密度降序方式去除数据集中部分样本的K邻居, 将剩余样本作为抽样样本, 在保证精度的同时, 可以降低数据规模, 提升计算效率. 实验结果表明, 在数据规模较大且保证聚类结果准确性的前提下, 通过降低聚类数据规模, 可以有效提升聚类效率.     

一种基于无人机影像的高精地图车道线检测与提取方法

高精度地图是实现自动驾驶技术必不可少的基础设施,车道线是高精度地图车道级路网的重要组成部分。以往高精度地图的车道线检测多基于车载摄像头数据,存在成像范围有限、需要透视变换和多次拼接造成的效率问题。基于无人机航拍影像,采用U-Net网络识别道路区域,过滤非道路区域噪声,通过HSL颜色变换和Sobel算子分别计算车道线颜色和边缘梯度特征,使用Otsu算法自动确定特征分割阈值获得二值化车道线特征图,通过局部最大值算法确定滑动窗口的初始位置,最后借助滑动窗口算法和多项式检测拟合车道线。实验结果表明,在保证一定检测精度的前提下,单条车道线检测长度超过了百米,道路检测效率达到25.2 m/s,对比于地面影像的检测算法具有明显的效率优势。     

基于流形弯曲度的有序自适应邻域选择算法

针对传统邻域选择方法不能根据流形样本密度和弯曲度合理选择邻域的缺点,提出了一种有序自适应的邻域选择算法.该算法从流形上曲率最小的点开始,以宽度优先的次序不断地处理每个点.对搜索到的数据点,基于流形结构的局部线性特性,利用已有的邻域信息估算其局部切空间,然后通过其邻域边在切空间的投影自适应地选择合适的邻域.实验结果表明:该算法应用于Isomap后,对不同结构的数据集嵌入结果更准确.