主元分析及数据重构在过程监控中的应用

利用主元分析方法，通过矩阵运算、降低维数以提取过程变量的主要特征，实现对工艺数据的压缩，既可解决过程变量间的相关问题，同时还有清除测量噪声的效果．化工吸附分离过程监控的应用实例表明，主要过程变量可由15个缩减为6个，累积解释程度为98%．     

工业过程核概率主元模型建立及监控指标

概率主元分析(PPCA)能够根据过程变量的预测误差及其主元的白化值实现对过程的监控。但是PPCA只适合线性过程,而对非线性过程的监控效果不理想。为克服上述缺点,提出一种基于核PPCA(KPPCA)的过程监控方法,定性讨论了KPPCA模型的参数和主元个数选择问题,构造了高维空间的SPE和T2监控指标。该方法利用核函数将非线性数据映射到高维空间,去除了过程的非线性,然后利用PPCA对满足线性关系的过程变量映射值进行监控。仿真结果验证了该方法对非线性过程监控的优越性。     

一种基于改进型自适应滑动窗算法的主元分析

针对工业过程时变的特点,基于自适应滑动窗的主元分析算法由于能依据采集数据时时更新模型,因此能有效提高建模精度和诊断准确度。但是该算法的实现基于两个假设:(1)假定用于更新模型的数据是正常稳定过程中采集而得。(2)假定采集数据时序无关。由于算法没有辨识功能,极容易用携带故障信息的数据来更新系统模型,后果可想而知。据此本文提出计算相对变化量用于区分数据正常与否。实践证明大部分工业过程存在时序相关性,而滑动窗算法属于常规静态建模,因此应该考虑动态主元分析。综上,本文提出动态主元分析的关键参数——时滞参数z来计算和改进自适应滑动窗算法。最后经过仿真测试验证了辨识算法的有效性。     

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.     

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.     

基于核函数PCA的非线性过程实时监控方法

为了克服基于主元分析的过程监控方法非线性处理能力弱的缺点和降低基于非线性主元分析的过程监控方法的计算复杂度,提出了将核函数PCA监控方法用于复杂工业过程实时监控系统的开发研究,并讨论了核函数参数选择对系统性能的影响。核函数PCA能有效地提取过程变量的非线性关系,而且计算复杂度低,便于在线实施。仿真结果表明该方法是一种有前途的复杂过程非线性实时监控技术。     

基于核主元分析与支持向量机的监控诊断方法及其应用

为了及时反映密闭鼓风炉冶炼过程状态,实现对密闭鼓风炉炉况的监控与诊断,提出核主元分析和多支持向量机分类的相结合的过程监控与故障诊断方法.其原理是:首先,用核主元分析方法提取过程数据特征,建立核主元分析的监控模型;然后,将代表过程特征的核主元送入多支持向量机分类器中,利用"一对其余"算法对故障进行诊断与分类.实验结果表明,所提出的方法与传统的主元分析方法相比,整个样本集的可分性变大,分类正确率提高,能更准确地诊断炉子的各种故障,可有效地用于密闭鼓风炉冶炼过程的故障诊断.     

基于Matlab的多尺度主元分析在过程监控中应用

提出一种新的基于Matlab的多尺度主元分析方法(MSPCA)，即综合主元分析去除变量间关联、小波分析提取测量决定性特征和可去除测量自相关性的优势，用于多变量统计过程的监控，用MSPCA进行过程监控，不仅能提高侦察决定性交化的能力，而且能提高自相关测量监控的效率，同时还可以提取反常操作特征信号，算例测试表明，与普通PCA方法相比，MSPCA方法在过程监控中比较有效。     

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.     

动态核概率主元分析模型及其应用

核概率主元分析(kernel probabilistic principal component analysis,KPPCA)能够有效去除过程的非线性.但是KPPCA仅构造了生产过程的静态线性关系,处理具有较强动态特性的实际工业生产过程效果较差.为克服上述缺点,提出一种基于动态KPPCA的过程监测方法,利用核函数将经过压缩的动态增广数据映射到高维空间,然后利用PPCA对满足线性关系的过程变量映射值进行监测.仿真结果表明:该方法监测指标对故障的灵敏度高,误报率和漏检率较小,故障状况与正常状况很明显的分离开来.     

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.     

基于核函数主元分析的机械设备状态识别

研究了核函数主元分析在机械故障模式分类中的应用，通过计算原始空间的内积核函数实现原始数据空间到高维数据空间的非线性映射，再对高维数据作主元分析，求取更易于分类的核函数主元，实验表明，核函数主元分析更适于提取故障信号的非线性特征，能有效区分不同的故障模式，可以应用于机械设备的状态识别。     

基于免疫核主元分析的故障诊断方法

针对核主元分析(KPCA)中的复杂运算和故障分离问题,提出一种基于免疫核主元分析(immune-KPCA,IKPCA)的故障诊断方法.该方法使用小波变换技术对数据进行预处理,然后利用基于克隆选择原理的免疫算法对建模数据进行压缩,提取特征样本建立核矩阵以降低运算复杂程度.在IKPCA监控统计量检测到故障后,基于灵敏度分析思想构造贡献图分离故障变量.在连续搅拌反应釜(CSTR)仿真过程上的应用结果表明,本文提出的方法能够显著地降低核矩阵的计算量,比传统的PCA、KPCA方法更有效地检测过程故障,而且能够正确地识别故障变量.     

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.     

基于核函数主元分析的软测量建模方法及应用

提出了基于核函数主元分析(PCA)方法提取变量的特征信息以有效处理非线性数据，并在此基础上进行软测量建模的方法。利用该方法建立了工业萘初馏塔酚油含萘量软测量模型，工业应用结果表明了该方法的有效性和优越性。     

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。     

基于核主元分析的湿法烟气脱硫系统的故障诊断

提出一种基于核主元分析(KPCA)的故障诊断方法,通过提取集成算子与非线性核函数计算后映射到高维空间的主元成分,有效地捕捉过程变量的非线性关系.对华能福州电厂烟气脱硫过程采集的数据进行传感器完全失效、偏差等故障实验仿真,结果表明,KPCA具有很好的故障诊断能力.     

多采样率主元分析的过程故障检测

针对多采样率过程监测问题,提出了一种基于多采样率主元分析的故障检测方法.该方法构建了一种重新采样机制,直接利用多采样率数据计算模型中的协方差矩阵,充分利用了样本中的大量不完整数据信息,减小了多采样率数据带来的偏差,给出了离线建模和在线故障检测算法.分别在数值平台和Tennessee Eastman(TE)工业平台进行了仿真分析.仿真结果表明,所提出的方法更适合多采样率过程的故障检测,效果良好.     

基于小波去噪核主元分析和邻近支持向量机的性能监控和故障诊断

针对化工过程数据中包含噪声和强非线性的特点,提出了基于小波去噪核主元分析(De-ncdsed Kerntel Principal Component Analysis,DKPCA)和邻近支持向量机(Proximal SupportVector Machine,PSVM)的性能监控和故障诊断新方法.将样本数据用小波方法进行去噪处理,去除数据所包含的噪声,通过KPCA将降噪后的数据进行变换,在特征空间里构建T2和Q统计量来监测是否有故障发生;若发生故障,则计算数据的非线性主元得分向量,并将其作为PSVM的输入值,通过PSVM分类来确定故障的具体类型.流化催化裂化装置(FCCU)仿真试验验证了小波去噪的必要性和利用DKPCA-PSVM进行监控和故障诊断的有效性.     

基于核函数主元分析的SVM建模方法及应用

为有效克服线性建模方法在非线性建模方面的不足,将核函数思想引入到主元分析方法(PCA)中,有效提取实验数据中的非线性特征信息,并将其作为支持向量机(SVM)的输入变量,建立工业过程软测量模型。该方法应用于丙烯腈聚合过程中转化率的预报,结果表明:该方法的预测精度优于PCA-SVM方法和KPCA-NN方法。