滑动模型MPCA在间歇过程故障检测与诊断中的应用

本文针对间歇生产过程复杂非线性的特点及控制系统的实时监测要求,提出了滑动模型MPCA方法。这种方法首先将三维原始数据空间按不同测量时刻切割成一系列子数据空间,然后根据选取的模型大小将各个时间段中子数据块整合成具有相同数据结构的一系列新的子数据空间,分别建立各个子MPCA模型。滑动模型MPCA方法能够在尽可能小的时间段中监测系统运行状况,能够较好解决间歇生产过程中的非线性问题,并且更好地保证数据信息抽取的完整性。仿真实例验证了该方法的有效性。     

不同展开方法在间歇过程故障检测中的应用

间歇过程数据是一个典型的三维数据形式,数据的展开方法在一定程度上影响了所建立的统计模型的精确度。针对这一问题,提出了基于不同展开方式上的核独立元分析（KernelICA）的在线故障检测方法,并应用于青霉素生产过程的数据分析中。仿真结果表明,与传统的在批次方向展开的建模方法相比,所提出的方法大大降低了故障的漏报率,具有更好的故障检测性能。     

多尺度主元分析方法在过程监视中的应用

多尺度主元分析方法(MSPCA)将多分辨率分析(MRA)的多尺度分解数据能力和主元分析(PCA)的降低数据维数能力结合起来，为监视多个时间尺度的过程提供了强有力的工具．过程监视时，MSPCA能自动对数据滤波并调节检测控制限，使控制限最容易检测出测量变量中重要的微小变化．由于MSPCA仅能滤除随机误差，不能消除过失误差，因此，为提高统计模型的准确性，在过程监视前，首先应用PCA检测并剔除存在过失误差的数据通过实例说明MSPCA方法监视过程的优越性。     

间歇过程子阶段PCA建模和在线监测

针对间歇过程的多阶段特性, 提出一种新的子阶段主元分析 (principal component analysis, PCA) 监测方法.首先, 将间歇过程三维数据沿时间片展开, 采用模糊模式识别方法计算相邻时间片负载矩阵变量方向重心的格贴近度, 以最小贴近度为原则, 根据格贴近度的变化, 实现子阶段的划分;然后, 在划分的子阶段内采用一种先沿批次后沿变量的改进展开方式建立PCA监控模型;最后, 将该算法应用于青霉素发酵仿真系统的在线监测.结果表明该方法在监控过程中能够有效降低误报和漏报.     

MWMPCA在过程故障检测与诊断中的应用

在研究多向主元分析(MPCA——Multi-way Principal Component Analysis)理论的基础上,通过对间歇过程数据的分析研究移动窗口多向主元分析(MWMPCA——Moving Window Multi-way Principal Component Analysis)理论,并将该方法应用于TE过程进行故障检测与诊断.与MPCA方法比较,MWMPCA方法随采样的增加窗口长度不断改变,使窗口内有用的信息不断增加,所建模型更加准确,能提高监控系统的稳定性.通过对Q统计量、HotellingT2统计量的检测结果进行分析比较,证明MWMPCA理论在检测系统异常事件中能提高系统的准确性,使系统故障检测与诊断的性能得到改进.     

基于MPCA-MHMT的多阶段间歇过程监控研究

为了克服多阶段间歇过程监控只针对时间尺度从而导致误报率过高的缺陷,建立了捕捉实际测量数据的持续性和聚集性的隐马尔科夫树模型。该方法减少了信号扭曲从而更好地提取影响过程的系统变量,解决离散小波变换不具有平移不变性的问题。对展开结构进行简单的修改,把时域扩展到时间-频率域中,提取了历史数据的主要特征,对多阶段间歇过程进行了有效监控。利用提出的方法对青霉素发酵过程进行监控,验证了该方法比传统方法更为切实可行。     

基于多约束DTW的MPCA间歇过程监测方法

针对间歇过程固有的批次不等长问题,也为了克服传统解决批次间同步问题方法存在的数据浪费、扭曲原始过程变量的自相关及交叉相关关系的严重缺陷,提出基于多约束的动态时间规整(dynamic time warping,DTW)方法,按照轨迹中点与点的模式进行动态匹配解决的同步问题.同时,引入了全局路径限制和失真度阈值限制对DTW方法进行改进,解决了传统DTW方法长时间运行造成的故障监测严重滞后的问题,同时克服了其处理过程的复杂性与其离线性导致其实际应用的困难.用多向主元分析(multiway principal component analysis,MPCA)方法将多约束DTW处理过的数据进行建模.将该方法应用到青霉素发酵过程仿真实验中,结果表明:该方法能够快速准确地对不等长批次进行规整,与传统方法相比,故障的误报率、漏报率明显降低.     

基于MICA-PCA的间歇过程故障监测

针对具有数据非高斯分布或混合分布的间歇过程, 研究一种新的改进MICA-PCA监控方法.首先利用MICA方法提取非高斯分布过程信息, 通过设定负熵阈值实现独立成分个数的自动选择, 以此克服传统ICA方法中需提前确定独立成分个数的缺点, 再使用核密度估计方法确定相应统计量的置信限, 然后对服从多元高斯分布的残差过程信息, 进一步进行PCA分析和处理.将该方法应用于北京某生化制药厂重组大肠杆菌制备白介素-2发酵过程监控.结果表明:该法在过程变量不服从高斯分布的情况下能有效降低传统方法的漏报和误报率, 准确地对过程进行监控.     

多产品克隆选择算法在间歇过程调度中的应用

针对传统处理多产品多步骤多设备零等待的间歇过程调度方法(MMMSZ)只适用于求解小型问题的这一特点,构建了多产品克隆选择算法(MCSA).该算法从生产计划出发,生成较优的生产方案和各种全产品批次,并以全产品批次作为抗体,调用改进的克隆选择算法进行优化,其适用面宽,搜索空间大,能有效地处理约束,适用于规模不很大的问题.对于大规模问题,可基于周期调度策略,开发大规模多产品克隆选择算法(LMCSA),以克服维数灾难.将它们用于2个间歇调度示例,实验结果表明,2种算法能在合理的时间内给出较优解,综合性能良好.     

基于多向主元分析的多传感器故障诊断

研究一种基于MPCA的多传感器故障诊断方法．这种方法把过程测量空间分为主元子空间和残差子空间．在残差子空间，首先用Q统计指标检测出传感器是否存在故障，如果Q统计指标超限，在主元子空间应用T^2统计量和相应的T^2统计量的贡献率，识别出引起过程异常的主要传感器变量并剔除．然后用同样的方法继续判断其它的传感器故障．仿真实例验证了该方法的有效性．     

基于KPC-kNN方法的批次过程故障诊断

为克服FD-kNN算法的计算量和存储量特别大,PC-kNN主元仅仅能体现过程中线性信息的不足,提出一种基于KPC-kNN的故障诊断方法.在KPCA提取非线性信息后,在核主元空间里应用kNN算法,计算k个最近样本的距离平方和作为统计指标,使用核密度估计方法计算训练空间的控制限.半导体工业实例的实验结果验证了所提方法的有效性.     

基于多方向主元分析方法的间歇过程性能监视和故障诊断

将多方向主元分析（ＭＰＣＡ）技术应用于间歇生产过程的建模、过程性能监视和故障诊断,ＭＰＣＡ方法唯一需要的信息是过去成功间歇过程数据集合。作为一种有效的数据压缩和信息提取方法,ＭＰＣＡ方法大大降低数据空间结构的维数,消除变量之间的关联性,去除噪声,提高监视系统的鲁棒性,本文针对半导体生产过程中快速热退火间歇过程进行仿真实验研究。仿真结果表明：ＭＰＣＡ方法能够有效地监视间歇过程性能,及时准确诊断引起产     

一种改进的间歇过程故障诊断方法

针对单一故障诊断方法对间歇过程故障诊断效率和准确率低的缺点,提出将快速独立主元分析(FastICA)与递推最小二乘支持向量机(RLSSVM)相结合的集合型故障诊断方法 FastICA-RLSSVM。利用FastICA对非高斯间歇过程数据快速提取特征分量,通过RLSSVM对该时变过程进行快速分类。为验证该方法的有效性,将该方法应用于青霉素发酵过程故障诊断,并与提升小波—递推最小二乘支持向量机(LW-RLSSVM)方法进行对比分析,实验结果证明FastICA-RLSSVM诊断间歇过程故障准确率高,适应性好,分类效果稳定。     

非线性PCA方法在间歇过程性能监视和故障诊断中的应用

针对间歇生产过程的特点,基于多方向主元分析方法（ＭＰＣＡ）和非线性理论,提出具有实时性的非线性最小窗口ＰＣＡ方法,分析复杂非线性间歇过程的性能,诊断异常事件的原因,讨论最小窗口ＰＣＡ方法的建模方法,过程性能监视和故障诊断基本原理,仿真实例验证该方法的有效性,最小窗口ＰＣＡ方法突破ＭＰＣＡＹ一性化的建模方式,创新性地构造了适合间歇生产过程特点的多模型结构非线性建模方法,并侧重于在线间歇过程性能监视和     

基于MICA-OCSVM的间歇过程故障监测

针对多向独立成分分析 (multi-way independent component analysis, MICA) 需要假设过程变量服从非高斯分布的要求, 以及MICA基于马氏距离构造的监控统计量会导致故障检测率降低的问题, 研究了一种将多向独立成分分析与单类支持向量机 (one-class support vector machines, OCSVM) 相结合的MICA-OCSVM监测方法.首先采用MICA提取间歇过程所有批次的独立成分;然后分别对每个时刻的所有批次的独立成分进行OCSVM建模, 利用确定的决策超平面构造非线性的监控统计量;最后计算所有建模数据的监控统计量, 并利用核密度估计确定相应的控制限.将该方法应用到青霉素发酵过程仿真平台, 实验结果表明:该方法相比于传统的MICA故障监测方法, 无需考虑过程变量服从何种分布, 能够有效利用独立成分的结构信息, 故障的误报率、漏报率明显降低.     

M2M业务批量到达排队系统性能分析

针对M2M（Machine to Machine）业务的大规模应用给当前移动通信网络的QoS带来的冲击和影响问题,采用IBP（Interrupt Bernoulli Process）建模M2M业务的到达过程,业务以批量的形式到达,建立并求解了离散时间系统排队模型IBP/Geom/1/K。区别于传统的IBP模型,该模型每次到达的不是一个,而是一批。采用具有不同突发度的数学模型表征M2M业务每批到达的数量,在概率空间上求解队长的稳态概率,进而得到系统的吞吐量和丢包率等性能指标,并与相同排队强度下M2M业务单个到达时的性能进行对比。实验结果表明,每批到达包数的突发度越大,系统的性能越差;在相同排队强度下,批量到达排队模型的性能对比单个到达情况下的系统性能差;对时延容忍的M2M小数据业务,以时延增加为代价增大缓存可以有效提高吞吐量、降低阻塞率。