基于LTSA的FS-SVDD方法及其在化工过程监控中的应用

基于支持向量数据描述(SVDD)方法的非高斯过程监控和故障诊断具有众多优点。然而在对SVDD离线建模时需要在整个训练样本集上操作,对大样本集计算量相当大,也不利于在线操作时模型的更新。对此提出一种基于特征样本的SVDD(FS-SVDD),采用特征样本提取方法用少数几个特征样本代替原始数据集进行训练,显著降低了建模复杂度。同时,针对传统的线性降维算法如主成分分析(PCA)存在的提取过程数据非线性结构能力不足的缺点,首先用局部切空间排列(LTSA)方法提取出低维子流形,进行有效的维数约减;接着在这个低维子流形上执行SVDD算法;最后,利用相应统计指标进行过程监控。在TE过程上的仿真表明上述方法的有效性。     

基于加权深度支持向量数据描述的工业过程故障检测

传统支持向量数据描述（SVDD）方法本质上采用浅层学习框架,难以有效监控非线性工业过程的复杂故障。针对此问题,提出一种基于加权深度支持向量数据描述（WDSVDD）的故障检测方法。该方法一方面在深度学习框架下重新定义SVDD优化目标函数,构建基于深度特征的深度SVDD监控模型（DSVDD）,并利用核密度估计法计算监控指标的统计控制限;另一方面,考虑到深度特征的故障敏感度差异特性,在DSVDD监控模型中设计特征加权层,分别从静态和动态信息分析角度给出权重因子的计算方法,利用权重因子突出故障敏感特征的影响以提高故障检测率。应用于一个典型化工过程的测试结果表明,所研究的方法能够比传统SVDD方法更有效地监控过程中复杂故障的发生。     

基于KSFDA-SVDD的非线性过程故障检测方法

慢特征分析(SFA)是一种无监督的线性学习算法,没有考虑过程数据的类别信息和非线性特征。针对此问题,提出一种基于核慢特征判别分析(KSFDA)和支持向量数据描述(SVDD)的非线性过程故障检测方法KSFDA-SVDD。该方法首先利用核技巧将数据从原始空间映射到高维空间,然后通过最大化正常工况数据和故障模式数据之间伪时间序列的时间变化同时最小化正常工况数据内部伪时间序列的时间变化计算判别矩阵,最后利用SVDD描述采用判别矩阵降维后的正常工况数据的分布域,构建监控统计量检测过程故障。在连续搅拌反应器(CSTR)过程上的仿真结果表明所提出方法的故障检测性能优于传统的KPCA方法。     

支持向量数据描述性能优化及其在非高斯过程监控的应用

针对传统统计过程监控假设数据服从高斯分布的不足,提出了基于混合信号模型(MSM)及支持向量数据描述(SVDD)的非高斯过程监控方法。混合信号模型中包含了高斯、非高斯信号源及过程测量噪声,给出了基于混合信号模型的过程测量变量分解方法、统计量的定义及其分布。针对非高斯信号源监控,提出了SVDD核参数化的一般形式及其优化算法。工业实际数据中的应用表明,通过SVDD核函数优化,可准确地对数据的非高斯特性进行刻画,及时地发现工业过程中出现的异常情况。     

支持向量数据描述性能优化及其在非高斯过程监控中的应用

针对传统统计过程监控假设数据服从高斯分布的不足,提出了基于混合信号模型(MSM)及支持向量数据描述(SVDD)的非高斯过程监控方法。混合信号模型中包含了高斯、非高斯信号源及过程测量噪声,给出了基于混合信号模型的过程测量变量分解方法、统计量的定义及其分布。针对非高斯信号源监控,提出了SVDD核参数化的一般形式及其优化算法。工业实际数据中的应用表明,通过SVDD核函数优化,可准确地对数据的非高斯特性进行刻画,及时地发现工业过程中出现的异常情况。     

基于ICA混合模型的多工况过程故障诊断方法

针对工业过程数据的多模态和非高斯特性,提出一种基于独立元混合模型（independent component analysis mixture model,ICAMM）的多工况过程故障诊断方法。该方法将独立元分析与贝叶斯估计结合,同时完成各个工况的数据聚类和模型参数求取,并建立基于贝叶斯框架下的集成监控统计量实时监控过程变化。在检测到故障后,针对传统的变量贡献图方法无法表征变量之间信息传递关系的缺点,提出基于信息传递贡献图的故障识别方法。该方法首先计算各变量对独立元混合模型统计量的贡献度,进一步通过最近邻传递熵描述故障变量之间的传递性,挖掘故障变量之间的因果关系,从而确定故障源变量和故障传播过程。最后对一个数值系统和连续搅拌反应釜（CSTR）过程进行仿真研究,结果验证了本文所提出方法的有效性。     

基于ICA混合模型的多工况过程故障诊断方法

针对工业过程数据的多模态和非高斯特性,提出一种基于独立元混合模型(independent component analysis mixture model,ICAMM)的多工况过程故障诊断方法。该方法将独立元分析与贝叶斯估计结合,同时完成各个工况的数据聚类和模型参数求取,并建立基于贝叶斯框架下的集成监控统计量实时监控过程变化。在检测到故障后,针对传统的变量贡献图方法无法表征变量之间信息传递关系的缺点,提出基于信息传递贡献图的故障识别方法。该方法首先计算各变量对独立元混合模型统计量的贡献度,进一步通过最近邻传递熵描述故障变量之间的传递性,挖掘故障变量之间的因果关系,从而确定故障源变量和故障传播过程。最后对一个数值系统和连续搅拌反应釜(CSTR)过程进行仿真研究,结果验证了本文所提出方法的有效性。     

一种基于改进MPCA的间歇过程监控与故障诊断方法

针对基于不同展开方式的多向主元分析(MPCA)方法在线应用时各自存在的缺陷,提出一种改进的基于变量展开的MPCA方法,实现间歇过程的在线监控与故障诊断。该方法采用随时间更新的主元协方差代替固定的主元协方差进行T²统计量的计算,充分考虑了主元得分向量的动态特性;同时引入主元显著相关变量残差统计量,避免SPE统计量的保守性,且该统计量能提供更详细的过程变化信息,对正常工况改变或过程故障引起的T²监控图变化有一定的识别能力;最后提出一种随时间变化的贡献图计算方法用于在线故障诊断。该方法和MPCA方法的监控性能在一个青霉素发酵仿真系统上进行了比较。仿真结果表明：该方法具有较好的监控性能,能及时检测出过程存在的故障,且具有一定的故障识别和诊断能力。     

一种新的多工况过程在线监测方法

针对复杂工业过程中的多工况和非高斯信息问题,提出一种基于外部分析的ICA-PCA（independent component analysis and principal component analysis）在线统计监测新方法。首先把过程变量分为外部变量和主要变量,通过偏最小二乘（PLS）回归方法分离外部变量对主要变量的影响,然后利用ICA-PCA两步信息提取策略,完整地提取过程的信息,最后用3个统计量对过程进行监测,建立了一种具有非高斯特性的多工况过程在线监测算法。通过对一个数值例子和连续搅拌槽（CSTR）过程的仿真研究,说明提出的方法是可行、有效的。     

基于流程拓扑信息的统计过程监测方法

传统数据驱动的过程监测方法主要基于历史数据和统计学知识建立,往往忽视了对过程机理的考虑。基于预测残差的过程监测方法则通过数据驱动的回归模型实现对局部过程机理的近似,在预测残差的基础上建立监测模型实现了对过程偏离更好的识别。但其建立回归模型实现对局部过程机理的近似时主要基于数据,很少考虑具体流程信息。作为流程信息的一种表现形式,流程拓扑结构常被用来提取变量间的进程与因果关系,如果在建立回归模型时结合流程的拓扑结构,则可使得所建立的回归模型中包含一定的流程信息,使其对局部机理的近似更为准确。基于此,本文提出一种基于流程拓扑信息的统计过程监测方法。该方法利用流程的拓扑结构,提取变量间的进程与因果关系,建立回归模型实现对局部过程机理的近似。在此基础上建立基于预测残差的过程监测模型,实现对过程偏离的监测。该方法被应用于某连续重整装置的过程监测中,结果表明其监测效果要优于基于主元分析和基于预测残差的过程监测方法。     

Concurrent phase partition and between‐mode statistical analysis for multimode and multiphase batch process monitoring

The exiting automatic phase partition and phase‐based process monitoring strategies are in general limited to single‐mode multiphase batch processes. In this article, a concurrent phase partition and between‐mode statistical modeling strategy (CPPBM) is proposed for online monitoring of multimode multiphase batch processes. First, the time‐varying characteristics of batch processes are concurrently analyzed across modes so that multiple sequential phases are simultaneously identified for all modes. The feature is that both time‐wise dynamics and mode‐wise variations are considered to get the consistent phase boundaries. Then within each phase, between‐mode statistical analysis is performed where one mode is chosen for the development of reference monitoring system and the relative changes from the reference mode to each alternative mode are analyzed. From the between‐mode perspective, each of the original reference monitoring subspaces, including systematic subspace and residual subspace, are further decomposed into two monitoring subspaces for each alternative mode, which reveal two kinds of between‐mode relative variations. The part which shows significant increases represents the variations that will cause alarm signals if the reference models are used to monitor the alternative modes, whereas the part that shows no increases will not issue alarms. By modeling and monitoring different types of between‐mode relative variations, the proposed CPPBM method can not only efficiently detect faults but also offer enhanced process understanding. It is illustrated with a typical multiphase batch process with multiple modes. © 2013 American Institute of Chemical Engineers AIChE J 60: 559–573, 2014     

基于LSNPE算法的化工过程故障检测

复杂化工过程通常具有多个操作模态,而且采集的数据不服从单一的高斯或非高斯分布。针对化工过程的多模态和复杂数据分布问题,将局部标准化（local standardized,LS）策略应用于邻域保持嵌入（neighborhood preserving embedding,NPE）算法,提出了一种新的基于局部标准化邻域保持嵌入（local standardized neighborhood preserving embedding,LSNPE）算法的故障检测方法。首先,使用LSNPE算法提取高维数据的低维子流形,进行维数约减,同时保持邻域结构不变。其次,通过特征空间中样本的局部离群因子（local outlier factor,LOF）构造监控统计量并确定其控制限。相较于监控多模态化工过程的多模型策略,提出的LSNPE方法不需要过程先验知识的支持,只需建立一个全局的监控模型。最后,通过数值仿真及Tennessee Eastman（TE）过程仿真研究验证了本文提出方法的有效性。     

独立元分析方法(ICA)及其在化工过程监控和故障诊断中的应用

引　言近年来 ,多元统计过程控制 (multivariatestatisti calprocesscontrol,MSPC)作为一种基于多元统计投影理论的过程性能监控和故障诊断技术受到了学术界和工业界的广泛重视 ,并在化工生产过程中得到了成功应用[1] .MSPC中 ,人们采用主元分析方法(PCA)从过程观测数据中提取统计无关主元 ,通过构造各种信息统计量对过程运行状况进行统计分析 ,判断过程运行是否偏离了正常的操作区域并诊断引起状态偏移的原因 ,其结论成立的前提是要求观测数据服从正态分布[2 ] .然而 ,实际的工业过程数据大都不满足正态分布条件 ,传统的PCA必然导致…     

Statistical process monitoring based on dissimilarity of process data

Multivariate statistical process control (MSPC) has been widely used for monitoring chemical processes with highly correlated variables. In this work, a novel statistical process monitoring method is proposed based on the idea that a change of operating condition can be detected by monitoring a distribution of process data, which reflects the corresponding operating conditions. To quantitatively evaluate the difference between two data sets, a dissimilarity index is introduced. The monitoring performance of the proposed method, referred to as DISSIM, and that of the conventional MSPC method are compared with their applications to simulated data collected from a simple 2 × 2 process and the Tennessee Eastman process. The results clearly show that the monitoring performance of DISSIM, especially dynamic DISSIM, is considerably better than that of the conventional MSPC method when a time-window size is appropriately selected.