基于改进的局部近邻标准化和kNN的多阶段过程故障检测

针对多阶段过程数据具有多中心和各工序结构不同的特征问题,提出了一种基于改进的局部近邻标准化和k近邻的故障检测（ILNS-kNN）方法。首先寻找样本的前k个近邻样本的前K局部近邻集;其次使用局部近邻集的均值和标准差来标准化样本,获得标准样本;最后在标准样本集上计算样本的累积近邻距离作为检测指标进行故障检测。改进的局部近邻标准化（ILNS）将各阶段数据的中心平移到原点,并且调整各阶段数据的离散程度,使之近似相等,从而将多阶段过程数据融合为服从单一多元高斯分布的单阶段数据。进行了青霉素发酵过程故障检测实验。实验结果表明ILNS-kNN方法对所设置的六类故障的检测率高于97%。ILNS-kNN方法在保持对一般多阶段过程故障的检测能力的同时,能够实现对阶段方差差异显著的多阶段过程故障的检测,从而更好地保证多阶段生产过程的安全性和产品的高质量。     

基于判别核主元空间k近邻的批次过程监视

针对批次过程非线性、多模态等特征,提出一种基于判别核主元k近邻（Dis-kPCkNN）的故障检测方法。首先,在核主元分析（kPCA）中,高斯核的窗宽参数依据样本类别标签在类内窗宽和类间窗宽中判别选取,使得核矩阵能有效提取数据的关联特征,保持数据的类别信息;其次,在核主元空间中引用k近邻规则代替传统的T²统计方法,k近邻规则可以有效处理主元空间非线性和多模态等特征的故障检测问题。数值模拟实例和半导体蚀刻工艺过程仿真实验表明:基于判别核主元k近邻方法可以有效地处理具有非线性和多模态结构特征的故障检测问题,提高计算的效率,减少内存的占用,并且故障检测率明显优于传统方法。     

面向非平衡类问题的k近邻分类算法

针对k近邻（kNN）方法不能很好地解决非平衡类问题,提出一种新的面向非平衡类问题的k近邻分类算法。与传统k近邻方法不同,在学习阶段,该算法首先使用划分算法（如K-Means）将多数类数据集划分为多个簇,然后将每个簇与少数类数据集合并成一个新的训练集用于训练一个k近邻模型,即该算法构建了一个包含多个k近邻模型的分类器库。在预测阶段,使用划分算法（如K-Means）从分类器库中选择一个模型用于预测样本类别。通过这种方法,提出的算法有效地保证了k近邻模型既能有效发现数据局部特征,又能充分考虑数据的非平衡性对分类器性能的影响。另外,该算法也有效地提升了k近邻的预测效率。为了进一步提高该算法的性能,将合成少数类过抽样技术（SMOTE）应用到该算法中。KEEL数据集上的实验结果表明,即使对采用随机划分策略划分的多数类数据集,所提算法也能有效地提高k近邻方法在评价指标recall、g-mean、f-measure和AUC上的泛化性能;另外,过抽样技术能进一步提高该算法在非平衡类问题上的性能,并明显优于其他高级非平衡类处理方法。     

基于局部密度的快速离群点检测算法

已有的密度离群点检测算法LOF不能适应数据分布异常情况离群点检测,INFLO算法虽引入反向k近邻点集有效地解决了数据分布异常情况的离群点检测问题,但存在需要对所有数据点不加区分地分析其k近邻和反向k近邻点集导致的效率降低问题。针对该问题,提出局部密度离群点检测算法--LDBO,引入强k近邻点和弱k近邻点概念,通过分析邻近数据点的离群相关性,对数据点区别对待;并提出数据点离群性预判断策略,尽可能避免不必要的反向k近邻分析,有效提高数据分布异常情况离群点检测算法的效率。理论分析和实验结果表明,LDBO算法效率优于INFLO,算法是有效可行的。     

k元n方体的可靠性评估

并行计算机系统功能的实现很大程度上依赖于系统互连网络的性能。为了精确度量以k元n方体为底层拓扑结构的并行计算机系统的容错能力,研究了点故障模型下k元n方体中k元（n-1）方体子网络的可靠性。当k ≥ 3且为奇数时,分别在固定划分模式和灵活划分模式下对k元n方体中不同数目的k元（n-1）方体子网络保持无故障状态的平均失效时间进行了分析,并得出了这一子网络可靠性评估参数的计算公式。结果表明,当基于k为奇数的k元n方体构建的并行计算机系统指派子网络执行用户任务时,在点故障模型下灵活划分模式相比固定划分模式有着更好的容错能力。     

基于高维k-近邻互信息的特征选择方法

针对多元序列预测建模过程中特征选择问题,提出了一种基于数据驱动型高维k-近邻互信息的特征选择方法。该方法首先将数据驱动型k-近邻法扩展用于高维特征变量之间互信息的估计,然后采用前向累加策略给出全部特征最优排序,根据预设无关特征个数剔除无关特征,再利用后向交叉策略找出并剔除冗余特征,最终得到最优强相关特征子集。以Friedman数据、Housing数据和实际污水处理出水总磷预测数据为例,采用多层感知器神经网络预测模型进行仿真实验,验证了所提方法的有效性。     

基于二元决策图的集群计算系统性能分析

针对节点计算能力相同但故障分布不同的集群系统的性能分析问题,基于k-to-l-out-of-n结构对集群系统的性能进行建模,并提出了一种基于二元决策图（BDD）的分析方法。针对k-to-l-out-of-n结构的BDD模型生成问题,分析了BDD的结构特征并设计自顶向下生成算法,克服了传统的自底向上生成算法必须生成大量中间冗余节点的缺陷;然后利用生成的BDD模型高效地计算出系统处于一个特定性能级别的概率;最后通过实例说明了BDD方法能够有效分析节点具有不同故障分布的集群系统性能。     

基于局部加权重构的化工过程数据恢复算法

针对化工过程数据中存在缺失数据的问题,在保持局部数据结构特征的基础上提出了基于局部加权重构的化工过程数据恢复算法。通过定位缺失的数据点并以符号NaN(Not a Number)标记,将缺失的数据集分为完备数据集和不完备数据集。不完备的数据集按照完整性的大小依次找到它们在完备数据集中相应的k个近邻,根据误差平方和最小的原则,求出k个近邻相应的权值,用k个近邻及相应的权值重构出缺失的数据点。将该算法应用在不同缺失率下的两种化工过程数据中并与望最大化主成分分析(EM-PCA)法和平均值(MA)两种传统的数据恢复算法相比较,该算法的恢复数据误差最小,并且计算速度相比EM-PCA算法平均提高了2倍。实验结果表明,局部加权重构的化工过程数据恢复算法可以有效地对数据进行恢复,提高了数据的利用率,适用于非线性化工过程缺失数据的恢复。     

基于数据降维与精确欧氏局部敏感哈希的k近邻推荐方法

针对基于k近邻的协同过滤推荐算法中存在的评分特征数据维度过高、k近邻查找速度慢,以及评分冷启动等问题,提出基于数据降维与精确欧氏局部敏感哈希（E²LSH）的k近邻协同过滤推荐算法。首先,融合评分数据、用户属性数据以及项目类别数据,将融合后的数据作为输入对堆叠降噪自编码（SDA）神经网络进行训练,取神经网络编码部分最后一个隐层的值作为输入数据的特征编码,完成非线性降维。然后,利用精确欧氏局部敏感哈希算法对降维后的数据建立索引,通过检索得到目标用户或目标项目的相似近邻。最后,计算目标与近邻之间的相似度,利用相似度对近邻的评分记录加权得到目标用户对目标项目的预测评分。在标准数据集上的实验结果表明,在冷启动场景下,均方根误差比基于局部敏感哈希的推荐算法（LSH-ICF）平均降低了约7.2%,平均运行时间和LSH-ICF相当。表明该方法在保证推荐效率的前提下,缓解了评分冷启动问题。     

基于统计模量和局部近邻标准化的局部离群因子故障检测方法

针对多工况过程数据的批次不等长、中心漂移、工况结构不同等特点,提出基于统计模量和局部近邻标准化的局部离群因子故障检测方法（SP-LNS-LOF）。首先计算每个训练样本的统计模量;然后使用局部近邻集标准化统计模量,得到标准样本;最后计算标准化样本的局部离群因子,并将其作为检测指标,将局部离群因子的分位点作为检测控制限,当在线样本的局部离群因子大于检测控制限时,判定其为故障;否则为正常。统计模量提取过程的主要信息,且消除批次不等长的影响;局部近邻标准化克服工况中心漂移和工况结构不同的困难;局部离群因子度量样本的相似度,实现故障样本和正常样本的分离。进行了半导体蚀刻过程故障检测仿真实验,实验结果表明SP-LNS-LOF检测出了全部21个故障,比主元分析（PCA）、核主元分析（kPCA）、基于k近邻的故障检测（FD-kNN）、局部离群因子（LOF）方法具有更高的检测率。理论分析和仿真实验说明SP-LNS-LOF方法适用于多工况过程故障检测,具有较高的故障检测效率,能保证多工况生产过程的安全性。     

kNN在化工生产过程故障定位中的应用*

为了在没有任何历史故障信息的情况下定位真正的故障变量,研究了kNN在化工生产过程故障定位中的应用。首先利用局部离群因子（LOF）算法剔除原始数据中的离群点,将剩余数据作为训练数据建立kNN模型;然后计算待检测数据的检测指标,将其与控制限对比进行故障检测。最后,对检测出的故障计算训练数据基于kNN的变量贡献,利用核密度估计确定定位指标的控制限。对测试数据计算变量对定位指标的贡献,对所求的贡献矩阵进行量化,画出故障定位图。将该方法用于数值例子和TE过程,仿真结果说明该方法可以对故障进行准确定位,证明了该方法的有效性。     

基于局部保持投影–加权k近邻规则的 多模态间歇过程故障检测策略

针对多模态间歇过程故障检测问题,本文提出一种基于局部保持投影–加权k近邻规则(LPP--Wk NN)的故障检测策略.首先,应用局部保持投影(LPP)方法将原始数据投影到低维主元子空间;接下来,在主元子空间中,应用样本第k近邻的局部近邻集确定每个样本的权重并计算权重统计量Dw;最后,应用核密度估计方法确定Dw控制限并进行故障检测.本文方法应用LPP对过程数据进行维数约减,既能够降低训练过程中离群点对模型的影响,又能够降低在线故障检测的计算复杂度.同时,加权k近邻规则(Wk NN)方法通过引入权重规则能够使得过程故障检测统计量分布具有单模态结构.相比传统的k NN统计量,本文引入的权重统计量具有更高的故障检测性能.通过数值例子和半导体蚀刻过程的仿真实验,并与主元分析(PCA), k NN, Wk NN, LPP--k NN等方法进行比较,实验结果验证了本文方法的有效性.     

基于多重局部重构模型的连续过程故障诊断

为了提高故障诊断性能, 本文对故障特征随时间发展变化的多样性进行了探讨分析. 本文揭示了故障过程呈现时变特性, 即故障过程在不同时段反映出不同的变量相关性, 提出了一种故障时段划分算法. 该算法将故障划分为不同时段, 在每一个时段中, 故障特征被认为是基本类似的. 在此基础上, 针对不同时段建立了不同的故障分解模型, 并揭示了不同故障状态与正常状态的关系. 通过划分不同故障特征, 可以区分不同的故障特征, 建立更精确的重构模型. 该方法很好地阐述了故障的演变行为特征, 能够更精确地进行故障重构从而确定故障原因. 通过在田纳西伊士曼仿真过程上的应用验证了该方法的可行性及诊断性能.     

局部近邻标准化偏最小二乘的多模态间歇过程故障检测

本文针对多模态间歇过程数据多中心和模态方差差异明显的问题,提出了一种基于局部近邻标准化偏最小二乘方法.首先,采用统计模量方法处理间歇过程数据,再利用局部近邻标准化方法将统计模量后的训练数据进行高斯化处理,建立偏最小二乘监控模型,确定控制限;然后,同样对统计模量后的测试数据进行局部近邻标准化处理,再计算测试数据的高斯偏最小二乘监控指标,进行过程监视及故障检测.最后,通过数值实例和青霉素发酵过程验证方法有效性.实验结果表明所提方法解决了故障样本近邻集跨模态问题,对多模态数据具有更好的故障检测能力.     

基于差分的动态加权SVDD在多模态过程故障检测中的应用

传统SVDD作为一种单模态静态故障检测算法,对多模态动态过程故障的检测难以保证其检测的准确性和实时性。为了解决这一问题,提出一种基于近邻差分加权动态SVDD检测方法（NND-DWSVDD）。首先利用NND剔除数据多模态结构,保证过程数据服从单峰分布;对差分处理后的数据引入动态方法并加入权值将有用的信息凸显出来;最后利用SVDD方法建立监测模型实现在线监测。NND-DWSVDD提高了多模态动态过程故障检测率,对于多模态动态过程故障检测,NND-DWSVDD不要求多模型建模,只需单独的一个模型,符合单模态故障检测要求。通过多模态数值例子和半导体生产过程数据对该方法的有效性进行了验证。     

基于kNN算法的异常行为检测方法研究

阐述了异常行为检测的相关概念，介绍了kNN算法，探讨了异常行为检测与分类技术的关系。结合kNN算法的优点以及异常行为检测与分类的相似性，提出了基于kNN算法的异常行为检测方法，给出了其计算方法，并确定了检测的过程，分析了该方法的特点和优势。基于kNN算法的异常行为检测方法通过不断的自学习，会成为信息安全的一道有效防线。     

邻域保持嵌入—加权k近邻故障检测算法及其在半导体蚀刻过程中的应用

为了解决复杂的多模态过程故障检测问题,提出了邻域保持嵌入-加权k近邻规则（neighborhood preserving embedding-weighted k-nearest neighbors,NPE-wkNN）质量监控方法.首先,利用邻域保持嵌入（neighborhood preserving embedding,NPE）得到特征空间中数据的流形结构;然后,在特征空间中确定每个样本第k近邻的前K近邻集并计算样本的权重.最后,将样本的加权距离作为统计量对过程进行质量监控.NPE-wkNN方法在保持原始数据近邻结构的同时降低了计算复杂度,除此之外,权重规则消除了数据的多模态特征,从而提高了过程故障检测率.通过数值实例和半导体蚀刻工艺仿真实验,对比了传统的主元分析（principal component analysis,PCA）、NPE、k近邻（k-nearest neighbor,kNN）、加权k近邻（weighted kNN,wkNN）等方法,结果验证了本文方法的有效性.     

基于MW-KECA与变量贡献SVDD的间歇过程故障检测系统

针对间歇过程的非线性和时变性特点以及故障易误报的问题,提出了一种将移动窗-核熵成分分析(MW-KECA)故障监测与基于变量贡献的支持向量数据描述(SVDD)故障诊断集合而成的故障检测系统.MW-KECA方法构建局部模型能有效处理数据的时变性,同时保留KECA优秀的非线性处理能力.故障诊断中以各变量对CS统计量-向量间角...     

基于分层分块DLPPCA-SVM的复杂工业过程监测与故障诊断方法

针对工业过程动态性及非线性强等特点,提出一种基于动态局部保持主成分分析法的过程监测方法.该方法通过构造扩展矩阵来解决动态过程中各采样点间相关性强的问题,并将局部保持投影(LPP)与主成分分析法(PCA)相结合从而实现提取流形结构的最大方差信息.在此基础上,针对复杂工业过程变量复杂多变、呈不同特性的特点,提出基于分层分块DLPPCA-SVM(dynamic locality preserving principal component analysis-support vector machine, DLPPCA-SVM)的过程监测及故障诊断方法,该方法针对不同特性的子块分别采用DLPPCA和PCA进行建模,并利用支持向量机进行故障诊断.将该方法用于田纳西-伊斯曼(TE)化工过程和发电机组的在线监测和故障诊断,仿真结果验证了所提出方法的有效性.