基于变量分组DTW-MCVA的不等长间歇过程故障检测方法

针对不等长间歇过程监控中批次数据同步化未能充分挖掘局部信息的问题,提出一种基于变量分组DTW-MCVA (VGDTW-CVA)的不等长间歇过程故障检测方法。首先,利用互信息矩阵描述不等长间歇过程测量变量之间的相关性,并基于互信息矩阵进行变量分组。然后利用DTW算法对各个变量组分别进行同步化,并将同步化后的变量组整合为完整的三维数据集。最后,利用MCVA方法建立动态监控模型实现对间歇生产过程的在线监控。盘尼西林发酵过程的仿真结果表明,VGDTW-MCVA能够比基本的DTW-MCVA方法更好地监控间歇过程故障。     

基于LWPT-DTW的间歇过程不等长时段数据同步化

间歇过程不等长时段数据直接影响数据驱动的多元统计分析时段建模精度,导致间歇过程的监控性能降低。针对间歇过程不等长时段数据问题,提出一种基于提升小波包变换（LWPT）和动态时间规整（DTW）算法的间歇过程不等长时段数据同步化方法。该方法引入LWPT对间歇过程不等长时段数据轨迹进行高低频的多级分解,充分提取数据轨迹的所有时频域信息;采用DTW算法对不同频段的系数矩阵进行同步化,并利用提升小波包逆变换对同步化后的系数矩阵进行合成,降低吉布斯现象对数据轨迹合成的影响,获得等长的时段轨迹,实现了间歇过程不等长时段数据同步化。青霉素发酵过程仿真实验表明,所提出的方法运算速度快、稳定,不等长时段数据的同步化结果具有较高的准确性,为间歇过程时段建模提供了可靠的过程数据。     

基于LWPT-DTW的间歇过程不等长时段数据同步化

间歇过程不等长时段数据直接影响数据驱动的多元统计分析时段建模精度,导致间歇过程的监控性能降低。针对间歇过程不等长时段数据问题,提出一种基于提升小波包变换(LWPT)和动态时间规整(DTW)算法的间歇过程不等长时段数据同步化方法。该方法引入LWPT对间歇过程不等长时段数据轨迹进行高低频的多级分解,充分提取数据轨迹的所有时频域信息;采用DTW算法对不同频段的系数矩阵进行同步化,并利用提升小波包逆变换对同步化后的系数矩阵进行合成,降低吉布斯现象对数据轨迹合成的影响,获得等长的时段轨迹,实现了间歇过程不等长时段数据同步化。青霉素发酵过程仿真实验表明,所提出的方法运算速度快、稳定,不等长时段数据的同步化结果具有较高的准确性,为间歇过程时段建模提供了可靠的过程数据。     

一种基于聚类方法的多阶段间歇过程监控方法

针对阶段不等长的多阶段间歇过程,提出了一种基于k-均值聚类方法的阶段分段策略,可以将不等长的阶段准确分类。首先,将间歇过程的三维训练数据按变量方向展开成二维矩阵,再通过k-均值聚类的方法按照相关性将数据聚成多类并运用主元分析（PCA）方法分别对每一类建立模型。在线监控时,通过计算样本与模型之间的相似系数以选择最合适的模型进行在线监控。此方法可以将不同批次在同一采样时刻的过程数据按照相关性分到多个阶段,更符合生产过程中常见的过程数据阶段不等长的情况。最后利用青霉素仿真验证了该方法的有效性。     

一种不等长的多模态间歇过程故障检测方法

提出一种不等长的多模态间歇过程故障检测方法。首先,运用局部加权算法对不等长批次数据进行预处理。在训练样本中确定不等长数据的最大可保留长度,利用k近邻信息,通过加权重构出不等长批次缺失的数据点。其次,对等长的训练集构造局部近邻标准化矩阵,运用K-means算法进行模态聚类,使用局部离群因子方法确定第一控制限,并剔除离群样本。最后,对各个模态建立MPCA模型并确定第二控制限。根据各个模态控制限的匹配系数计算统一的统计量和控制限,在统一的控制限下进行多模态故障检测。将提出方法应用于半导体工业过程,仿真结果表明,与传统的故障检测算法相比,本文算法提高了故障检测率,验证了该方法的有效性。     

一种不等长的多模态间歇过程故障检测方法

提出一种不等长的多模态间歇过程故障检测方法。首先,运用局部加权算法对不等长批次数据进行预处理。在训练样本中确定不等长数据的最大可保留长度,利用k近邻信息,通过加权重构出不等长批次缺失的数据点。其次,对等长的训练集构造局部近邻标准化矩阵,运用K-means算法进行模态聚类,使用局部离群因子方法确定第一控制限,并剔除离群样本。最后,对各个模态建立MPCA模型并确定第二控制限。根据各个模态控制限的匹配系数计算统一的统计量和控制限,在统一的控制限下进行多模态故障检测。将提出方法应用于半导体工业过程,仿真结果表明,与传统的故障检测算法相比,本文算法提高了故障检测率,验证了该方法的有效性。     

基于多阶段多向核熵成分分析的间歇过程故障检测方法

针对间歇过程的非线性、多阶段特性,提出一种基于多阶段多向核熵成分分析（multistage-MKECA,MsMKECA）的故障检测方法。针对间歇过程的多阶段特性,建立一种时序核熵主元关联度的矩阵相似性阶段划分方法,实现对间歇生产过程的多阶段划分;针对传统批次展开方式在线监控需要预估批次未来值的缺陷,进一步引入一种批次-变量三维数据展开方式建立每个阶段的MKECA非线性统计模型,实现对间歇过程的分阶段监控。最后对盘尼西林发酵过程开展仿真研究,结果表明所提方法能够比传统MKECA方法更为快速地进行故障检测。     

基于多阶段多向核熵成分分析的间歇过程故障检测方法

针对间歇过程的非线性、多阶段特性,提出一种基于多阶段多向核熵成分分析(multistage-MKECA,Ms MKECA)的故障检测方法。针对间歇过程的多阶段特性,建立一种时序核熵主元关联度的矩阵相似性阶段划分方法,实现对间歇生产过程的多阶段划分;针对传统批次展开方式在线监控需要预估批次未来值的缺陷,进一步引入一种批次-变量三维数据展开方式建立每个阶段的MKECA非线性统计模型,实现对间歇过程的分阶段监控。最后对盘尼西林发酵过程开展仿真研究,结果表明所提方法能够比传统MKECA方法更为快速地进行故障检测。     

基于双层局部KPCA的非线性过程微小故障检测方法

针对传统核主元分析（KPCA）方法难以有效检测微小故障的问题,提出一种基于双层局部核主元分析（double-level local kernel principal component analysis,DLKPCA）的非线性过程微小故障检测方法。该方法从变量和样本两个角度来挖掘数据内部的局部信息,以提高故障检测能力。首先,利用变量分块思想,基于不同变量与核主元之间互信息相关度的相似性,将所有过程变量划分多个局部变量块。然后,构建基于得分向量和特征值的残差函数以挖掘样本局部信息。最后利用贝叶斯融合策略对各块的结果进行融合。在田纳西-伊斯曼基准过程的仿真结果表明,在微小故障检测方面,本文所提方法具有比传统KPCA方法更好的故障检测性能。     

基于互信息的PCA方法及其在过程监测中的应用

主元分析(PCA)是一种经典的特征提取方法,已被广泛用于多变量统计过程监测,其算法的本质在于提取过程数据各变量之间的相关性。然而,传统PCA算法中定义的相关性矩阵局限于计算变量间的线性关系,无法衡量两个变量间相互依赖的强弱程度。为此,提出一种新的基于互信息的PCA方法(MIPCA)并将之应用于过程监测。与传统PCA所不同的是,MIPCA通过计算两两变量间的互信息来定义相关性,将原始相关性矩阵取而代之为互信息矩阵,并利用该互信息矩阵的特征向量实现对过程数据的特征提取。在此基础上,可以建立相应的统计监测模型。最后,通过实例验证MIPCA用于过程监测的可行性和有效性。     

基于联合典型变量矩阵的多阶段发酵过程质量相关故障监测

为考虑发酵过程的质量变量和动态特征对于阶段划分的影响,提出了一种基于联合典型变量矩阵的多阶段发酵过程质量相关故障监测方法。首先,将历史三维数据沿批次方向展开,对每个时间片矩阵进行典型相关分析（canonical correlation analysis, CCA）,得到融合过程变量和质量变量信息的联合典型变量矩阵,对其进行K均值聚类,实现基于静态特征的第1步划分;然后采用慢特征分析（slow feature analysis, SFA）算法提取表征过程动态性的慢特征,对其进行聚类实现第2步划分。最后综合分析两步划分结果,将生产过程划分为不同的稳定阶段和过渡阶段,并在划分的子阶段中分别建立CCA监测模型进行质量相关故障监测。该方法通过静态和动态特征的变化实现两步划分,准确区分强动态变化与阶段切换,有效提高质量相关的故障监测模型精度。青霉素仿真平台与大肠杆菌实际生产数据验证了所提方法的可行性和有效性。     

基于联合互信息的动态软测量方法

针对工业过程中普遍存在的时延特性和动态特性,提出一种基于联合互信息的动态软测量方法.以联合互信息最大化作为准则,从各辅助变量的历史输入数据矩阵中选取一个连续子变量集,组成包含过程时延信息和动态信息的新数据集,进而确定各辅助变量的时延参数、历史数据长度.各辅助变量参数完全基于过程历史数据确定,与后续软测量模型的建立无关,因此建立动态软测量模型的形式可根据对象非线性程度自主选择.针对实际脱丁烷塔塔底丁烷浓度软测量的仿真研究验证了方法的有效性.     

基于互信息的分散式动态PCA故障检测方法

对现代大型复杂动态过程来讲,不同测量变量会存在不同的序列相关性,而且变量间的相互影响会体现在不同的采样时刻上。为此,结合利用分散式建模的优势,提出一种基于互信息的分散式动态过程故障检测方法。该方法在对每个测量变量都引入多个延时测量值后,利用互信息为每个变量区分出与其相关的测量值,并建立起相应的变量子块。这种变量分块方式使每个变量子块都能充分地获取与之相对应的自相关性与交叉相关性信息,较好地处理了数据的动态性问题。然后,利用主元分析（PCA）算法对每一变量子块进行统计建模从而建立起适于大规模动态过程的多模块化的故障检测模型。最后,通过实例验证该方法用于动态过程监测的可行性和有效性。     

Distributed process monitoring framework based on decomposed modified partial least squares

With the growing complexity of industrial processes, the scale of production processes tends to be large. The significant amount of measurement data in large‐scale processes poses challenges in data collection, management, and storage. In order to perform effective process monitoring in large‐scale processes, the distributed process monitoring strategy is widely applied. Meanwhile, product quality is an important indicator for industrial production. Therefore, a novel quality‐based distributed process monitoring scheme is proposed. Firstly, the Girvan‐Newman (GN) algorithm in complex network divides process variables into multiple sub‐blocks. Secondly, greedy algorithm‐based high‐dimensional mutual information (HDMI) is used to extract quality‐related variables in each sub‐block, through which the irrelevant and redundant variables are eliminated. Thirdly, the decomposed modified partial least squares (DMPLS) approach is used to detect whether a fault is quality‐related or not in each sub‐block. Finally, the Bayesian inference strategy is adopted to combine the detection results of all sub‐blocks. The effectiveness of the distributed DMPLS approach is illustrated through a numerical simulation and the Tennessee Eastman (TE) process. The results show the superiority of our proposed monitoring scheme.     

Fault monitoring based on mutual information feature engineering modeling in chemical process

A large amount of information is frequently encountered when characterizing the sample model in chemical process. A fault diagnosis method based on dynamic modeling of feature engineering is proposed to effectively remove the nonlinear correlation redundancy of chemical process in this paper. From the whole process point of view, the method makes use of the characteristic of mutual information to select the optimal variable subset. It extracts the correlation among variables in the whitening process without limiting to only linear correlations. Further, PCA (Principal Component Analysis) dimension reduction is used to extract feature subset before fault diagnosis. The application results of the TE (Tennessee Eastman) simulation process show that the dynamic modeling process of MIFE (Mutual Information Feature Engineering) can accurately extract the nonlinear correlation relationship among process variables and can effectively reduce the dimension of feature detection in process monitoring.     

Multivariate temporal process monitoring with graph-based predictable feature analysis

Dynamic latent variable (DLV) methods have been widely studied for high dimensional time series monitoring by exploiting dynamic relations among process variables. However, explicit extraction of predictable information is rarely emphasized in these DLV methods. In this paper, the graph-based predictable feature analysis (GPFA) algorithm is introduced for statistical process monitoring due to its explicit predictability, and a novel index, prediction information, is designed to determine the number of its principal components for dimensionality reduction and parameter optimization. A GPFA-based dynamic process monitoring framework is proposed to differentiate among dynamic faults, normal operating condition changes, and break in relation in the normal data. Case studies on the Tennessee Eastman process and a high-pressure feedwater heater are conducted to demonstrate the superiority of GPFA over other approaches in terms of fault detection performance.     

基于循环自动编码器的间歇过程故障监测

针对间歇过程数据非线性、动态性特征，提出一种基于循环自动编码器(recurrent autoencoder，RAE)的过程故障监测方法。采用长短时记忆(long short-term memory，LSTM)循环神经网络构建自动编码器建立监控模型，相比传统自动编码器，其能有效挖掘时序样本间的动态关联信息。该方法首先利用批次展开与变量展开相结合的三步展开方法将间歇过程数据展开成二维，并通过滑动窗采样得到模型输入序列；然后使用LSTM构建自动编码器，重构输入序列。进一步，利用重构误差构造平方预测误差(squared prediction error, SPE)统计量实现在线监测。最后将所提方法应用于青霉素发酵仿真和重组大肠杆菌发酵过程监测，结果表明，该方法能及时监测到故障，具有较好的监测性能。     

Enhanced high-order information extraction for multiphase batch process fault monitoring

Conventional independent component analysis (ICA) monitoring methods extract the feature information of process data by selecting more important independent components (ICs), which discard a small part of ICs that may contain useful information for faults, leading to unsatisfactory monitoring results. However, when the number of sampling points is greater than that of process variables, the ICA monitoring model does not work well. To address the aforementioned problems, a novel monitoring method, multiphase enhanced high-order information extraction (MEHOIE), is proposed in this paper. The entire production process was first divided into several steady phases and transition phases by the affinity propagation (AP) phase partitioning method. The enhanced high-order information extraction (EHOIE) model was then built in each phase for fault monitoring. Finally, the algorithm was applied in the penicillin simulation platform and industrial microbial pharmaceutical process. The flexibility and superiority of this algorithm were verified by comparing it with other conventional methods.