基于核相似度支持向量数据描述的间歇过程监测

基于支持向量数据描述的间歇过程监测方法选择历史过程数据中最大的核距离作为控制限,忽略了高维空间中超球体的不规则性,导致基于该方法的过程监测精度不高。针对上述问题,提出了一种基于核相似度支持向量数据描述的间歇过程监测方法,将间歇过程数据待监测样本与支持向量之间的核函数值作为相似度权重,利用该相似度对不同时刻的支持向量球心距加权求和,得到待监测间歇过程数据样本的动态控制限,通过判断待监测样本的球心距是否超过其动态控制限,实现间歇过程监测。所提方法综合考虑了超球体的不规则性和过程数据在高维空间分布的局部特性,以及间歇过程数据待监测样本的时变性,提高了间歇过程监测的准确性。利用数值仿真实验和半导体金属刻蚀实验验证了该方法的有效性。     

基于DHSC的多模态间歇过程测量数据异常检测方法

多模态间歇过程测量数据异常直接影响数据驱动的多元统计分析过程建模的准确性，导致间歇过程的监控性能降低。针对多模态间歇过程测量数据异常问题，提出了一种基于动态超球结构变化（DHSC）的多模态间歇过程测量数据异常检测方法。该方法通过引入时序约束的模糊C均值聚类（SCFCM），利用隶属度变化划分多模态间歇过程的模态；针对不同模态，采用支持向量数据描述（SVDD）建立基于训练数据的静态超球体和基于待检数据的动态超球体，选择重要的支持向量作为球体结构，进而通过识别超球体发生结构变化实现过程测量数据异常检测。青霉素发酵过程仿真实验表明，所提出的方法能够实现多模态间歇过程的模态划分，减少了模态切换对过程测量数据异常检测精度的影响，并能够根据超球体结构变化检测过程测量数据异常，具有较高的检测精度，降低了误检率。     

基于DHSC的多模态间歇过程测量数据异常检测方法

多模态间歇过程测量数据异常直接影响数据驱动的多元统计分析过程建模的准确性,导致间歇过程的监控性能降低。针对多模态间歇过程测量数据异常问题,提出了一种基于动态超球结构变化(DHSC)的多模态间歇过程测量数据异常检测方法。该方法通过引入时序约束的模糊C均值聚类(SCFCM),利用隶属度变化划分多模态间歇过程的模态;针对不同模态,采用支持向量数据描述(SVDD)建立基于训练数据的静态超球体和基于待检数据的动态超球体,选择重要的支持向量作为球体结构,进而通过识别超球体发生结构变化实现过程测量数据异常检测。青霉素发酵过程仿真实验表明,所提出的方法能够实现多模态间歇过程的模态划分,减少了模态切换对过程测量数据异常检测精度的影响,并能够根据超球体结构变化检测过程测量数据异常,具有较高的检测精度,降低了误检率。     

基于多向核熵成分分析的微生物发酵过程多阶段划分及故障监测

针对多向核主元分析法(MKPCA)在监控动态非线性和多模态间歇生产过程故障的不足,提出一种基于物理信息熵的多阶段多向核熵成分分析(multiple sub-stage multi-way kernel entropy component analysis,MSMKECA)的新方法用于故障监控。该方法首先通过核映射将数据从低维空间映射到高维特征空间;其次在高维特征空间依据熵结构信息计算每个时刻数据矩阵的相似度指标进行阶段划分,将间歇过程划分为各稳定阶段和各过渡阶段,并在过渡阶段用时变的协方差代替固定协方差;最后在划分的阶段里分别建立模型进行间歇过程监测解决间歇过程的动态非线性和多阶段特性;将所提出的算法应用于青霉素发酵仿真系统的在线监测,验证了该方法的有效性。     

基于KECA的非线性工业过程故障检测与诊断新方法

提出了一种基于核熵成分分析（kernel entropy component analysis，KECA）的非线性过程故障检测与诊断新方法。该方法首先利用KECA获取过程数据的得分向量及非线性特征子空间；然后鉴于KECA可以以角结构的方式揭示数据中潜在的集群结构，设计了基于角度的监测指标VoA。该指标通过各得分向量之间的角度方差来描述变换后数据间的结构差异,并根据角度方差的变化情况实现故障检测；接着，为了在检测到故障后有效地进行故障识别，构建了KECA相似度因子来度量特征子空间的相似程度以识别故障模式；最后，以非线性数值案例及Tennessee Eastman过程进行仿真测试研究，结果验证了所提方法的可行性及有效性。     

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。     

基于多向核熵成分分析的微生物发酵间歇过程监测研究

针对微生物发酵间歇过程监测算法只考虑数据信息最大化未考虑数据簇结构信息的不足,提出了基于多向核熵成分分析(Multi-way Kernel Entropy Component Analysis,MKECA)间歇过程监测的新方法。该方法首先引入AT展开策略对三维历史数据进行预处理,然后通过核映射将数据从低维空间映射到高维特征空间,解决数据的非线性特性,并在高维特征空间依据核熵的大小对数据进行降维,使降维后的数据能够最大化地保留原始数据的分布;同时理论证明了所提方法在特定条件下等同于传统方法,也就是说MKECA既能兼顾传统方法的优势,又能弥补传统方法的不足;最后通过青霉素仿真数据进行验证,表明MKECA方法具有更可靠的监控性能,能及时、准确地监测出故障。     

基于动态单类随机森林的非线性过程监控方法

针对高维化工过程中存在的非线性和动态特性，提出了一种基于动态单类随机森林（dynamic one-class random forest，DOCRF（的过程监控方法。对正常运行状态下的过程数据进行稀疏性分析，根据其反分布产生离群点数据。利用典型变量分析对正常数据进行相关性分析，分别将正常数据和离群点数据投影到典型变量空间，利用典型变量空间数据训练单类随机森林。基于单类随机森林模型根据待检测样本与正常数据的相似度构造监控统计量进行故障检测。在Tennessee Eastman过程的仿真结果表明，所提DOCRF方法总体优于单类支持向量机方法。     

一种基于支持向量机增量学习的软测量建模方法

针对软测量模型在现场的失效问题,提出一种基于支持向量增量学习的软测量建模方法,将增量样本中违背Karush-Kuhn-Tucker条件的样本引入到工作样本集中,同时将非支持向量中到特征空间超球球心距离较小的样本剔除出工作样本集。并将提出的方法用于对二甲苯吸附分离过程中产品纯度的预测中。     

基于最大信息系数的分组支持向量数据描述故障检测

工业过程的众多变量之间往往存在着复杂的相关关系，传统的故障检测模型通常会忽略不同变量间相关性的差异，对不同相关关系的变量采用相同的特征提取方法，从而导致检测效果欠佳。针对以上问题，提出了一种基于最大信息系数的分组支持向量数据描述故障检测模型，首先计算变量间的最大信息系数矩阵，按照相关性的不同对变量进行分组，再通过最大信息系数为模型混合核函数中高斯核与多项式核的权重分配提供理论指导，从而分别为各组建立不同的支持向量数据描述检测模型，完成最大信息系数与支持向量数据描述的紧密结合，最终实现分布式故障检测。通过仿真对比，验证了该模型的可行性与有效性。     

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。     

动态核聚类算法在乙烯生产中的优化模式识别

针对传统的C means聚类在小样本和类别交叉空间存在样本错分问题,研究分析一种基于核函数的动态聚类方法,以广义欧式距离作为高维特征空间的相似性度量,提高聚类的准确性,仿真实例验证了算法的有效性。提出利用动态核聚类方法来识别乙烯裂解炉生产过程最优操作模式,动态调整乙烯裂解炉的操作条件以及选择油品和预测收率,实际的工业应用说明动态核聚类方法的可行性。     

基于核独立元分析的间歇过程在线监控

针对间歇过程独特的数据特点,提出了一种基于核独立元分析(kernelICA)的局部在线建模监控方法。核独立元分析通过规范相关性将比较函数扩展到一个再生的核希尔伯特空间,并用核的方法在此空间对比较函数进行计算和寻优。对含有多种分布的过程源数据,核独立元分析是一种比独立元分析(ICA)更有效的特征提取方法。对于按批次方向展开的间歇过程历史建模数据,在每一个时间间隔点应用核独立元分析算法提取独立元用于建模,并计算I2和SPE统计量及相应的控制限。此方法不需要对未来测量值进行估计,更重要的是解决了核独立元分析不能直接处理间歇过程高维历史建模数据的难题。仿真结果验证了所提出方法的可行性和有效性,并显示出比传统MICA更好的监控效果。     

基于RISOMAP的非线性过程故障检测方法

化工过程监控数据存在非线性特点,且过程常常运行于多个模态,针对该类问题,提出基于相对等距离映射(relative isometric mapping, RISOMAP)的过程故障检测方法,该方法采用相对测地距离构造高维空间的距离关系阵,运用多维尺度变换(MDS)计算其低维嵌入输出,从高维数据中提取子流形信息和残差信息分别构造监控统计量进行故障检测,同时运用核ridge回归在线计算测试数据的低维输出,核矩阵通过综合相似度进行更新。数值算例和TE过程的仿真结果表明,RISOMAP方法可以更为有效地实施故障检测,故障检测的灵敏度较高,同时也为基于流形学习的多模态过程故障检测的实施提供了一条思路。     

Statistical analysis and adaptive technique for dynamical process monitoring

Multivariate statistical process monitoring (MSPM) methods based on two-dimensional dynamic kernel PCA (2-D-DKPCA) and two-dimensional dynamic kernel Hebbian Algorithm (2-D-DKHA) are proposed. First, a nonlinear batch process monitoring scheme based on 2-D-DKPCA is proposed. Its basic idea is to use KPCA to depict the both within-batch dynamics and batch-to-batch dynamics. However, the proposed 2-D-DKPCA needs to store the whole kernel matrix and calculate all nonlinear components. Kernel matrix will thus become extremely huge when the numbers of successive batches and samples are large. Then, kernel Hebbian Algorithm (KHA) is introduced to 2-D-DKPCA to construct 2-D-DKHA. KHA can extract adaptively nonlinear principal components without storing and manipulating the whole kernel matrix and only calculate the principal components. Thus, proposed 2-D-DKHA has the ability of monitoring complex batch processes. The 2-D-DKPCA and 2-D-DKHA are first proposed in this article. Also, from the proposed 2-D method, it is easily to obtain the 1-D algorithm.     

Nonlinear Real‐time Process Monitoring and Fault Diagnosis Based on Principal Component Analysis and Kernel Fisher Discriminant Analysis

The aim of this paper is to propose a novel real‐time process monitoring and fault diagnosis method based on the principal component analysis (PCA) and kernel Fisher discriminant analysis (KFDA). There is a need to develop this method in order to overcome the inherent limitations of the current kernel FDA method. The idea of the method is to initially reduce dimensionality using PCA and then to map the score data in the reduced original space to the high‐dimensional feature space via a nonlinear kernel function. Following this, the optimal Fisher feature vector and discriminant vector are extracted to perform process monitoring. If faults occur, the method uses the degree of similarity between the optimal discriminant vector presented and the optimal discriminant vector of the faults in the historical dataset to perform a diagnosis. The proposed method can effectively capture nonlinear relationships in process variables. In comparison with kernel FDA, the PCA plus kernel FDA method is more efficient and has a more rapid response when used to undertake online monitoring and fault diagnosis. In this study, the method is evaluated by applying it to the fluid catalytic cracking unit (FCCU) process. As a consequence, its effectiveness is demonstrated.     

基于多动态核聚类的间歇过程在线监控

针对传统的多元统计监测方法不能有效检测工业过程中由于初始条件波动较大所引发的弱故障问题,提出一种基于多动态核聚类的核主元分析(DKCPCA)监控策略,实现多阶段间歇过程的弱故障在线监控.该方法首先针对过程中各阶段每一批次数据结合自回归移动平均时间序列模型(ARMAX)和核主成分分析(KPCA)方法分别建立动态核PCA模型,然后根据各批次模型间载荷的相似性采用分层次聚类方法进行聚类,最后将聚在一起的批次数据进行展开重新再建立动态核PCA模型,随着聚类数目的不同从而建立多个类模型.当在线应用时给出了多模型选择策略,以提高监测精度.将此方法应用于青霉素发酵过程的监控中,监测结果表明此方法取得了比DKPCA和MKPCA更好的监测性能.