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.     

基于多阶段动态PCA的发酵过程故障监测

针对间隙发酵过程具有多阶段、批次不等长,且过程动态非线性往往与发酵阶段密切相关等特点,提出一种基于多阶段动态主元分析(principal component analysis,PCA)的故障监测策略.该方法采用高斯混合模型(Gaussian mixture model,GMM)对过程数据进行聚类,能客观反映不同阶段操作模态的数据分布特点,可实现子阶段划分.针对各批次阶段划分后存在的不同步问题,采用动态时间错位(dynamic time warping,DTW)方法对各阶段进行轨迹同步,对同步后的子阶段建立动态PCA模型.最后以工业青霉素发酵过程和重组大肠杆菌制备白介素-2发酵过程为背景,采用多阶段动态PCA策略对其进行故障监测,发现算法能有效降低运行过程的漏报和误报率,验证了算法的有效性。     

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.     

动态主元分析方法的研究及应用

主元分析(PCA)已广泛应用于监视多变量过程，但PCA不能有效地监视动态多变量过程．动态主元分析(DPCA)是一种将静态PCA推广应用到监视动态多变量过程的方法．本文通过实例验证了DPCA监视动态多变量过程的有效性．     

动态批次主元分析在化工过程中的应用研究

本文研究了批次动态主元分析(BDPCA)及其在化工过程中的应用.批次动态主元分析是主元分析的一种延伸,通过把三维矩阵转化成二维矩阵,结合时滞变量算法捕捉批次过程中的动态特性完成过程的监视并给出了确定时滞变量的算法.以TE过程为例,与多向主元分析法相比,仿真结果表明,BDPCA算法实现了考虑过程中的批次动态特性并提高了对过程变化的故障检测能力.     

PCA故障检测方法及应用

基于主元分析（PCA）的传感器故障检测方法中T2和SPE统计量是两个重要指标。首先介绍T2统计量超限而SPE没超限故障检测的方法。利用主元相关变量残差统计量代替平方预测误差SPE统计量,并采用累积方差贡献率确定PCA模型的主元数。该方法避免了SPE统计量的保守性。最后将该方法应用于电厂某机组工作过程检测中,通过仿真验证该方法的有效性。     

基于主元分析和模糊模型的链霉素发酵过程建模

基于主元分析和模糊模型,提出了一种简单而有效的链霉素发酵过程产物浓度的预报方法,该方法采用主元分析压缩关联程度高且含有测量噪声的实际工业生产数据,筛选出影响产物浓度的主要过程变量,构造了模糊分段线性模型的产物浓度估计器,与线性多元回归模型相比,模糊模型更适合作为间歇发酵过程的状态估计器。     

PCA-ICA化工过程监控中的PCA白化性能分析

主元分析是基于独立元分析过程监控中一种重要而且常用的白化方法,可以有效地降低监控对象的维数。其基于正常样本数据,根据主元方差贡献率选取主元,保留正常样本中的大部分方差信息,消除噪声。在PCA模型中,每个主元的T2统计量表征着样本数据沿该主元方向的变异程度。通过对故障样本数据每个主元的T2统计量分析,发现某些故障信息投影在方差较小且被舍弃的主元上,从而造成故障信息的损失,进而影响了ICA的监控性能,造成故障的漏检和故障源的误识别。最后,采用一个简易系统和TE过程,验证了PCA白化过程对ICA监控性能的影响。     

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.     

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。     

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.     

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     

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。     

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。     

突发信源的排队分析

提出了利用相位法进行突发信源排队分析的方法。突发信源是ON/OFF信源的一种，其ON期和OFF期分别服从独立的重尾分布（如Weibull分布）。如果把ON期内产生的所有分组作为一个批量，那么OFF期对应着批量的到达过程，而ON期对应着批量的服务过程。利用相位法，ON期和OFF期的长度都可以用多个服从指数分布的随机变量和来精确地逼近，即批量的到达和服务过程都可以分成多步完成，而且每一步的长度都服从指数分布。这样就可以用Markov链对突发信源的排队性能进行分析。仿真结果表明，只要合理地选择相位逼近的参数，就能得到满意的结果。     

Fault-Diagnosis Method Based on Support Vector Machine and Artificial Immune for Batch Process

A new fault-diagnosis method to be used in batch processes based on multi-phase regression is presented to overcome the difficulty arising in the processes due to non-uniform sample data in each phase. Support vector machine is first used for phase identification, and for each phase, improved artificial immune network is developed to analyze and recognize fault patterns. A new cell elimination role is proposed to enhance the incremental clustering capability of the immune network. The proposed method has been applied to glutamic acid fermentation, comparison results have indicated that the proposed approach can better classify fault samples and yield higher diagnosis precision.     

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。