间歇过程滑动窗口子时段PCA建模和在线监测

针对在短期内不容易获得充足建模数据的间歇工业过程,提出一种间歇过程监视方法,该方法只需要一次正常间歇操作数据,利用滑动窗口,进行子时段划分、建立初始主元分析(PCA)监测模型,同时提出了基于子时段PCA模型的在线监测算法和一种模型更新策略.通过在注塑过程的成功应用,表明了所提出方法的可行性和有效性.     

基于TSNS-RAE的多模态过程故障检测

根据多模态工业生产过程的数据特点,提出基于时空近邻标准化和鲁棒自编码器(TSNS-RAE)的故障检测方法;TSNS处理数据时同时考虑了样本的时间近邻和空间近邻,可以消除数据动态性和多模态特征;相比于普通的自编码器,鲁棒自编码器提升了模型的抗噪性和鲁棒性,具有更好的提取非线性特征的能力;TSNS-RAE模型将原始数据空间分成模型空间和残差空间两部分,选择残差空间的SPE统计量作为监控统计量,通过数值案例和青霉素实验来验证TSNS-RAE的可行性。     

基于半监督动态深度融合神经网络的软测量

半监督深度神经网络建模方法已被广泛应用于软测量,但基于分层训练的网络在特征提取过程局限于挖掘每层输入的有效信息,忽略了原始输入有效信息的丢失,逐层累积,从而导致原始输入的特征表示准确率低下;另外,缺乏挖掘过程时空相关性,也会导致模型性能退化。提出一种半监督动态深度融合神经网络（semisupervised dynamics deep fusion neural network,SS-DDFNN）方法。该方法在特征提取网络的每层都重构原始输入数据并预测质量变量,通过在预训练损失中使用重构原始输入误差,减小原始输入有效信息的丢失;同时融入注意力机制和t分布随机邻域嵌入提取时空相关信息,应用提取的特征建立门控神经网络质量预测模型。实验结果显示,相较于SAE、GSTAE和SIAE模型,所提方法在脱丁烷塔案例中的预测精度分别提升了2.8%、1.1%和0.9%;在工业聚乙烯生产案例中,分别提升了2.7%、1.0%和0.7%。实验结果验证了所提方法的有效性。     

基于KPI子空间的工业过程自适应故障检测

针对具有时变特性的工业过程发生的故障是否影响关键性能指标的问题，提出一种基于关键性能指标(Key Performance Indicators,KPI)子空间的自适应故障检测方法(AFD-KPIS)。将正常过程数据空间分解为主元和残差空间。根据过程变量和关键性能指标（KPI）的相关性将主元空间分为KPI相关子空间和KPI无关子空间，并将残差空间Q统计量并入KPI无关子空间，在KPI两个子空间分别构建T2和k近邻故障检测统计量，在线检测判断为正常的数据通过时间窗更新到建模数据中进行用于模型的更新。通过数值案例和TE过程的仿真验证所提方法的有效性。     

基于Bagging-CVA的动态过程及质量相关故障检测

针对过程数据具有时序相关性以及过程故障是否影响产品质量的问题,提出一种基于Bagging思想和典型变量分析(CVA)的故障检测方法(Bagging-CVA).采用Bagging思想对建模数据随机抽样构成多组新的数据集,消除数据的时序相关性.分别在每组新的数据集基于CVA方法建立过程相关和质量相关的故障检测模型,同时监测故障对于过程和产品质量的影响.同时提出了一种最优模型选取策略,通过故障检测率和误报率来选出最优模型,降低了传统Bagging方法对多组模型的统计量进行融合的复杂度.通过数值案例和田纳西-伊斯曼过程的仿真实验对方法进行验证.实验结果表明,所提出的改进Bagging-CVA方法可以避免过程数据的时序相关性对故障检测模型的影响,从而提高检测率和降低误报率.此外,还可以进一步分析过程故障是否对产品质量产生影响.     

基于EEMD-kNN的工业过程微小故障检测

针对非线性工业过程早期发生的微小故障不易检出的问题，提出一种基于集合经验模态分解(Ensemble empirical Mode Decomposition, EEMD)的k近邻(k-Nearest Neighbor, kNN)指标累积和故障检测方法(EEMD-kNN)。通过EEMD预处理原始建模数据，在本征函数构建的数据空间中引入kNN规则，提出构造一种加权因子来强化特征，使重构建模数据集更好地包含数据的非线性特征；再一次采用kNN规则提取重构样本的非线性特征，并构建k近邻距离平方累积和统计量，通过核密度估计法确定其控制限。通过一个数值案例和TE(Tenessee Eastman)过程进行实验仿真，并与kNN和EEMD-PCA方法进行对比，结果验证了该方法的有效性。