基于马氏距离局部离群因子方法的复杂化工过程故障检测

为了满足实际的生产需要,复杂化工过程往往包含多个运行模态。同时过程的复杂性使得同一模态下的数据分布是一种高斯分布和非高斯分布混合存在的不确定情况。数据的多模态分布特性以及同一模态下数据分布的不确定性使得传统多元统计监控(MSPM)方法很难给出令人满意的结果。针对这一问题,本文提出一种新的马氏距离局部离群因子(MDLOF)方法进行故障检测。通过利用马氏距离挖掘变量局部结构中包含的有用信息,并对样本的邻域密度加以考虑,形成对数据分布具有鲁棒性的基于密度的监控指标。最后通过数值仿真例子及Tennessee Eastman过程验证其有效性。     

基于局部密度估计的多模态过程故障检测

以市场需求为导向的现代工业过程的生产条件要根据市场的需求不断做出调整,因此实际工业过程中存在多种工况的复杂情况,而过程的数据将不再完全服从高斯分布,其均值与协方差结构往往随着工况的切换而发生较大变化,为了能及时检测此类生产过程中的故障,提出一种新的基于带宽可变的局部密度估计的过程在线监控策略。首先利用局部投影保留(locality preserving projection,LPP)将高维数据投影到低维子空间中,充分地保留数据的局部结构;然后通过带宽可变的非参数密度核函数来进行局部密度估计,并采用局部密度因子(local density factor,LDF)的思想构造监控统计量,进而对工业过程故障进行在线检测;最后通过仿真研究,结果表明所提方法能够有效地应用于多模态过程的故障检测。     

基于局部密度估计的多模态过程故障检测

以市场需求为导向的现代工业过程的生产条件要根据市场的需求不断做出调整,因此实际工业过程中存在多种工况的复杂情况,而过程的数据将不再完全服从高斯分布,其均值与协方差结构往往随着工况的切换而发生较大变化,为了能及时检测此类生产过程中的故障,提出一种新的基于带宽可变的局部密度估计的过程在线监控策略。首先利用局部投影保留（locality preserving projection, LPP）将高维数据投影到低维子空间中,充分地保留数据的局部结构;然后通过带宽可变的非参数密度核函数来进行局部密度估计,并采用局部密度因子（local density factor, LDF）的思想构造监控统计量,进而对工业过程故障进行在线检测;最后通过仿真研究,结果表明所提方法能够有效地应用于多模态过程的故障检测。     

基于K均值聚类与局部离群因子算法的故障检测研究

针对化工生产过程的多工况、数据多模态问题,提出一种基于K均值聚类的局部离群因子故障检测方法。首先利用K均值聚类算法对多模态工业数据进行聚类,将各个模态的数据分离出来,然后运用局部离群因子算法在各个模态下单独建立模型,并且确定各个模态下的局部离群因子控制限。检测时首先判断样本属于哪一类,然后在相应类别下求取局部离群因子值并与此类别下的控制限进行比较,确定是否为故障数据。将此方法运用到TE过程的多模态数据中,并且将此方法与单独应用局部离群因子算法做故障检测对比,结果表明:所提算法可以大幅提高故障的检测率。     

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。     

基于二阶差商LPP的多模态过程故障检测

为了提高局部保持投影(LPP)算法在各模态离散程度差异较大的多模态过程中故障检测性能,提出了一种新的基于二阶差商LPP(SODQ-LPP)的多模态过程故障检测方法。首先对多模态过程训练数据进行二阶差商预处理,消除模态间的方差差异,然后运用LPP算法进行降维和特征提取,计算样本的统计量,并利用核密度估计(KDE)确定控制限。对于新来的校验样本数据进行二阶差商处理后,向LPP模型上进行投影,计算新数据的统计量并与控制限比较进行故障检测。最后通过多模态数值例子和半导体过程数据的仿真实验结果验证了该算法的有效性。     

局部时差约束邻域保持嵌入算法在故障检测中的应用

传统的邻域保持嵌入(neighborhood preserving embedding,NPE)算法通过k近邻(k-nearest neighbors,k-NN)方法选择邻域进行重构来实现降维。但在实际工业过程中采集的样本具有时序相关性,仅仅通过欧氏距离选择近邻样本不能充分反映数据中包含的信息,从而影响检测效果。因此,提出一种局部时差约束邻域保持嵌入(local time difference constrained neighborhood preserving embedding,LTDCNPE)算法,充分考虑样本间的时间和空间关系,从而建立准确的故障检测模型。首先,该算法在固定尺度的时间窗内,根据样本的时序关系和空间特征挑选出邻域。其次,利用样本间的时间差异为邻域样本进行加权,使数据特征保留了高维空间的局部结构。然后,对降维后得到的主元空间和残差空间构建T^{\mathrm{2}}和SPE统计量并确定控制限。最后,通过数值例子和Tennessee-Eastman(TE)过程仿真验证LTDCNPE算法的有效性。     

基于TGNPE算法的间歇过程故障诊断

间歇过程数据是由批次、变量和时间构成的三维数据,数据内包含了丰富的对过程监控有用的全局和局部结构信息,如何充分提取间歇过程的特征信息是故障诊断的关键。传统方法处理三维数据都是将其展开成二维数据,展开过程必然会导致数据内在结构破坏,并且通常只考虑了数据的全局信息或者只考虑了数据的局部信息,这就不能充分提取过程的有用信息导致诊断效果欠佳。针对以上问题,提出了张量全局-局部邻域保持嵌入(TGNPE)算法,首先用张量分解的方法直接对三维数据进行建模,而不对数据进行展开,这就有效地保存了数据的内部结构,再用邻域保持嵌入算法充分提取数据局部结构信息的同时兼顾数据的全局信息,这就实现了对数据特征信息更加充分地提取,用TGNPE算法检测到故障后用贡献图法诊断出故障变量。通过青霉素发酵过程验证了本文提出的算法对间歇过程数据信息提取更加充分,更利于故障诊断。     

时序约束NPE算法在化工过程故障检测中的应用

针对动态过程的故障检测问题,在邻域保持嵌入算法中改进邻域挑选,提出一种新的维度约简方法：时序约束邻域保持嵌入（time constrained neighborhood preserving embedding,TCNPE）算法。与邻域保持嵌入（neighborhood preserving embedding,NPE）算法只通过欧氏距离挑选邻域不同的是,TCNPE考虑到数据之间的时序相关性,在一定长度的时间窗之内采用k-近邻方法挑选邻域,并对时间窗内近邻与非近邻构造局部约束关系。首先,利用TCNPE提取数据特征,进行线性降维,然后构造T²和SPE统计量并利用密度估计（kernel density estimation,KDE）确定其控制限。最后,通过数值例子和TE过程（Tennessee-Eastman process）仿真来说明本文方法的有效性。     

基于LPP-GNMF算法的化工过程故障监测方法

提出了基于LPP-GNMF算法的化工过程故障监测方法。非负矩阵分解（NMF）是一种新兴的降维算法,由于它在机理上具有潜变量的正向纯加性的特点,所以在对数据进行压缩时,可以基于数据内部的局部特征有效描述数据信息,相比于传统的多元统计过程监控方法如主元分析（PCA）等有更好的解释能力。然而NMF要求原始数据满足非负性的要求,实际的化工过程有时并不能保证,为放宽对原始数据的非负要求,引入了广义非负矩阵分解（GNMF）算法。其次,GNMF在分解的过程中没有考虑到样本间的局部结构和几何性质,可能存在不能准确处理数据的问题。针对这一问题,提出了将GNMF与LPP（局部投影保留）相结合的算法。将提出的LPP-GNMF算法应用于TE过程来评估其监测性能,并与PCA算法、NMF算法、SNMF算法进行比较,仿真模拟结果表明所提算法的可行性。     

一种基于改进KICA的非高斯过程故障检测方法

针对基于核独立元分析(kernel independent component analysis,KICA)的故障检测方法只考虑非高斯信息提取而忽略局部近邻结构保持的问题,提出基于改进KICA的过程故障检测方法。将KICA法中只考虑非高斯信息提取的负熵最大化准则转换为熵最小化准则,结合局部保持投影的相似局部近邻结构准则,提出了同时考虑非高斯信息提取和局部近邻结构保持的目标函数,通过粒子群优化算法进行全局寻优,然后建立监控统计量对过程进行监控。在Tennessee Eastman过程上的仿真结果说明,与基于KICA的故障检测方法相比,所提方法能够在保持数据集局部近邻结构的同时,提取非高斯信息,能够有效缩短故障检测的延迟时间,提高故障检测率。     

基于LECA的多工况过程故障检测方法

针对工业过程监控中的多工况复杂分布数据,提出一种基于局部熵成分分析(LECA)的故障检测方法。为处理数据的多模态分布问题,LECA首先采用KNN-Parzen窗方法估计变量的局部概率密度,进一步构造局部相对概率密度函数降低对窗参数选择的敏感性。为有效挖掘非高斯分布数据中的特征信息,利用信息熵理论计算过程数据的局部信息熵,并采用独立元分析(ICA)方法建立局部熵成分统计模型,实时检测过程故障。在数值例子和连续搅拌反应釜(CSTR)上的仿真结果表明,该方法在故障检测过程中能够获得较好的监控性能。     

The chemical process monitoring method based on temporal extended orthogonal neighbourhood preserving embedding (TONPE)

Due to the high dimensionality, non-linearity and dynamic characteristics of chemical process data, a fault monitoring method based on temporal extension orthogonal neighbourhood preserving embedding (TONPE) is proposed. In order to make up for the shortcomings of the orthogonal neighbourhood preserving embedding (ONPE) algorithm, an information extraction strategy based on spatio-temporal structure is developed. First, a local neighbourhood set with spatio-temporal characteristics is established, and a weight matrix with spatio-temporal is reconstructed for each time point through the nearest neighbour in space and time. Then, a projection matrix with orthogonal constraints is obtained to establish a monitoring model. The TONPE algorithm can fully capture the local dynamic changes of high-dimensional data by extracting two different manifold features, so that the low-dimensional space has better performance capabilities. The simulation results of the continuous stirred tank reactor process and the Tennessee Eastman process verify the effectiveness of the TONPE algorithm in chemical process monitoring.