基于FDA-KDE间歇过程在线监控

针对基于传统的多向主元分析(Multiway Principal Component Analysis,MPCA)方法用于间歇过程在线监控时需要对新批次未反应完的数据进行预估,从而易导致误诊断,且统计量控制限的确定是以主元得分呈正态分布为假设前提的缺陷,结合Fisher判别分析(Fisher Discriminant Analysis,FDA)在数据分类及非参数统计方法核密度估计(Kernel Density Estimation,KDE)在计算概率密度函数方面的优势,提出了一种FDA-KDE的间歇过程监控方法。该方法首先利用FDA求取正常工况数据和故障数据的Fisher特征向量和判别向量,获得Fisher特征向量的相似度:然后在提出偏平均集成平方误差(Biased Mean Integrated Squared Error,BMISE)交叉验证法确定KDE的带宽从而获得相似度统计量控制限的基础上,利用已获得的数据测量值对过程进行监控,避免了基于MPCA方法对未来测量值的预估;最后采用基于Fisher判别向量权重的贡献图方法来进行故障诊断。通过对青霉素发酵间歇过程应用表明,所提出的方法比传统的MPCA方法能更及时地监测出过程异常情况,更准确地判断异常发生的原因。     

基于GLRGMM的间歇过程在线监控策略

针对间歇过程的非线性和动态性,提出了全局—局部正则化高斯混合模型 （GLRGMM）算法。首先引入邻域保持嵌入算法提取局部流形结构,通过寻求一种低维投影对非线性过程进行全局结构保持,同时最大限度地保留局部流形特征;然后通过对高斯混合模型引入正则项来在线监控更新高斯模型,获取非线性数据流形结构,解决数据动态性问题;最后集成全局—局部监控指标实现在线监控。通过青霉素发酵过程进行了验证,结果表明所提算法比DPCA、GLNPE具有更好的在线监控效果。     

间歇过程动态潜结构阶段划分与在线监控

阶段划分是间歇过程准确建模和有效监控的前提.针对传统阶段划分方法未考虑间歇过程的动态性造成阶段划分不准确、影响监控精度,且具有参数选择难、鲁棒性差的局限,提出一种基于动态潜结构的动态间歇过程阶段划分与在线监控方法.首先,对间歇过程三维张量数据沿变量方向展开,并增加时滞变量构建增广矩阵来提取过程动态关系;然后,以增广矩阵...     

基于TTGNPE算法的间歇过程监控

针对间歇过程中三维数据展开为二维造成的部分信息丢失以及数据的全局和局部结构可能发生的变化,提出一种基于张量分解的时序扩展全局局部邻域保持嵌入(TTGNPE)算法.首先利用TTGNPE算法直接处理间歇过程中的三维数据,以避免因展开为二维而造成的信息丢失;然后,将近邻流形嵌入并引入数据空间的全局和局部结构保持中,充分提取数据的局部和全局特征信息;最后,结合移动数据窗技术来处理过程的动态时变性,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所提出的算法对间歇过程故障检测与诊断的优越性.     

基于组态王的间歇蒸煮过程监控系统

针对立式蒸煮罐设计了一套基于组态王6．0软件的间歇蒸煮过程监控系统，实现对木浆的H因子的准确预报，并且可以根据不同工艺情况在线的选择升温曲线，实现蒸煮制浆过程的自动控制。     

基于SUPCON JX—300间歇过程监控系统的实现

本文介绍了一个基于ＳＵＰＣＯＮＪＸ－３００的间歇生产过程监控系统的实现，并给出了控制系统结构和基于ＪＸ－３００的ＳＣ语言的具体实施方法，在某调味品公司的酱油生产过程中得到应用，取得了显著的经济效益。     

基于自适应多向独立成分分析的间歇过程监控的研究

针对间歇过程批次与批次之间,操作条件缓慢变化的特性,提出一种基于自适应多向独立成分分析(MICA)的监控算法。该方法首先用MICA法建模,然后在历史数据集中加入新的正常批次并剔除最早批次,逐渐更新模型,同时引入遗忘因子,提高对新过程特性的适应性。青霉素发酵过程的仿真结果表明,自适应MICA比MICA更准确地描述过程行为,并有效减少检测故障时的误报。     

一种新的间歇过程鲁棒在线监控方法

多向主元分析(MPCA)的统计监控模型,因为易受建模数据中离群点的影响,还需预估新批次未反应完的数据,所以提出一种新的间歇过程鲁棒在线监控法。先利用改进尺度的CDC/MVT算法获取常规建模的批次数据;再用多模型非线性结构代替传统的MPCA单模型线性化结构,并提出确定时滞变量的算法。前者用于监控β-甘露聚糖酶发酵批过程,并与移动窗多向主元分析(MWMPCA)法相比,即使建模数据中存在离群点,前者仍能获得正确的监控结果,减少建模时对数据的要求;同时克服了MPCA不能处理实时性的问题,避免了MPCA在线应用时预测值的误差;更能精确描述过程的故障,准确性和实时性良好。     

基于WaveARX神经网络的间歇过程工况监测

研究利用ＷａｅＡＲＸ神经网络构造间歇过程的非参数化逼近模型，在分析其逼近偏差的基础上提出了一种非线性优滤波器设计方法，用于间歇过程的工况监测，实例仿真研究证实了该方法的可行性和有效性。     

六甲基二硅胺烷与六甲基二硅氮烷间歇生产过程监控

针对间歇生产过程具有的多批次、非线性和动态性特点等,基于多向主元分析,提出一种改进的过程监控和质量一致性方案,并在此基础上实现质量控制与生产优化.进一步以某化工厂的六甲基二硅胺烷(hexamethyldisilane,HMDZ)和六甲基二硅氮烷(hexa-methyldisilazane,HMDS)间歇生产过程为例,详...     

基于改进MPLS的间歇过程监测与故障诊断

针对间歇过程三维数据预处理中不同展开方式的多向偏最小二乘(MPLS)方法在线应用时存在的缺陷,提出改进的MPLS方法。该方法结合传统沿变量展开与批次展开的优势,不仅包含了批次间的信息,在一定程度上去除了过程的非线性及动态性,而且解决了在线应用时数据填充的问题;其次,该方法采用随时间更新的协方差代替固定的主元协方差充分考虑了得分向量的动态特性:最后,引进时变贡献图的故障诊断方法,实现了对故障源的实时跟踪。将该方法应用到工业青霉素发酵过程中,并与传统的MPLS方法进行比较。结果表明:该方法具有更好的监控性能,并能够及时检测故障及跟踪故障源。     

Batch process monitoring with tensor factorization

A batch process monitoring method using tensor factorization, tensor locality preserving projections (TLPP), is proposed. In many existing vector-based methods on batch process monitoring such as MPCA and MLPP, a batch data is represented as a vector in high-dimensional space. But vectorizing batch data will lead to information loss. Essentially, a batch data is presented as a second order tensor, or a matrix. In this case, tensor factorization may be used to deal with the two-way batch data matrix directly instead of performing vectorizing procedure. Furthermore, tensor representation has some advantages such as low memory and storage requirements and less estimated parameters for normal operating condition (NOC) model. On the other hand, different from principal component analysis (PCA) which aims at preserving the global Euclidean structure of the data, the TLPP aims to preserve the local neighborhood information and to detect the intrinsic manifold structure of the data. Consequently, TLPP may be used to find more meaningful intrinsic information hidden in the observations. The effectiveness and advantages of the TLPP monitoring approach are tested with the data from a benchmark fed-batch penicillin fermentation and two industrial fermentation processes, penicillin and cephalosporin, respectively.     

基于改进的MPCA与DTW方法及其在批过程故障诊断中的应用

针对传统的多向主元分析(Multiway Principal Component Analysis,MPCA)常会导致误诊断,且对批生产过程难以保证在线状态监测和故障诊断的实时性,提出了一种改进的MPCA与动态时间错位(Dynamitc Time Warping,DTW)方法,该方法采用多模型非线性结构代替传统的MPCA单模型线性化结构,并利用对称式DTW算法解决了多元轨迹同步化的问题。将该方法应用到青霉素发酵批过程的在线故障监测中,结果表明它克服了MPCA不能处理非线性过程和实时性问题,并避免了MPCA在线应用时预报未来测量值带来的误差,提高了批过程性能监测和故障诊断的准确性。     

基于判别核主元空间k近邻的批次过程监视

针对批次过程非线性、多模态等特征,提出一种基于判别核主元k近邻（Dis-kPCkNN）的故障检测方法。首先,在核主元分析（kPCA）中,高斯核的窗宽参数依据样本类别标签在类内窗宽和类间窗宽中判别选取,使得核矩阵能有效提取数据的关联特征,保持数据的类别信息;其次,在核主元空间中引用k近邻规则代替传统的T²统计方法,k近邻规则可以有效处理主元空间非线性和多模态等特征的故障检测问题。数值模拟实例和半导体蚀刻工艺过程仿真实验表明:基于判别核主元k近邻方法可以有效地处理具有非线性和多模态结构特征的故障检测问题,提高计算的效率,减少内存的占用,并且故障检测率明显优于传统方法。     

Batch process monitoring in the original measurement's space

Quality control and safety related issues have become more and more important in industrial production of high added value products and chemical specialities during last years. In this regard, many successful applications of multivariate statistical process control (MSPC) for monitoring and diagnosis of batch processes have been presented. It is a common industrial practice to monitor the batch progress by exploiting the information contained in a historical database of successful batches using projection techniques such as principal components analysis (PCA), partial least squares (PLS) and independent component analysis (ICA). In this work, a new MSPC strategy for batch process monitoring is presented. Its distinctive feature is that it works in the space of the original variables. The technique uses only the T²-statistic for detection and identification purposes. The identification of the set of observations that signal the fault is accomplished by decomposing the T²-statistic as a unique sum of each variable contribution. Performance comparisons among the proposed strategy and the most popular PCA-based approaches are carried out by simulation of polymerization and penicillin cultivation batch processes. Results show that the new approach can be successfully applied to monitor this kind of processes since it works very well during both fault detection and identification stages.