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。     

基于多核支持向量机的多模态过程故障检测

针对具有多模态、非线性特征的复杂分布数据的工业过程,提出一种基于局部相对概率密度（LRPD）的多核支持向量机（MKSVM）故障检测方法LRPD-MKSVM。首先,计算训练样本的局部概率密度矩阵并进行标准化处理,来消除数据的多模态特性;其次,运用标准化后的概率密度矩阵训练多核SVM模型,获得判别分类函数;之后,将测试数据的概率密度矩阵作为多核SVM模型的输入,对其进行分类;最后,将该方法应用于TE多模态工业过程,分别与基于单核的高斯核函数SVM(RBFSVM)、多项式核函数SVM(POLYSVM)分类方法 对比分析,结果表明：基于多核SVM方法的分类正确率明显优于单核SVM方法。     

多模态化工过程的全局监控策略

引言基于数据驱动的过程监控方法从20世纪80年代建立以来得到了蓬勃的发展,理论体系逐渐完善,功能模块不断丰富。特别是最近几年,来自人工智能,机器学习及信号处理领域的各种方法的引入为该领域注入了新的活力。目前,多数基于数据     

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。     

基于局部相对概率密度kNN的多模态过程故障检测

针对多模态过程数据方差差异明显的空间分布特点,提出一种基于局部相对概率密度k近邻(LRPD-kNN)的多模态过程故障检测方法。首先对训练数据进行标准化,计算训练数据的局部相对概率密度估计值,消除多模态数据的方差差异。然后,对预处理后的数据建立kNN模型,计算统计量和控制限。对于测试数据,计算与训练数据局部相对概率密度的欧式距离平方和,通过比较统计量与控制限进行多模态故障检测。将该方法应用到数值例子和半导体生产过程,仿真结果表明,提出的算法效果要优于PCA、kNN和局部离群因子(LOF)方法,说明算法在方差差异较大的多模态过程故障检测方面具有很高的准确性。     

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。     

基于局部信息的LNS-PCA的多模态过程故障监测

为了满足各种不同的企业生产需求,在实际化工过程中往往包括许多不同的运行模态。因为涉及内部各种反应的复杂性和微妙性,且各个环节相互联系,导致化工过程数据呈现高斯与非高斯数据相互混合的情况,传统多元统计监控(Multivariate Statistical Process Monitoring, MSPM)在多模态数据故障检测领域精确度较低。因此进行准确的复杂化工过程故障检测仍然是一大难题。针对这一类问题,本工作提出了一种新的基于局部信息的近邻标准化和主成分分析(Local Information Local Neighbor Standardization and Principal Component Analysis, LLNS-PCA)的方法建立高精确度的故障诊断模型。首先对样本利用高斯混合模型(Gaussian Mixture Model, GMM)方法分解成多个局部样本,应用每一个局部样本的平均值和方差进行近邻标准化,再使用主元分析进行故障监测。基于PCA监测模型,采用T2和SPE两种监测统计量对多模态过程进行监测。最后通过数值例子和青霉素生产过程验证其有效性。结果表明,相对于...     

A geometric framework for monitoring and fault detection for periodic processes

Although cyclical operation systems are relatively widespread in practice (notably in the realm of physical separations, for example, pressure‐swing adsorption and chromatography), the development of specific fault detection mechanisms has received little attention compared to the extensive efforts dedicated to continuous or batch processes. Here, a novel geometric approach for process fault detection is proposed. Specifically, a time‐explicit multivariable representation of data collected from the process, which provides a natural framework for defining “normal” operation and the corresponding confidence regions is developed. On this basis, a two‐step fault detection approach is proposed, based on detecting intercycle variations to locate a faulty cycle, and intracycle changes to determine the exact timing of a fault. The theoretical developments are illustrated with two simulation case studies. © 2017 American Institute of Chemical Engineers AIChE J, 63: 2719–2730, 2017     

基于支持向量数据描述的非高斯过程故障重构与诊断

提出一种基于支持向量描述（SVDD）的统计过程监控与故障重构及诊断算法,避免了PCA、PLS等传统统计过程监控方法假设过程数据服从高斯分布的不足。鲁棒故障重构算法通过迭代保证重构后的数据对应的SVDD监控统计量最小化。诊断算法根据故障集中的不同故障重构后监控统计量是否恢复正常,确定实际发生的过程故障。CSTR过程的仿真研究表明了所提出方法的有效性。     

External analysis‐based regression model for robust soft sensing of multimode chemical processes

To remove the influence of operation mode changes in the chemical process, the whole variable set is partitioned into external, main, and quality variables. External variables are related to the operation mode. Two regression models are initially developed between external variables and main variables/quality variables, based on which the influence of the operation mode is removed from both input and output of the soft sensor. Then, an additional regression model is constructed for soft sensing, which is robust to the change of the operation mode. Compared to existing methods, the new method has advantages to handle two critical issues: (1) capable of quality estimation in new process modes; (2) able to distinguish changes in operation modes from process faults. Besides, a monitoring and analysis strategy is proposed for performance evaluation of the new soft sensor. Two case studies are provided to illustrate the efficiency of the proposed method. © 2013 American Institute of Chemical Engineers AIChE J, 60: 136–147, 2014     

A new monitoring method for the between-mode transition of multimode processes

In practical industrial processes, the between-mode transition commonly exists. It is accepted that the transition has a closer association with its neighbouring modes than with the other modes in the multimode processes. Thus, this paper first separates the subspace based on the relationships between the transition and the features of its neighbouring modes. Then it models the local information of the transition in the remaining subspace. In this way, a complete monitoring structure is set up from cross-mode and inner-mode viewpoints. Moreover, the new monitoring method can be applied without special conditions. Both the three tank practical process and the Tennessee Eastman challenge problem have validated the effectiveness of the proposed method.