基于隐变量空间载荷余弦相似度的间歇过程递推优化

针对间歇过程基于主元相似度优化方法中存在的变量相关性信息损失问题,提出一种单位化隐变量空间下利用载荷余弦相似度进行递推优化的新策略。首先将各时段变量与指标变量构成的扩展矩阵进行主元分解,通过信息的重新分配使得由主元构成的隐变量空间是单位正交的,从而得到包含更多变量相关信息的非单位化载荷矩阵,进一步计算隐变量空间下各时段变量与指标变量之间载荷余弦相似度和批次间指标增量,并对操作曲线进行递推修正。这种非单位化载荷矩阵的主元分解形式,不仅降低了隐变量空间下变量相关性信息损失,也使得更新操作曲线的递推算法更为简化。最后,通过间歇过程某一化工产品结晶纯度的优化研究,验证了所提方法的有效性。     

基于主元相似度的间歇过程操作曲线递推优化

针对一类较长周期的间歇过程操作优化问题,提出了一种基于正常运行批次的数据驱动型操作曲线递推优化方法。首先采用分段离散化方法将原非线性优化问题转化为线性优化问题,再利用主元分析对离散化后的高维时段变量进行降维处理,然后在降维后的主元平面中,基于时段变量与最终产品指标间的余弦相似度,实现对原操作曲线的摄动优化。考虑到时段变量方差和相似度随批次会发生变化,建立了递推算法以实现操作曲线的递推更新。最后将该方法应用于某化工产品的间歇结晶过程中,结果验证了所提方法的有效性。     

基于主元相似度的间歇过程操作曲线递推优化

针对一类较长周期的间歇过程操作优化问题,提出了一种基于正常运行批次的数据驱动型操作曲线递推优化方法。首先采用分段离散化方法将原非线性优化问题转化为线性优化问题,再利用主元分析对离散化后的高维时段变量进行降维处理,然后在降维后的主元平面中,基于时段变量与最终产品指标间的余弦相似度,实现对原操作曲线的摄动优化。考虑到时段变量方差和相似度随批次会发生变化,建立了递推算法以实现操作曲线的递推更新。最后将该方法应用于某化工产品的间歇结晶过程中,结果验证了所提方法的有效性。     

基于正交余弦相似度的间歇过程操作曲线优化

针对间歇过程的操作曲线优化问题,利用正交信号校正算法,提出一种基于正交余弦相似度的数据驱动型优化策略。利用部分批次指标变量定义指标相关子空间,并通过奇异值分解获得背景空间的基,将新批次时段变量投影到正交基上从而提取出指标相关的信息;采用主元分析算法对校正后的变量降维,在降维后的载荷平面中,基于各校正时段变量与指标变量的余弦相似度实现操作曲线的优化;考虑到变量间的相似度会随着批次发生变化,推导出递推算法来更新操作曲线。将该方法应用到双酚A间歇结晶过程的温度曲线优化中,预测产率的提升验证了所提方法的可行性。     

基于核相似度支持向量数据描述的间歇过程监测

基于支持向量数据描述的间歇过程监测方法选择历史过程数据中最大的核距离作为控制限,忽略了高维空间中超球体的不规则性,导致基于该方法的过程监测精度不高。针对上述问题,提出了一种基于核相似度支持向量数据描述的间歇过程监测方法,将间歇过程数据待监测样本与支持向量之间的核函数值作为相似度权重,利用该相似度对不同时刻的支持向量球心距加权求和,得到待监测间歇过程数据样本的动态控制限,通过判断待监测样本的球心距是否超过其动态控制限,实现间歇过程监测。所提方法综合考虑了超球体的不规则性和过程数据在高维空间分布的局部特性,以及间歇过程数据待监测样本的时变性,提高了间歇过程监测的准确性。利用数值仿真实验和半导体金属刻蚀实验验证了该方法的有效性。     

基于核相似度支持向量数据描述的间歇过程监测

基于支持向量数据描述的间歇过程监测方法选择历史过程数据中最大的核距离作为控制限,忽略了高维空间中超球体的不规则性,导致基于该方法的过程监测精度不高。针对上述问题,提出了一种基于核相似度支持向量数据描述的间歇过程监测方法,将间歇过程数据待监测样本与支持向量之间的核函数值作为相似度权重,利用该相似度对不同时刻的支持向量球心距加权求和,得到待监测间歇过程数据样本的动态控制限,通过判断待监测样本的球心距是否超过其动态控制限,实现间歇过程监测。所提方法综合考虑了超球体的不规则性和过程数据在高维空间分布的局部特性,以及间歇过程数据待监测样本的时变性,提高了间歇过程监测的准确性。利用数值仿真实验和半导体金属刻蚀实验验证了该方法的有效性。     

基于主元相似度的间歇过程操作曲线多阶段融合优化

针对一类具有多阶段特性的间歇过程操作曲线优化问题,提出了一种基于过程正常运行批次的数据驱动型操作曲线多阶段融合优化方法。首先通过时间片矩阵的划分以及主元分析,计算加权时间片载荷矩阵,并对其进行聚类分析得出过程的阶段;然后在每一阶段下利用时段变量与指标变量的相似度修正操作曲线;最后通过计算各阶段与指标变量的相关系数,获取阶段的权重从而实现操作曲线融合。将该方法应用到某化工产品的间歇结晶过程中,结果验证了所提方法的有效性。     

基于IDPC-RVM的多模态间歇过程质量变量在线预测

间歇过程具有多模态特性,现有的间歇过程模态划分方法中过程数据高维特征和模态中心的选取直接影响模态划分结果的合理性,进而影响间歇过程质量变量在线预测的精度。为提高间歇过程质量变量在线预测的精度,提出了一种基于改进密度峰值聚类相关向量机(improved density peaks clustering-relevance vector machine,IDPC-RVM)的间歇过程质量变量在线预测方法。首先,在密度峰值聚类算法基础上,考虑过程数据的高维特征进行样本相似性度量,并通过样本密度不平衡下的模态中心选取策略准确获取间歇过程模态中心;其次,利用模态划分指标在无须先验知识的情况下获取间歇过程最优模态数目,并识别过渡模态完成间歇过程的模态划分;最后,建立各模态数据的RVM预测模型,实现间歇过程质量变量的在线预测。青霉素发酵过程的实验结果表明,与RVM、SCFCM-RVM和DPC-RVM方法相比,对青霉素浓度预测的均方根误差(RMSE)降低至0.0093,判定系数(R²)提升至0.9995,有效地提高了预测精度。     

基于IDPC-RVM的多模态间歇过程质量变量在线预测

间歇过程具有多模态特性,现有的间歇过程模态划分方法中过程数据高维特征和模态中心的选取直接影响模态划分结果的合理性,进而影响间歇过程质量变量在线预测的精度。为提高间歇过程质量变量在线预测的精度,提出了一种基于改进密度峰值聚类相关向量机(improved density peaks clustering-relevance vector machine,IDPC-RVM)的间歇过程质量变量在线预测方法。首先,在密度峰值聚类算法基础上,考虑过程数据的高维特征进行样本相似性度量,并通过样本密度不平衡下的模态中心选取策略准确获取间歇过程模态中心;其次,利用模态划分指标在无须先验知识的情况下获取间歇过程最优模态数目,并识别过渡模态完成间歇过程的模态划分;最后,建立各模态数据的RVM预测模型,实现间歇过程质量变量的在线预测。青霉素发酵过程的实验结果表明,与RVM、SCFCM-RVM和DPC-RVM方法相比,对青霉素浓度预测的均方根误差(RMSE)降低至0.0093,判定系数(R²)提升至0.9995,有效地提高了预测精度。     

基于变量分组DTW-MCVA的不等长间歇过程故障检测方法

针对不等长间歇过程监控中批次数据同步化未能充分挖掘局部信息的问题,提出一种基于变量分组DTW-MCVA (VGDTW-CVA)的不等长间歇过程故障检测方法。首先,利用互信息矩阵描述不等长间歇过程测量变量之间的相关性,并基于互信息矩阵进行变量分组。然后利用DTW算法对各个变量组分别进行同步化,并将同步化后的变量组整合为完整的三维数据集。最后,利用MCVA方法建立动态监控模型实现对间歇生产过程的在线监控。盘尼西林发酵过程的仿真结果表明,VGDTW-MCVA能够比基本的DTW-MCVA方法更好地监控间歇过程故障。     

基于变量分组DTW-MCVA的不等长间歇过程故障检测方法

针对不等长间歇过程监控中批次数据同步化未能充分挖掘局部信息的问题,提出一种基于变量分组DTW-MCVA（VGDTW-CVA）的不等长间歇过程故障检测方法。首先,利用互信息矩阵描述不等长间歇过程测量变量之间的相关性,并基于互信息矩阵进行变量分组。然后利用DTW算法对各个变量组分别进行同步化,并将同步化后的变量组整合为完整的三维数据集。最后,利用MCVA方法建立动态监控模型实现对间歇生产过程的在线监控。盘尼西林发酵过程的仿真结果表明,VGDTW-MCVA能够比基本的DTW-MCVA方法更好地监控间歇过程故障。     

基于偏最小二乘隐变量空间的控制器设计方法

基于偏最小二乘（PLS）隐变量空间的控制利用PLS算法内部关系主元独立的结构,可以实现自动解耦多变量之间的严重相关性,且自动实现隐变量变量配对,从而使得MIMO控制简化为SISO控制。由于PLS为稳态算法,要进行动态PLS算法才能与控制要求相符。但是因为PLS隐变量之间并不能完全消除相关性,因此如果采用PID控制器,在整定时回路之间将相互影响且控制器参数不稳定,由此进行了基于动态PLS隐变量空间模型的最优化控制。同时就加压网前箱和一个蒸馏器给出了该控制方法的仿真应用,显示了该方法的特性。     

间歇精馏塔启动过程的模型化

引　言在以往的研究中 ,间歇精馏塔的模型大部分建立在平衡模型的基础上[1] ,系统初值的选取基于伪热初始状态 ,即每层塔板上有足够的积液量 ,塔板温度在泡点温度以上的汽液平衡状态 .多数间歇精馏过程的仿真模拟软件中使用伪热状态作为初始状态[2 ] ,例如 ,ＨＹＳＹＳ Ｒ○ (Ｈｙｐｒｏｔｅｃｈ )、ＢＡＴＣＨＦＲＡＣＴＭ (Ａｓｐｅｎｔｅｃｈ )和ＣＣ -ＢＡＴＣＨ Ｒ○(ＣＨＥＭＣＡＤ) .它们都是通过稳态和平衡计算为微分代数方程组提供了满足一致性要求的初始值 .间歇精馏过程的一个特点就是精馏塔频繁地从冷状态启动 ,初始状态会因再…     

基于Fisher子空间特征提取的间歇过程监控和故障诊断

1 INTRODUCTION Process monitoring and fault diagnosis are the most important tasks that determine the successful operation and the final product quality. In batch proc- ess, small changes in the operating conditions may impact the final product quality, which is often exam- ined off-line in a laboratory. If the quality variable does not satisfy a specified criterion, then it is not possible to examine the causes of fault and the time of its occurrence[1]. Therefore, early fault detection …     

基于输入轨迹参数化的间歇过程迭代学习控制

针对间歇过程的迭代学习控制问题,提出了一种基于输入轨迹参数化的迭代学习控制策略。根据最优输入轨迹的主要形态特征,将其参数化为较少量的决策变量,降低传统迭代学习控制复杂性的同时维持良好的优化控制效果。基于输入轨迹参数化的迭代学习控制策略能保持算法的简洁性和易实现性,在不确定扰动影响下逐步改善产品质量。对一个间歇反应器的仿真研究验证了本文方法的有效性。     

基于PSO-控制变量参数化混合策略的间歇化工过程优化控制

控制变量参数化方法作为一种化工过程动态优化的梯度搜索算法,其求解效率过于依赖初始给定轨迹。目前初始轨迹一般都是设定在边界值或中间值,缺乏科学依据,从而大大影响了算法的收敛速度。针对这一问题,提出了一种粒子群优化(PSO)与控制变量参数化方法混合的策略,首先利用粒子群优化对间歇化工过程最优控制量进行求解,结果作为控制变量参数化方法初始给定轨迹,进行二次优化。双层优化的混合策略提高了控制变量参数化方法的收敛速度和粒子群优化算法的求解精度。将混合策略应用于两个间歇化工过程优化控制实例,仿真结果表明了该算法对求解化工过程动态优化问题具有可行性和有效性。     

基于PSO-控制变量参数化混合策略的间歇化工过程优化控制

控制变量参数化方法作为一种化工过程动态优化的梯度搜索算法，其求解效率过于依赖初始给定轨迹。目前初始轨迹一般都是设定在边界值或中间值，缺乏科学依据，从而大大影响了算法的收敛速度。针对这一问题，提出了一种粒子群优化(PSO)与控制变量参数化方法混合的策略，首先利用粒子群优化对间歇化工过程最优控制量进行求解，结果作为控制变量参数化方法初始给定轨迹，进行二次优化。双层优化的混合策略提高了控制变量参数化方法的收敛速度和粒子群优化算法的求解精度。将混合策略应用于两个间歇化工过程优化控制实例，仿真结果表明了该算法对求解化工过程动态优化问题具有可行性和有效性。     

基于MPCA-MDPLS的间歇过程的故障诊断

针对间歇过程的故障诊断问题,提出了一种新的混合模型方法——MPCA-MDPLS.这种方法包括两个模型：多向主元分析(MPCA)模型和多向判别部分最小二乘(MDPLS)模型.这两个模型的建模数据不仅包括正常工况的数据,而且还包含了各种已知故障数据.因此,MPCA模型具有检测未知故障的能力.给出了MDPLS模型故障诊断限,对经MPCA模型检测不是未知故障的故障做进一步诊断.如果故障是未知的,可以采取其他的方法来分析新的故障,并按不同类别存入到数据库中.当多次出现这种故障之后（一般≥5次）,把新的故障数据加入到建模数据中,并重新建立MPCA-MDPLS模型.通过对实际工业链霉素发酵过程数据的分析,表明了提出的算法是可行的、有效的,并具有识别未知新故障的能力.     

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。     

基于过程迁移的间歇过程终点质量预报方法

提出了一种基于过程迁移的间歇过程质量预报方法,旨在解决新间歇过程数据不足难以建立准确预报模型的问题。该方法基于多元统计回归分析模型,通过构建相似间歇过程间的共同潜变量空间,将已有相似间歇过程的数据信息迁移应用到未建模的新间歇过程中,实现新间歇过程的快速建模和质量预报。在线应用时,利用在线数据不断更新过程迁移模型;同时,实时估计模型预测误差的置信区间,判断预报模型预测误差的稳定性;为克服相似过程间可能存在的差异给迁移模型带来的不利影响,根据数据相似度逐步剔除相似间歇过程数据。最后,通过仿真实验验证了所提方法的有效性。