基于LTSA的ICA方法及其在化工过程监控中的应用

独立成分分析(ICA)方法在线性非高斯过程的监控领域得到了成功应用,当过程数据非线性较强时效果不理想。局部切空间排列(LTSA)方法能够从在高维空间中呈现高度扭曲的数据集中发现隐含在其中的非线性结构。本文结合ICA和LTSA二者的优点,提出LTSA-ICA过程监控方法,首先用LTSA从高维数据空间中提取出低维子流形,然后在这个低维子流形上执行线性ICA算法,在保留ICA对非高斯过程处理优势的同时,较好地解决了非线性的问题。在田纳西-伊斯曼(TE)过程上的仿真表明上述方法的有效性。     

基于约翰逊转换的鲁棒化工过程监控方法

化工厂中一个小故障可能导致大事故,从而造成生命财产损失和环境破坏。为了防止小故障演变成大事故,化学工业需要有效的过程监控来及时检测故障和诊断故障原因。传统化工过程监控方法主元分析法(Principal Component Analysis, PCA)假设数据服从高斯分布,实践中有时并不满足该条件。此外,其使用方差、协方差捕捉数据非线性变化时,鲁棒性较差。本工作提出一种改进的主元分析法—基于约翰逊转换的鲁棒过程监控方法。首先引入约翰逊正态转换(Johnson Transformation)使过程数据服从高斯分布;其次使用鲁棒性强的斯皮尔曼相关系数(Spearman Correlation Coefficient)矩阵代替传统主元分析法的协方差矩阵提取特征向量,构造特征空间;最后将过程数据投影到特征空间,使用T2和SPE统计量实施过程监控。将此方法应用于TE过程故障案例,并与PCA和核主元分析法(Kernel Principal Component Analysis, KPCA)对比,验证了此方法的有效性。     

因子分析及其在过程监控中的应用

概率主元分析（PPCA）模型是因子分析（FA）模型的一种特殊形式，而主元分析（PCA）模型是PPCA模型的一种特例。PPCA和PCA已经在过程监控中得到了成功的应用，但是这两种方法的约束条件较多，而FA约束条件少，因此更能反映数据的本质特征。本文将FA引入工业过程监控，通过期望最大化（EM）算法建立FA模型，然后提出基于FA的监控指标，并讨论了因子个数的选择方案。在田纳西-伊斯曼（TE）过程中的应用结果以及与PCA、PPCA监控结果的对比表明了该方法的优越性。     

动态因子分析模型及其在过程监控中的应用

在复杂工业系统的监控中,因子分析（FA）方法不需要专业的机理知识,应用系统日常运行数据建立模型,充分考虑了模型误差的普遍意义,具有较大的推广价值。针对实际过程的动态特性,基于自回归（AR）方式扩展过程变量数据矩阵,本文提出一种动态因子分析（DFA）的数据建模方法,充分提取了变量的自相关信息和互相关信息。另一方面,将DFA引入过程监控中,构建统计量作为监控指标,分别衡量变量的特征信息和误差信息,从而实现对动态过程运行状况的监控与评估。在Tennessee-Eastman（TE）过程中的应用研究,反映了这种方法的优越性。     

基于小波变换去噪的多元统计投影分析及其在化工过程监控中的应用

引　言化工过程数据的重要特点之一是受噪声污染严重 ,这严重影响了过程信息处理和分析的效果 .例如 ,在运用多元统计过程控制 (MSPC)进行化工过程监控时 ,直接利用这些受到污染的测量信息对过程进行分析 ,必然会导致较大的误差 ,使结果置信度下降 .对于过程故障诊断来说 ,就会产生较高的误报率或漏报率 .为解决这一问题 ,人们运用小波变换对测量信号进行去噪 ,提高了信号的置信度并取得了较　.　好的应用效果[1] .然而 ,通常的小波变换去噪是针对过程测量信号直接进行分频去噪 ,并没有考虑信号间的相关关系 ,因而这一处理方法不能更有效…     

PCA和PPCA在化工分离过程监控中的应用比较

在利用主元分析(PCA)作统计监控时,没有主元与变量之间的生成模型,出现了检测指标量度不一致且只能离线故障识别等缺陷.而概率主元分析(PPCA)则在确定主元和误差的概率函数后,利用期望最大化(EM)算法建立了过程的生成模型,克服了PCA的不足.最后通过PCA和PPCA在化工分离过程监控中的应用比较,证明PPCA监控法方便、有效.     

独立元分析方法(ICA)及其在化工过程监控和故障诊断中的应用

引　言近年来 ,多元统计过程控制 (multivariatestatisti calprocesscontrol,MSPC)作为一种基于多元统计投影理论的过程性能监控和故障诊断技术受到了学术界和工业界的广泛重视 ,并在化工生产过程中得到了成功应用[1] .MSPC中 ,人们采用主元分析方法(PCA)从过程观测数据中提取统计无关主元 ,通过构造各种信息统计量对过程运行状况进行统计分析 ,判断过程运行是否偏离了正常的操作区域并诊断引起状态偏移的原因 ,其结论成立的前提是要求观测数据服从正态分布[2 ] .然而 ,实际的工业过程数据大都不满足正态分布条件 ,传统的PCA必然导致…     

基于LTSA和联合指标的非高斯过程监控方法及应用

很多实际工业过程数据都具有高维、非线性且不严格服从高斯分布等特点。为处理数据维数高且是高斯分布和非高斯分布的混合体等问题,实现高效的过程监控,提出了一种基于LTSA和联合指标的非高斯过程监控方法。首先采用局部切空间排列(LTSA)算法从正常样本数据中提取低维子流形以实现维数约减;然后基于非高斯-高斯两步策略建立统计模型并得到非高斯统计量和高斯统计量,再对其进行加权得到新的统计量以实现对过程的监控;最后将该方法应用于田纳西-伊斯曼标准测试平台和实际乙烯裂解炉的过程监控,说明了所提方法的有效性。     

多元统计过程监控在FCCU中的应用

介绍多元统计过程监控(MSPM)的技术特点,结合流化催化裂化装置(FCCU)的工艺,对MSPM在FCCU中关于多元统计过程监控位号集设计及软硬件实施等问题进行了讨论。     

化工生产过程的微机监控系统

叙述了微机监控系统在工业控制过程中的应用。此系统可根据生产工况的变化，不断改变给定值，以达到最佳控制目的。系统ＣＲＴ采用触摸式彩显，各种工艺参数以画面及表格的形式形象地显示出来，给操作人员带来很大的方便，并可扩展ＰＩＤ控制功能。     

基于LTSA和MICA与PCA联合指标的过程监控方法及应用

独立成分分析(ICA)方法主要被用来对线性非高斯过程进行监控,为了提高对非高斯过程的监控效果,则利用过程数据信息对ICA的监控指标进行了改进,提出了一种改进的独立成分分析(MICA)方法。许多实际工业过程数据都具有非线性、非高斯与高斯混合分布的特点,为此提出了一种基于LTSA和MICA与PCA联合指标的过程监控的方法。首先采用局部切空间排列(LTSA)算法对样本数据进行非线性降维,然后分别用MICA和PCA方法得到非高斯与高斯统计量,对其进行加权得到新的统计量,并被用于过程监控。最后将该方法应用在田纳西-伊斯曼(TE)过程和乙烯裂解炉的过程监控中,证明了该方法的有效性。     

基于DIFA的动态非高斯过程监控方法及其应用

引言 近年来,随着生产过程结构日益复杂,过程变量与采样数据、数据间耦合关系均日渐增强,企业对于产品质量以及生产过程安全的要求日渐提高,对过程监控技术的改进与革新也日益重视,基于数据驱动的多元统计过程监控方法(MSPC)因其避免构建复杂机理模型、充分利用过程采样数据而受到学术界及工业界的广泛关注,并在化工过程中取得了成功应用.     

基于ReliefF的主元挑选算法在过程监控中的应用

传统的主成分分析（principal component analysis,PCA（算法选取包含大部分方差信息的成分作为主元,并将其应用到过程监控中。但是故障信息不一定会投影到方差较大的成分上,使用方差贡献度挑选主元会导致严重的信息丢失和监控效果的恶化。因此使用ReliefF-PCA算法,其中ReliefF算法从故障角度出发,挑选出在区分正常样本和故障样本上权重更高,效果相对更好的成分作为主元。这样挑选出的主元避免了传统PCA算法在主元挑选过程中出现的主观性、盲目性以及重要信息的丢失。ReliefF-PCA算法在过程监控中主要有两个优势,第1,监控效果更好;第2,对原始数据降维效果更好。随后,基于ReliefF-PCA算法,提出一种加权的故障变量贡献图方法。最后,通过Tennessee Eastman（TE（仿真实验测试,ReliefF-PCA算法达到了预期效果。     

A non-Gaussian pattern matching based dynamic process monitoring approach and its application to cryogenic air separation process

Principal component analysis (PCA) based pattern matching methods have been applied to process monitoring and fault detection. However, the conventional pattern matching approaches do not specifically take into account the non-Gaussian dynamic features in chemical processes. Furthermore, those techniques are more focused on fault detection instead of fault diagnosis. In this study, a non-Gaussian pattern matching based fault detection and diagnosis method is developed and applied to monitor cryogenic air separation process. First, independent component analysis (ICA) models are built on the normal benchmark and monitored data sets along sliding windows. The IC subspaces from the benchmark and monitored data are then extracted to evaluate the non-Gaussian patterns and detect process faults through a mutual information based dissimilarity index. Further, a difference subspace between the two IC subspaces is computed to characterize the divergence of the dynamic and non-Gaussian patterns between the benchmark and monitored data. Subsequently, the mutual information between the IC difference subspace and each process variable direction is defined as a new non-Gaussian contribution index for fault identification and diagnosis. The presented approach is applied to a simulated cryogenic air separation plant and the monitoring results are compared against those of PCA based pattern matching techniques and ICA based monitoring method. The application study demonstrates that the developed non-Gaussian pattern matching approach can effectively monitor the complex air separation process with superior fault detection and diagnosis capability.     

基于PSO的间歇生产鲁棒统计过程监控

间歇过程广泛应用于精细化工产品、生物化工产品等高附加值产品的制备.为提高间歇生产的可重复性,提高批次之间产品的一致性,多向主元分析法(MPCA)广泛应用于间歇生产过程的监控.针对MPCA统计监控模型容易受到建模数据中离群点影响的不足,提出了一种基于微粒群优化算法(PSO)的鲁棒MPCA分析方法,并进一步给出了相应鲁棒监控统计量的计算方法.对于链霉素发酵过程的监控表明,相对于普通MPCA,鲁棒MPCA在建模数据中存在离群点时仍能够给出正确的统计监控模型,从而有效减少了建模过程对数据的要求.     

WBRPLSR方法及其在化工软测量中的应用

及时测定化工过程变量,对确保生产过程稳定、有效控制产品质量具有重要意义.基于实时样本数据,采用偏最小二乘方法,以分块递归的方式,为过程变量建立软测量模型.在分析时序数据特性的基础上,引入加权策略,并提出选定相关参数的方法步骤,推导构建了加权分块递归偏最小二乘回归方法（WBRPLSR）.将该法实际应用于某公司PTA装置溶剂脱水塔,为塔釡排出液H₂O含量建立软测量模型,效果良好.与已有方法相比,它提高了建模效率,改进了预测性能.