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。

基于LTSA-Greedy-SVDD的过程监控

为解决实际工业过程中的非线性和非高斯问题,实现有效的过程监控,提出了一种基于局部切空间排列算法的过程监控方法。首先运用局部切空间排列算法对标准化后的正常样本数据提取出低维子流形以实现维数约减。之后利用Greedy方法提取特征样本以支持向量数据描述方法建立监控模型,最后采用相应统计量进行过程监控。以田纳西伊斯曼(TE)模型为仿真平台,仿真结果说明了该方法的有效性。

一种非线性过程监控方法

实际工业过程都具有非线性等特征。传统的监控方法有将降维后的非线性数据映射到高维线性空间再进行数据处理,实现过程的监控。本文是在一种否定选择算法的基础上,首先利用最大方差展开(MVU)方法对正常高维数据进行降维,再利用否定选择算法直接对降维后的多维非线性数据建立"超球体群"模型,实现对过程的监控,保证工业过程的平稳运行。仿真实验是基于TE模型进行的,仿真结果表明该方法较传统方法及其他改进方法具有更好的监控能力,说明了该方法的有效性。