基于深度置信网络的多模态过程故障评估方法及应用

传统的多模态过程故障等级评估方法对模态之间的共性特征考虑较少,导致当被评估模态故障信息不充分时,评估的准确性较低.针对此问题,首先,提出一种共性–个性深度置信网络(Common and specific deep belief network,CS-DBN),该网络充分利用深度置信网络(Deep belief network,DBN)的深度分层特征提取能力,通过度量多模态数据间分布的相似性和差异性,进一步得到能够反映多模态过程共有信息的共性特征以及反映每个模态独有信息的个性特征;其次,基于CS-DBN,利用多模态过程的已知故障等级数据生成多模态共性–个性特征集,通过加权逻辑回归构建故障等级评估模型;最后,将所提方法应用于带钢热连轧生产过程的故障等级评估中.应用结果表明,随着多模态故障等级数据的增加,所提方法的评估准确率逐渐增加,当故障信息充足时,评估准确率可达98.75%;故障信息不足时,与传统方法相比,评估准确率提升近10%.

工程教育专业认证中课程目标达成评价方法研究——以北京科技大学自动化专业“过程控制”课程为例

工程教育专业认证是国际通行的工程教育质量保障制度,也是实现工程教育国际互认和工程师资格国际互认的重要基础。基于产出的教育理念(OBE)是工程教育专业认证的核心,课程是本科教育的核心环节,课程质量的高低将直接影响人才培养质量。文章提出了一种基于OBE理念的课程目标达成评价方法并用于理论课教学,将定量评价与定性评价(学生评学)相结合,从而促进课程教学的持续改进,为工程教育专业认证中毕业要求达成评价提供依据。

一种面向工业过程的质量异常检测与故障量化评估方法

质量异常检测(Quality abnormality detection, QAD)与故障量化评估(Fault quantitative assessment, FQA)作为工业过程监控的关键环节,是故障诊断领域的研究热点.本文提出了一种新的工业过程质量异常检测与故障量化评估方法.首先,采用弹性网络(Elastic net, EN)算法构建了质量相关的变量候选集,借助典型相关分析(Canonical correlation analysis, CCA)构建了质量相关的特征向量,并引入支持向量数据描述(Support vector data description, SVDD)实现质量异常检测.其次,从优化近邻点距离的角度提出了增强局部线性嵌入(Enhanced local linear embedding, ELLE)算法,并提出了基于CCA-ELLE的质量异常故障量化评估方法.最后,通过田纳西-伊斯曼(Tennessee-Eastman, TE)过程进行仿真验证,并与传统的方法进行对比分析,实验结果验证了所提方法的优越性和有效性.

工程教育专业认证中课程质量定性评价方法研究

工程教育专业认证是目前最常见的推进工程教育质量提升的方法,其核心就是通过课程质量评价使学生达到培养体系中的毕业要求。文章重点研究工程教育专业认证中课程质量的定性评价方法,研究并设计了定性评价的调查问卷,利用统计分析工具对课程教学反馈的定性评价进行详细的量化分析。以北京科技大学自动化专业两门课程的调查样本分析为例,利用描述性统计、聚类和主成分分析等方法,通过质量与问题的关联性分析、聚类分析及主成分分析,采用定性为主、定性与定量分析相结合的思路,提取相应课程的质量信息,完成定性分析,并形成分析报告,为进一步提升教学质量提出建设性的意见。

自动编码器与典型相关分析方法联合驱动的工业过程质量监测

本文将自动编码器(AE)特征提取方法和典型相关分析方法(CCA)有机结合,提出了一种联合驱动的质量监测模型及其质量相关的故障检测方法.首先,利用AE算法对输入样本进行无监督自动学习和重构,实现数据的特征提取和降维;其次,利用CCA算法实现特征与质量变量关联最大化,建立质量变量与特征变量的关系模型;根据监测模型的潜结构投影,构建T2统计量和SPE统计量及其相应控制限.将提出的方法用于分析带钢热连轧过程现场实际数据,结果表明,基于自动编码器–典型相关分析方法(AE–CCA)的质量监测方法能够准确的检测出故障,并且检测效果优于传统的核典型相关分析(KCCA)算法.

故障检测中核参数优化方法性能评估

近年来,基于核主元分析与核偏最小二乘的方法经常被应用于过程监控与故障检测领域以克服工业过程的非线性.研究发现此类方法的检测性能很大程度上受核参数的影响,而目前学术界对该参数的优化方法研究较少.因此,本文以最常用的高斯核方法为例,首先总结了3类常用的核参数优化方法:二分法、基于BP神经网络的重构法和基于样本分类的重构法;其次重点分析每个方法的特点和它们之间的联系,并评估它们的性能;最后将上述方法设计成一个核参数优化系统应用于热连轧过程的故障检测中.应用结果表明,优化后的核参数能显著提高故障检测性能.

工业过程故障根源诊断与传播路径识别技术综述

故障根源诊断与传播路径识别是故障诊断框架下的关键核心问题,是保障工业过程安全生产及获得可靠产品质量的有效手段,是当前过程控制领域的研究热点.该技术的研究不仅丰富了故障诊断理论,而且对故障诊断技术在工程中的推广与应用具有重要意义.阐述了基于知识、数据及知识与数据联合驱动的故障根源诊断与传播路径识别方法的基本思想、适用条件和优劣特点,分类概述了相关方法的研究现状.探讨了该领域亟待解决的问题及未来的发展方向,包括:1)“三个维度”视角下的工业过程故障根源诊断与传播路径识别;2)基于制造大数据分析与因果关系挖掘的工业过程质量精准追溯;3)面向传播、耦合、多重并发特性的工业过程复合故障分布式诊断;4)基于多源异构动态信息融合的工业过程异常工况时空追溯可视化.

一种新颖的深度因果图建模及其故障诊断方法

为了实现复杂工业过程故障检测和诊断一体化建模,提出了一种新颖的深度因果图建模方法.首先,利用循环神经网络建立深度因果图模型,将Group Lasso稀疏惩罚项引入到模型训练中,自动地检测过程变量间的因果关系.其次,利用模型学习到的条件概率预测模型对每个变量建立监测指标,并融合得到综合指标进行整体工业过程故障检测.一旦检测到故障,对故障样本构建变量贡献度指标,隔离故障相关变量,并通过深度因果图模型的局部因果有向图诊断故障根源,辨识故障传播路径.最后,通过田纳西-伊斯曼过程进行仿真验证,实验结果验证了所提方法的有效性.

Online Contribution Rate Based Fault Diagnosis for Nonlinear Industrial Pro cesses

在过去的十年，核主管部件分析(KPCA ) 在监视区域的数据驱动的过程相当流行地出现了。庞大的工作被做了显示出它的简洁，可行性，和有效性。然而，核诡计的介绍使直接为差错诊断采用传统的贡献阴谋不可能。在这份报纸，根据重游并且分析存在， KPCA 相关的诊断来临，新贡献率基于方法被建议它能清楚地解释有缺点的变量。而且，为联机非线性的诊断的一个计划被建立。最后，连续搅动的坦克反应堆(CSTR ) 上的案例研究基准被使用存取新方法论的有效性，在有传统的线性方法的比较也被包含的地方。

融合分层分块信息的轧制过程运行状态评估方法及应用

工业过程运行状态评估方法是对过程当前运行状态进行合理的评价,为工业过程的安全、高效运行提供有益的指导.带钢轧制过程具有流程长且系统层级多等特点,而传统的运行状态评估往往采用集中式的评估方法,难以对轧制过程全流程的运行状态进行合理的评估.针对此问题,提出一种融合分层分块信息的轧制过程运行状态评估方法.采用一种多层级分块的评估策略,将全流程分为若干个层级和子块,提高评估结果的可解释性.提出一种联合核主成分分析(kernel principal component analysis,KPCA)和t-分布随机邻域嵌入算法(t-distributed stochastic neighbor embedding,t-SNE)的特征提取方法,并行地提取全局和局部的特征信息.进而,针对传统支持向量机(support vector machine,SVM)输出结果为硬判型输出,将SVM的输出结果映射为后验概率,并通过D-S证据理论融合多个层级的运行状态评估结果,从而实现决策层面的信息融合,提高评估结果的准确性.最后,将所提出方法应用于实际带钢轧制过程,与各类传统的方法相比评估准确率提高近18%.

基于核典型相关性-熵成分分析的工业过程质量监测方法

工业过程多变量、数据高维度和非线性的特点使得对其质量监测及质量相关的故障诊断变得复杂.融合核熵成分分析(KECA)及典型相关分析(CCA)方法的思想,进行特征提取降维的同时确保所提取特征与质量变量的最大相关性,提出一种新的质量相关的工业过程故障检测方法.首先,采用KECA对输入数据进行核空间的映射及特征提取,同时融合CCA算法思想使得所提取特征与质量变量间关联最大化;然后,构建监测统计量并用Parzen窗估计其控制限,用于过程的故障检测;最后,运用所提方法对带钢热连轧工业过程实际生产数据进行分析,并与其他4种传统非线性算法对比分析,实验结果验证了所提方法的准确性、有效性及先进性.