基于多尺度时间卷积网络的多模态过程故障诊断方法

针对工业过程故障诊断面临的多模态、多尺度等混合特性问题,提出一种基于多尺度时间卷积网络的故障诊断方法。考虑到过程数据的多模态分布特性,采用基于余弦相似度的局部近邻标准化方法处理过程数据以消除多模态特性;针对过程数据的多尺度特性,使用变分模态分解获取数据的多尺度表示,对各分量构建采用注意力机制的时间卷积网络模型提取特征,并融合多尺度特征,以实现多尺度特征提取;在特征提取的基础上使用全连接层实现故障诊断。通过田纳西-伊斯曼(Tennessee-Eastman,TE)过程仿真实验验证了该方法的有效性和可行性。

基于DLNS-DSVDD的故障检测方法

为了解决支持向量数据描述方法对多模态动态过程故障检测率低的问题,提出了基于双局部近邻标准化的动态支持向量数据描述的故障检测方法。首先,应用DLNS方法标准化样本生成标准数据集;其次,利用动态方法将标准数据集构造成动态矩阵;最后,使用SVDD方法建立基于空间距离的统计量进行故障检测,应用DLNS-DSVDD方法对一个数值例子和田纳西-伊斯曼过程(TE过程)进行仿真测试,并与传统方法对比分析。结果表明,DLNS-DSVDD方法在具有更低的误报率的前提下拥有更高的故障检测率,平均误报率为2.2%,相比于SVDD方法降低了2.1%,平均故障检测率为88.2%,相比于SVDD方法提高了38.5%,证明了所提出的方法可以有效地监控具有多模态动态特征的化工生产过程。DLNS-DSVDD方法可以有效地剔除数据的多模态结构并且准确地捕获样本中的动态信息,为提高SVDD方法在多模态动态过程中的故障检测性能提供了参考。

基于LSNPE算法的化工过程故障检测

复杂化工过程通常具有多个操作模态,而且采集的数据不服从单一的高斯或非高斯分布。针对化工过程的多模态和复杂数据分布问题,将局部标准化(local standardized,LS)策略应用于邻域保持嵌入(neighborhood preserving embedding,NPE)算法,提出了一种新的基于局部标准化邻域保持嵌入(local standardized neighborhood preserving embedding,LSNPE)算法的故障检测方法。首先,使用LSNPE算法提取高维数据的低维子流形,进行维数约减,同时保持邻域结构不变。其次,通过特征空间中样本的局部离群因子(local outlier factor,LOF)构造监控统计量并确定其控制限。相较于监控多模态化工过程的多模型策略,提出的LSNPE方法不需要过程先验知识的支持,只需建立一个全局的监控模型。最后,通过数值仿真及Tennessee Eastman(TE)过程仿真研究验证了本文提出方法的有效性。

基于统计模量和局部近邻标准化的局部离群因子故障检测方法

针对多工况过程数据的批次不等长、中心漂移、工况结构不同等特点,提出基于统计模量和局部近邻标准化的局部离群因子故障检测方法(SP-LNS-LOF)。首先计算每个训练样本的统计模量;然后使用局部近邻集标准化统计模量,得到标准样本;最后计算标准化样本的局部离群因子,并将其作为检测指标,将局部离群因子的分位点作为检测控制限,当在线样本的局部离群因子大于检测控制限时,判定其为故障;否则为正常。统计模量提取过程的主要信息,且消除批次不等长的影响;局部近邻标准化克服工况中心漂移和工况结构不同的困难;局部离群因子度量样本的相似度,实现故障样本和正常样本的分离。进行了半导体蚀刻过程故障检测仿真实验,实验结果表明SP-LNSLOF检测出了全部21个故障,比主元分析(PCA)、核主元分析(k PCA)、基于k近邻的故障检测(FD-k NN)、局部离群因子(LOF)方法具有更高的检测率。理论分析和仿真实验说明SP-LNS-LOF方法适用于多工况过程故障检测,具有较高的故障检测效率,能保证多工况生产过程的安全性。

基于局部邻域标准化策略的多工况过程故障检测

为满足实际工业过程中的生产需求,复杂的化工过程往往会包含多种运行模态,而且过程数据不再单一地服从高斯分布或非高斯分布.过程数据的多工况分布特性以及同一工况下数据分布的不确定性使得传统的多元统计方法无法得到满意结果.针对复杂化工过程中多工况以及复杂数据分布的问题,提出一种基于局部邻域标准化策略(Local Neighborhood Standardization,LNS)的故障检测方法.首先,运用局部邻域标准化策略对历史数据集进行预处理,并充分考虑到邻域密度,再通过局部密度因子(Local Density Factor,LDF)构造监控统计量,进而对工业过程数据进行在线故障检测,最后通过数值例子和Tennessee Eastman(TE)过程验证本文方法的有效性.

基于改进偏最小二乘法的多模态过程故障检测方法

针对传统的数据驱动方法偏最小二乘法(PLS)中存在的多模态数据故障检测效果不佳的问题,提出了一种新的故障检测方法——基于局部近邻标准化(LNS)的PLS(LNS-PLS)。首先,利用LNS方法对原始数据进行高斯化处理,在此基础上建立PLS的监控模型,确定T^2和平方预测误差(SPE)的控制限;其次,对测试数据同样进行LNS标准化处理,再计算出测试数据的PLS监控指标来进行过程监视及故障检测,解决了PLS中无法处理多模态的问题。将所提方法应用于数值例子和青霉素生产过程,并将其测试结果与主成分分析(PCA)、K最近邻(KNN)、PLS等方法进行对比分析。实验结果表明,所提方法的故障检测效果优于PLS、KNN、PCA,该方法在分类及多模态过程故障检测方面有较高的准确性。

基于多模态数据全信息的概率主成分分析故障检测研究

针对工业过程复杂的数据分布特性,本文提出了一种基于局部近邻标准化(LNS)的概率主成分分析(PPCA)故障检测方法(LNSPPCA)来解决由于过程数据的多模态特性和不确定性所引起的故障检测效果不理想问题。首先,通过LNS解决数据多模态问题,使标准化后数据尽可能的服从单一高斯分布,然后,使用PPCA方法从概率的角度对数据进行分析,能够考虑到数据的随机性,从而更真实的描述数据,提取更加全面有价值的信息,有效的在复杂的数据分布过程中对故障进行检测。因此,LNSPPCA方法可以有效提高多模态过程复杂数据分布的工业过程故障检测能力。利用数值例子和TE过程进行应用实验,并将测试结果与主成分分析法(PCA)、PPCA方法进行对比,验证了LNSPPCA方法的有效性。

基于时空近邻标准化和局部离群因子的复杂过程故障检测

针对复杂过程数据的非线性、动态性和中心漂移等特征,提出了基于时空近邻标准化和局部离群因子的故障检测方法(TSNS–LOF).首先使用训练样本在时空两个方向上的近邻集来标准化训练样本;然后在标准样本集上计算样本的局部离群因子,并确定其上分位点作为检测控制限,进行在线故障检测.时空近邻标准化解决了复杂过程数据的非线性、动态性和中心漂移的问题;局部离群因子通过度量样本的相似度实现了故障样本和正常样本的分离.将TSNS–LOF应用于田纳西–伊斯曼过程(TE)过程进行故障检测实验,结果表明相对于主元分析、动态主元分析、k近邻、局部离群因子等方法, TSNS–LOF对故障预警更加及时且具有更高的故障检测率.理论分析和仿真实验说明TSNS–LOF方法适用于具有动态性或多模态特性或两者兼具的过程故障检测,能够更好地保障生产过程的安全性和产品的高质量.

基于局部近邻标准化和动态主元分析的故障检测策略

针对工业过程的动态和多模态特性,提出一种基于局部近邻标准化(LNS)和动态主元分析(DPCA)相结合的故障检测方法(LNS-DPCA)。首先,在训练数据集中寻找样本的K近邻集;然后,应用K近邻集的均值与标准差对当前样本进行标准化处理;最后,在新的数据集中应用DPCA方法确定T^2和SPE控制限进行故障检测。LNS方法能够消除过程的多模态特征,使得标准化后数据近似服从多元高斯分布,且保持过程离群点偏离正常样本轨迹;而结合DPCA方法则能够提高对具有动态特性过程的监视性能。利用数值例子和青霉素发酵过程进行仿真,并将测试结果与主元分析法(PCA)、DPCA、K近邻故障检测(FD-KNN)等方法进行对比分析,验证了LNS-DPCA方法的有效性。

局部近邻标准化偏最小二乘的多模态间歇过程故障检测

本文针对多模态间歇过程数据多中心和模态方差差异明显的问题,提出了一种基于局部近邻标准化偏最小二乘方法.首先,采用统计模量方法处理间歇过程数据,再利用局部近邻标准化方法将统计模量后的训练数据进行高斯化处理,建立偏最小二乘监控模型,确定控制限;然后,同样对统计模量后的测试数据进行局部近邻标准化处理,再计算测试数据的高斯偏最小二乘监控指标,进行过程监视及故障检测.最后,通过数值实例和青霉素发酵过程验证方法有效性.实验结果表明所提方法解决了故障样本近邻集跨模态问题,对多模态数据具有更好的故障检测能力.

加权局部近邻标准化PCA的工业过程故障检测

针对工业生产过程的多模态、方差差异明显和非高斯特性,提出一种加权局部近邻标准化PCA(WLNSPCA)的故障检测方法.通过计算每个样本的k近邻样本的加权均值和标准差对原始数据集进行标准化,消除数据的多模态、方差差异和非高斯特性.对加权局部近邻标准化后的数据建立PCA模型,利用SPE和T2统计量进行过程监视.对新来测试样本进行加权局部近邻标准化,再向PCA模型上投影,计算相应统计量.将该方法应用于数值例子和半导体过程,仿真实验结果表明:与PCA、核主成分分析(KPCA)和加权近邻标准化PCA(WNSPCA)相比,加权局部近邻标准化PCA(WLNSPCA)具有一定的优越性.

基于LPP-kNN方法的间歇过程故障监视

针对批次过程数据具有高维、非线性及多模态等特性,提出一种自适应LPP-k NN的过程监视方法.利用局部保持映射算法(LPP)提取高维多模态批次数据的自适应变换矩阵构成新的建模数据.采用局部近邻标准化方法(LNS)进行标准化,并利用k NN算法构造统计监测指标.最后,通过在半导体工业实例中的应用验证了所提算法的有效性.

基于LNS-DEWKECA算法的多模态工业过程故障检测

受市场需求主导,工业过程需要在多种工作模态下切换,数据往往呈现多模态复杂分布特性,研究多模态的故障检测技术对于保障工业过程的安全运行具有重要意义.为此,提出一种基于局部近邻标准化(LNS)和方向熵加权核熵成分分析(DEWKECA)的故障检测算法.利用LNS实现多模态数据的标准化,相比于全局标准化,LNS可以有效消除多模态特性;考虑到故障样本与正常样本在变化趋势上的差异,定义样本变化方向的信息熵为方向熵,用来衡量样本变化方向的无序程度,从而利用DEWKECA实现数据降维,可以更有效提取数据变化方向特征;考虑到多模态数据往往服从非高斯分布,采用局部离群因子(LOF)算法建立监控统计量,根据核密度估计确定其控制限.最后,通过数值例子及TE过程仿真验证所提出算法的有效性.

20世纪50年代中国工业住区发展分期研究

20世纪50年代以工业住区和工人住宅为代表的单位住房体系是中国现代城市住区和单元式公寓的起点,其住居空间生产和日常规范塑造模式仍在很大程度上影响着今日的城市建设与社会生活。另一方面,工业住区作为新中国工业生产的配套设施,不仅是社会主义建设的重要物证,其中所蕴含的集体记忆与场所精神也有极高的社会价值,并且共同构成了新中国工业遗产的完整性。通过文献阅读和案例分析的方法还原我国工业住区这一时期建设与演变的过程及影响变化的机制和驱动因素。根据对住区规划和住宅设计两个方面的考察,结合政治-经济的历史背景和代表该阶段发展水平的标志性案例,梳理出50年代中国工业住区发展的四个阶段:沿袭过渡、标准化、本土化、厉行节约。在归纳总结各阶段特点的基础上将视野延伸至苏联原型,更全面掌握中国工业住区在20世纪50年代发展的外部影响因素。

基于局部邻域标准化和贝叶斯推断的多工况过程监测

实际工业过程中往往包含不同运行工况,且每种工况数据一般不服从同一种分布.数据的多分布性和分布的不确定性使得传统的故障诊断方法难以获得满意的效果,因此提出一种基于局部邻域和贝叶斯推断的多工况故障诊断方法.首先,通过局部邻域标准化算法对多工况数据进行预处理;再利用ICA-PCA(independent component analysis and principal component analysis)方法分别对该数据集的高斯特性和非高斯特性进行分析处理,获得全局模型;然后结合贝叶斯推断将多个统计量组合成一个监测统计量,实现多工况过程的在线监测;最后通过数值例子和TE过程的仿真研究,验证了提出方法的可行性和有效性.