基于自适应高效递推规范变量分析的多模过程软传感器建模

由于多模过程中各模式间的均值和协方差发生了改变,多变量单模高斯分布的基本假设不再成立.基于递推方法的多模过程软传感器建模存在两点问题:其一,递推建模方法不能及时的跟踪多模过程的改变;其二,递推建模方法的在线计算负荷非常高.为了解决上述问题,本文提出了一种基于自适应高效递推规范变量分析的多模过程软传感器建模方法.首先,采用指数权重滑动平均来更新过去观测矢量的协方差矩阵;然后,利用基于模型输出误差范数的可变遗忘因子来跟踪多模过程的动态变化;最后,通过引入一阶干扰理论(firstorder perturbation,FOP)来实现递推奇异值分解,与常规奇异值分解相比递推奇异值算法的计算负荷显著降低.将提出的方法用于田纳西伊斯曼(tennessee eastman,TE)化工过程进行仿真验证,其结果表明了该方法的可行性和精确性.

基于递推规范变量分析的时变过程故障检测

由于规范变量分析(CVA)不适应过程的时变特性,容易把正常的过程改变识别为故障.因此,针对时变过程提出一种故障检测方法是十分必要的.采用指数权重滑动平均来更新过去观测矢量的协方差矩阵.递推CVA有较高的计算负荷是需要解决的关键问题.通过引入一阶干扰理论来递推更新Hankel矩阵的奇异值分解(SVD).与普通奇异值分解相比,显著降低了递推算法的计算负荷.将提出的基于一阶干扰理论的递推规范变量分析(RCVA-FOP)应用于田纳西伊斯曼化工过程中.仿真结果表明,所提出方法不仅能有效适应过程的时变特性,而且可以有效检测到两种类型的故障.