基于多向核主元分析的青霉素生产过程在线监测

基于传统主元分析(PCA)方法的过程监测算法假定过程是线性的,对于具有强非线性的生产过程,应用其进行在线监测出现误报率过高的现象.为此提出了一种多向核主元分析(MKPCA)算法用于间歇过程的建模与在线监测.利用PenSim2.0软件将青霉素间歇生产过程的三向数据按批次方向展开为二向数据并进行标准化,采用MKPCA算法建立过程模型并用于过程的在线监测,计算T2、SPE统计量及相应的控制限.仿真结果表明,与传统PCA算法相比,MKPCA算法具有更好的监测性能,不仅大大降低了正常运行过程的误报率,而且能够较早地检测出过程中存在的底物流加速率与搅拌功率故障.MKPCA可以有效处理间歇过程批次间存在的非线性属性,获取过程变量间的非线性关系.

非线性多尺度多向主元分析方法

NLMPCA是一种适合间歇生产过程的非线性建模方法,但是从现场采集的数据往往存在误差,难免影响过程监视和故障诊断的结果.基于MPCA,NLPCA和小波变换,提出了一种新的间歇过程监视和诊断方法,即非线性多尺度多向主元分析方法(NLMSMPCA).与NLMPCA相比,NLMSMPCA降低了随机误差对测量数据的影响,提高了过程监视和故障诊断的可靠性.

分段多向核主元分析的啤酒发酵过程故障检测

基于主元分析的故障诊断模型应用在非线性时变过程中具有局限性。基于间歇过程具有周期性这一特点,在非线性空间的数据提取中,将核变换理论引入其中,提出了一种改进的多向核主元分析故障诊断模型,该方法对于过程数据的非线性问题的解决和非线性信息的充分提取表现出很好的性能,使得非线性主元能够在高维特征空间中被快速提取。对比实验结果表明,该方法对于缓慢时变的间歇过程具有很好的准确性与实时性。

基于多向主元分析的多传感器故障诊断

研究一种基于MPCA的多传感器故障诊断方法.这种方法把过程测量空间分为主元子空间和残差子空间.在残差子空间,首先用Q统计指标检测出传感器是否存在故障,如果Q统计指标超限,在主元子空间应用T2统计量和相应的T2统计量的贡献率,识别出引起过程异常的主要传感器变量并剔除.然后用同样的方法继续判断其它的传感器故障.仿真实例验证了该方法的有效性.

多尺度多向主元分析方法的研究及应用

为保证间歇过程安全运行和生产出高质量产品,需要对间歇过程进行监视.本文基于多向主元分析方法(MPCA)和小波变换理论,提出了一种新的监视方法,即多尺度多向主元分析方法(MSMPCA).与MP-CA相比,MSMPCA降低了随机误差对测量数据的影响,提高了过程性能监视和故障诊断的准确性.仿真实例验证了该方法的有效性.

基于二维主元分析的间歇过程故障诊断

传统的多向主元分析(MPCA)已广泛应用于监视多变量间歇过程。在MPCA算法中,三维的间歇过程数据需要转换为高维的二维向量,导致计算量和存储空间大,同时不可避免地丢失一些重要信息。因此,提出一种新的基于二维主元分析(2DPCA)的故障诊断方法。由于每个批次的间歇过程数据是一个二维向量(矩阵),应用以各个批次矩阵为分析对象的2DPCA算法,避免矢量化,存储空间和存储需求小;另外,2DPCA采用各个批次的协方差的平均值来进行建模,能够更加准确地反映出不同类型的故障,在一定程度上增强了故障诊断的准确性。半导体工业实例的监视结果说明,2DPCA方法优于MPCA。

动态批次主元分析在化工过程中的应用研究(英文)

本文研究了批次动态主元分析(BDPCA)及其在化工过程中的应用。批次动态主元分析是主元分析的一种延伸,通过把三维矩阵转化成二维矩阵,结合时滞变量算法捕捉批次过程中的动态特性完成过程的监视并给出了确定时滞变量的算法.以TE过程为例,与多向主元分析法相比,仿真结果表明,BDPCA算法实现了考虑过程中的批次动态特性并提高了对过程变化的故障检测能力.

多线性主元分析的应用与研究

为了减少计算量和信息丢失,提出一种运用多线性主元分析(Multilinear PCA)进行间歇过程故障诊断的新方法。首先运用Multilinear PCA直接对间歇过程三维数据进行降维,得到低维的投影向量。然后所有批次向投影向量上投影得到得分向量,计算SPE统计指标控制限,建立Multilinear PCA模型。建立Multilinear PCA模型后,计算新批次的得分向量和SPE(Squared Prediction Error)统计指标,根据统计指标是否超限监视生产过程的运行。最后,在检测出故障之后,采用SPE贡献图诊断故障原因。仿真实例表明:与多向主元分析法MPCA相比(Muhiway Principal Component Analysis)。Multilinear PCA提高了过程性能监视和故障诊断的准确性,较早地发现过程异常。

基于仿射传播聚类子集主元分析的间歇过程监测方法

针对间歇过程固有的多阶段特性,也为了克服传统阶段划分方法严格按照物理时刻顺序将采样点硬性分割而不能使其寻找数据特征最为相近的聚类中心的严重缺陷,提出基于仿射传播聚类(AP)的子集多向主元分析(subset-MPCA)监测新方法:采用全新的乱序聚类思想,将时间片矩阵打乱用AP进行无约束乱序聚类,使样本突破时间顺序的约束自由找寻与其特征最为相近的聚类中心,获得聚类子集,建立精确的子集MPCA监控模型。在线监控时,引入信息度传递实现实时采样点的阶段归属判断,解决阶段不等长批次的最佳模型选择问题。对青霉素仿真数据的实验表明,该方法较传统方法可有效降低故障的漏报和误报,有着更加可靠的监控性能。

基于多向Fisher判据分析的间歇过程性能监控

针对传统的间歇过程监控方法,在建模时只利用正常工况下的数据,其故障诊断能力并不令人满意的问题,提出了多向Fisher判据分析(MFDA:MultiwayFisherDiscriminantAnalysis)方法,用于间歇过程的监控。该算法同时利用正常工况和故障条件下的数据进行建模,其故障诊断能力要优于MPCA(MultiwayPrincipalComponentAnalysis),在故障检测的同时也实现了故障的诊断。通过对实际工业链霉素发酵过程数据分析,表明该算法是可行的,可以获得较满意的故障诊断结果。

基于多向核熵成分分析的微生物发酵过程多阶段划分及故障监测

针对多向核主元分析法(MKPCA)在监控动态非线性和多模态间歇生产过程故障的不足,提出一种基于物理信息熵的多阶段多向核熵成分分析(multiple sub-stage multi-way kernel entropy component analysis,MSMKECA)的新方法用于故障监控。该方法首先通过核映射将数据从低维空间映射到高维特征空间;其次在高维特征空间依据熵结构信息计算每个时刻数据矩阵的相似度指标进行阶段划分,将间歇过程划分为各稳定阶段和各过渡阶段,并在过渡阶段用时变的协方差代替固定协方差;最后在划分的阶段里分别建立模型进行间歇过程监测解决间歇过程的动态非线性和多阶段特性;将所提出的算法应用于青霉素发酵仿真系统的在线监测,验证了该方法的有效性。

步进MPCA及其在间歇过程监控中的应用

针对多向主元分析法(MPCA)在间歇过程监控过程中需要预测过程未来输出的困难,提出了一种新的步进多向主元分析方法。该方法通过建立一系列的PCA模型,避免了对预估过程变量未来输出的需要,通过引入遗忘因子能够自然地处理多阶段间歇过程的情况。对于多阶段链霉素发酵过程的监控表明,相对于普通MPCA,步进MPCA能够更精确地对过程故障行为进行描述。

一种基于改进MPCA的间歇过程监控与故障诊断方法

针对基于不同展开方式的多向主元分析(MPCA)方法在线应用时各自存在的缺陷,提出一种改进的基于变量展开的MPCA方法,实现间歇过程的在线监控与故障诊断。该方法采用随时间更新的主元协方差代替固定的主元协方差进行T2统计量的计算,充分考虑了主元得分向量的动态特性;同时引入主元显著相关变量残差统计量,避免SPE统计量的保守性,且该统计量能提供更详细的过程变化信息,对正常工况改变或过程故障引起的T2监控图变化有一定的识别能力;最后提出一种随时间变化的贡献图计算方法用于在线故障诊断。该方法和MPCA方法的监控性能在一个青霉素发酵仿真系统上进行了比较。仿真结果表明:该方法具有较好的监控性能,能及时检测出过程存在的故障,且具有一定的故障识别和诊断能力。

基于高维空间流形变化的设备状态趋势分析方法

以机械设备的运行状态为研究对象,提出一种基于高维空间流形变化的趋势分析方法。该方法将一维时间序列重构到高维相空间中,利用相点邻域的切空间信息逼近流形的局部几何结构,从而得到描述流形变化的切方向矩阵;通过多向主元分析方法对不同状态下的流形切方向矩阵进行计算,获得各个状态的权重得分,从而实现对设备状态变化的趋势分析。对混沌信号添加幅值大小不同的冲击进行数值仿真试验,与LYAPUNOV指数、近似熵等传统非线性分析方法相比,该方法能够更有效地描述系统状态变化的过程。将该方法应用于轴承外圈故障的振动信号分析中,成功地刻画了轴承疲劳劣化的趋势。

MWMPCA方法及其在间歇过程监控中的应用

针对传统的多向PCA(PrincipalComponentAnalysis)模型间歇过程监控的缺点,提出了一种移动窗多向主元分析(MWMPCA:MovingWindowMulti-wayPrincipalComponentAnalysis)模型。与MPCA方法比较,MWMPCA可很好地监控间歇过程操作的稳定性,在实时监控新的间歇过程时,只需利用已收集到的数据信息,同时还可根据实际反应情况调整主元的选取个数,以得到更好的监控性能。

基于统计模式分析的多变量连续过程故障检测

针对一些批处理过程中,如同步批轨迹处理和多峰分布等问题,提出了一种基于统计模量(statistics pattern analysis,SPA)分析连续过程的故障诊断方法。FD-SPA和MPCA的显著差别是前者的监测对象是批次变量的统计特征,而后者监控过程变量。MPCA通过分析过程变量的方差—协方差进行故障检测,在SPA中,既要统计过程变量的均值与方差,又要统计过程变量间的协方差结构、偏度、峭度、自相关和互相关性。提出了一种基于滑动窗口的统计模量方法监测非线性的连续过程,使故障检测的准确性与可靠性得到提高。通过在TE过程中与传统的MPCA和KNN方法对比,验证了此方法的有效性。

多模型MPCA方法在多变量间歇过程故障监测与诊断中的应用

多向主元分析 (MPCA)是应用于间歇生产过程故障监测与诊断中的一种较为有效的方法 ,但由于其自身的线性化特点 ,使之在复杂的非线性动态系统处理中显得力不从心 .针对普通MPCA方法的优缺点提出一种多模型结构的MPCA方法 ,讨论了该方法的模型结构以及现场故障监测与诊断的分析过程 .多模型结构的MPCA方法通过分点差分的方式 ,关联了同一间歇过程中不同测量时刻变量值的关系 。

动态MPCA在发酵过程监测与故障诊断中的应用

针对发酵过程非线性和时变特点,提出了一种具有实时性的动态MPCA方法,采用多模型非线性结构代替传统MPCA单模型线性化结构,克服了后者不能处理非线性过程和实时性的问题,并避免了MPCA在线应用时预报未来测量值带来的误差,提高了发酵过程性能监测和故障诊断的准确性。对头孢菌素C发酵过程的拟在线仿真研究,验证了基于动态MPCA的统计过程监测的有效性。

基于可变多元统计模型的故障诊断方法

在间歇反应过程中 ,由于各批次多元轨迹时间长度不同 ,无法使用固定多方向主元分析(MPCA)模型对过程中新批次数据进行故障诊断 ;因此 ,提出了用递推式动态时间错位 (DTW )算法 ,对每一个新批次的情况自适应地确定该批次的MPCA模型 ,仿真结果证明该方法有效。

改进的MPCA批过程在线监测方法

针对多向主元分析(MPCA)方法用于批过程在线监测时需要对新批次未反应完的数据进行预估,从而易导致误诊断,且需要建模批次的长度相等的缺陷,提出了一种基于变量展开和主元协方差随时间变化的MPCA方法。该方法按变量展开,不需要对新批次未反应完的数据进行预估,而数据之间的动态联系通过时变主元协方差得以保存,并且不需要建模批次的长度相等。将该方法应用于β-甘露聚糖酶发酵批过程实时监测中,并与MPCA、移动窗多向主元分析(MWMPCA)法相比,结果表明该方法克服了MPCA不能处理实时性的问题,避免了MPCA在线应用时预测值的误差,比传统的MPCA,MWMPCA方法更能精确描述过程的故障,准确性和实时性良好。