基于多向核熵偏最小二乘的间歇过程监测及质量预测

针对间歇过程数据的批次不等长和强非线性的特点,结合核偏最小二乘和核熵分析,提出了多向核熵偏最小二乘(multi-way kernel entropy partial least squares,MKEPLS)的过程监测及质量预测方法.该方法将三维历史数据沿新的展开方式展开,克服了批次不等长和数据缺失的问题,通过核映射将过程数据从低维输入空间映射到高维特征空间,实现变量之间非线性相关关系的线性转换,解决了数据的非线性特性;根据核熵的大小将特征值和特征向量进行排序并对数据进行降维,弥补了MKPLS方法只按照数据特征值的最大化进行降维的不足.同时,引入核特征提取算法降低核空间的计算量,使其能够在线应用.数值实例和实际工业过程数据的验证效果表明:MKEPLS方法不仅能对故障进行有效监控,提高故障的报警率,同时还能对最终产品质量进行预测.

基于动态MPLS的发酵过程效益函数在线预报

针对发酵过程观测数据与时序相关,提出一种动态多方向偏最小二乘回归(MPLS)方法,该方法的多模型结构解决了非线性和实时性的问题,更加适用于发酵过程的在线预报,与人工神经网络(ANN)方法相比,动态MPLS回归模型可以达到更好的拟合和预报精度。对青霉素发酵过程的效益函数拟在线预报,验证了该方法的准确性和有效性。

基于多向核偏最小二乘的间歇过程在线监控（英文）

提出了一种基于多向核偏最小二乘的间歇过程在线监控方法。传统的间歇过程监控方法、如多向偏最小二乘方法,实际上是一种线性监控方法,因此不适合于非线性间歇过程监控。为此,提出了核偏最小二乘方法,由于该方法能获取变量间的非线性关系;另外,它只是求解代数运算,并不涉及到复杂的非线性优化问题,所以,这里将核偏最小二乘扩展到间歇过程在线监控、即提出多向核偏最小二乘的间歇过程在线监控方法。将该方法应用于青霉素补料分批发酵过程仿真监控,与传统的多向偏最小二乘方法相比,结果表明其具有更好的监控性能。

基于统计量模式分析的MKPLS间歇过程监控与质量预报

传统MKPLS是对数据矩阵的协方差矩阵进行分解,没有利用数据的高阶统计量等有用信息,在进行特征提取时会造成数据有用信息的丢失,导致故障识别效果差。为了解决此问题,提出了统计量模式分析(SPA)与多向核偏最小二乘(MKPLS)相结合的多向统计量模式分析的核偏最小二乘方法(MSPAKPLS)。该方法首先引入滑动窗技术构造样本的不同阶次统计量,将数据从原始的数据空间映射到统计量样本空间,然后利用核函数将统计量样本空间映射到高维核空间进行偏最小二乘分析,并对产品质量进行预测。最后将该方法应用到工业青霉素发酵过程中,并与传统方法进行比较,发现该方法具有更好的监控性能和预测性能。

基于改进MPLS的间歇过程监测与故障诊断

针对间歇过程三维数据预处理中不同展开方式的多向偏最小二乘(MPLS)方法在线应用时存在的缺陷,提出改进的MPLS方法。该方法结合传统沿变量展开与批次展开的优势,不仅包含了批次间的信息,在一定程度上去除了过程的非线性及动态性,而且解决了在线应用时数据填充的问题;其次,该方法采用随时间更新的协方差代替固定的主元协方差充分考虑了得分向量的动态特性:最后,引进时变贡献图的故障诊断方法,实现了对故障源的实时跟踪。将该方法应用到工业青霉素发酵过程中,并与传统的MPLS方法进行比较。结果表明:该方法具有更好的监控性能,并能够及时检测故障及跟踪故障源。

基于MKPLS和SQP方法的间歇过程迭代优化控制

采用多向核偏最小二乘(MKPLS)方法建立间歇过程的模型并进行操作条件的优化。由于存在模型失配和未知扰动,基于MKPLS模型的最优控制轨迹在实际对象上往往难以实现最优的产品质量指标。本文利用间歇过程批次间的重复特性与序贯二次规划(SQP)优化算法中迭代计算的相似特点,提出了一种基于MKPLS模型的批次间优化调整策略,使得经过逐步优化调整得到的控制轨迹作用于实际对象时,可以得到更优的质量指标。该方法的有效性在苯乙烯聚合反应器和乙醇流加发酵过程的仿真对象上得到了验证。

基于质量相关的间歇过程故障监测及故障变量追溯

针对多向核熵偏最小二乘(multi-way kernel entropy partial least squares,MKEPLS)利用的是数据的一阶和二阶统计特性未考虑数据的高阶统计特性,在进行特征提取时会造成有用数据丢失的问题,提出基于高阶统计量的多向核熵偏最小二乘方法(higher order statistics multi-way kernel entropy partial least squares,HOS-MKEPLS).首先,通过构造样本的高阶统计量将数据从原始的数据空间映射到高阶统计量样本空间.然后,再建立MKEPLS监控模型进行质量相关的故障监控,当监控到有故障发生时进行故障变量的追溯.最后,将该方法应用到工业青霉素发酵过程的监测中并与MKEPLS进行比较.结果表明:该方法具有更好的监控和故障识别性能.

近红外光谱法旁线测定甘蔗糖厂混合汁糖度的应用研究

采用MPLS、PLS、PCR三种回归方法以及导数、平滑处理原始光谱,采用定标样品集以外的20个独立样品验证,得出最佳定标模型为经过MPL(S 1,4,4,1)处理所建立方程,其外部验证决定系数(R2)为0.968,预测标准差(SEP)为0.143,在广东华海糖业有限公司进行了实验应用,结果理想。近红外技术用于测试甘蔗混合汁糖分是可行的。

基于分步时空JITL-MKPLS的间歇过程故障监测

针对多阶段时变的间歇过程难以用全局模型准确描述生产过程的动态变化及传统局部建模每个工作点都需要重新筛选样本建模导致计算量较大的问题,提出一种分步时空即时学习的局部建模策略。采用仿射传播(AP)聚类的方式对历史数据样本集中的数据进行初步分类,在当前输入样本数据到达后,确定当前样本数据所属的类别,在此类别所限定的子数据样本集中使用时间和空间相结合的即时学习策略确定出局部相似样本,建立多向核偏最小二乘监测模型。将该算法在青霉素发酵仿真数据和大肠杆菌发酵过程生产数据上进行验证,结果表明,所提方法不仅减少了不必要的计算量,还能够更加精准即时地进行故障监测。

基于混合MPLS的多阶段过程质量预报方法

针对传统的多向偏最小二乘方法(multi-way partial least squares,MPLS)在质量预报中存在着模型预测精度低、局部预报能力不足等问题,提出一种多MPLS模型融合方法来提高预报表现。利用高斯混合模型(Gauss mixture model,GM M)对每批次过程和质量数据组成的高维空间进行阶段识别。针对多批次同一子阶段长度不等问题,采用动态时间规整(dynamic time warping,DTW)算法依据最长持续时间同步为等长轨迹,并在子阶段中按变量展开方式建立MPLS模型。根据Fisher判据分析(Fisher discriminate analysis,FDA)最小化子阶段数据集间相关性,利用核密度方法估计子阶段数据集去相关后的概率密度分布来在线监测阶段切换。利用贝叶斯原则融合各子阶段MPLS模型进行质量预报。将该方法应用到工业青霉素发酵过程中,表明了所提方法具有更好的监控性能和预报能力。

一种带有模型更新机制的JITL-MPLS故障监测方法

发酵过程具有时变性、动态性和多阶段性的特点,对其进行故障监测主要采用离线建模方式,但这种方法并不能很好地反映当前生产过程的数据特征。近年来有学者使用即时学习（Just in Time Learning,JITL）在线建模策略来建立精确的在线模型并进行故障监测,但是即时学习在线建模策略存在着模型更新频繁、计算量大的问题？本文提出一种带有模型更新机制的即时学习多向偏最小二乘（JITL-MPLS）的故障监测方法：依据马氏距离相似度,选择相似历史样本建立多向偏最小二乘监测模型;而后通过对比上一时刻的质量测量值和当前时刻的质量预测值的差值是否超限来判断模型是否需要更新,当其差值没有超限,即上一时刻监测模型能够表征当前时刻的数据特征,不更新模型,而是继续沿用,否则更新模型。最后将此方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。

近红外透射法快速测定大豆油中的含磷量

采用近红外光谱仪,通过光学处理、数据处理和改进偏最小二乘法(MPLS)建立了快速测定高含磷量(321～632 mg/kg)和低含磷量(0～297 mg/kg)大豆油的近红外(NIR)模型。结果表明:高含磷量和低含磷量大豆油定标方程的交互定标决定系数(1-VR)分别为0.988和0.974,定标决定系数(R2)分别为0.992和0.980,定标标准误差(SEC)分别为2.420和2.512,交互定标标准误差(SECV)分别为2.538和2.678;现有数据预测标准偏差(SEP)分别为2.602和2.683;该近红外法在生产加工过程中可快速准确检测大豆油中含磷量。

青霉素生产过程的在线统计监测与产品质量控制

将多向偏最小二乘(MPLS)方法应用于青霉素间歇生产过程的建模与故障诊断中。从青霉素反应过程的特点来看,数据具有多维性,应用传统的偏最小二乘方法会使过程的统计建模与故障诊断难以实现。MPLS可对间歇过程的多维数据沿变量方向进行分割,使得多批量的数据可以在过程的各操作阶段建立相应的PLS模型,从而完成对该反应过程的实时监视与故障诊断。运用T2统计、Q统计方法,结合贡献图对过程进行了仿真分析,从理论分析和仿真实验结果的一致性,证明了该方法在青霉素生产过程的故障检测与诊断方面是可行的。