基于非线性多向ICA的间歇过程监控方法研究

针对间歇过程的非线性操作特性,提出一种非线性的多向独立成分分析(MICA)方法-基于特征样本的多向核独立成分分析(FS-MKICA)。该方法首先把正常工况下的间歇过程三维数据展开成二维,对输入的二维训练样本集进行特征样本提取,然后利用核函数完成从非线性特征样本输入空间到线性高维空间的转换,在变换后的线性高维空间中用独立成分分析(ICA)法提取独立成分构建模型。FS-MKICA不仅提取了过程的非线性特性,且避免了直接对全体输入样本建模,降低了计算复杂性。将FS-MKICA用于监视青霉素发酵过程,仿真结果验证了该方法是有效的。

基于四阶累积分析的工业大肠杆菌制备过程故障诊断

工业大肠杆菌制备过程具有非线性和非高斯性共存的特征,导致难以对故障源进行有效定位,针对这个问题,提出一种基于多向核熵独立元分析(MKEICA)的过程监测方法;同时针对传统低阶监控统计量(T2, I2和SPE)无法得到非高斯信息的不足提出了四阶累积监控统计量的方法;其次通过对四阶累积监控量进行推导,得到故障产生的原因.最后将其应用在实际的工业过程并与多向核独立元分析(MKICA)监测模型进行对比验证该方法的可行性及有效性.

基于粒子群优化MICA的间歇过程故障监测

多向独立成分分析(MICA)能够获取信号的高阶统计量信息,在间歇过程故障监测中得到长足发展。针对Fast ICA算法提取非高斯独立成分时,易受初始点的影响,梯度下降无法收敛到极小点以及算法运行前独立主元个数未知的不足,提出基于粒子群优化的MICA算法。并引入支持向量数据描述(SVDD)算法确定过程监控统计量的置信限,避免了核密度估计带来的"维数灾难"等问题。实验设计由青霉素发酵仿真平台完成,结果显示了本文方法优越于传统MICA方法,能够保证获取非高斯性最大的独立成分,使得对故障的监测更加及时有效。

基于MICA-PCA的间歇过程故障监测

针对具有数据非高斯分布或混合分布的间歇过程,研究一种新的改进MICA-PCA监控方法.首先利用MICA方法提取非高斯分布过程信息,通过设定负熵阈值实现独立成分个数的自动选择,以此克服传统ICA方法中需提前确定独立成分个数的缺点,再使用核密度估计方法确定相应统计量的置信限,然后对服从多元高斯分布的残差过程信息,进一步进行PCA分析和处理.将该方法应用于北京某生化制药厂重组大肠杆菌制备白介素-2发酵过程监控.结果表明:该法在过程变量不服从高斯分布的情况下能有效降低传统方法的漏报和误报率,准确地对过程进行监控.

基于MICA-OCSVM的间歇过程故障监测

针对多向独立成分分析(multi-way independent component analysis,MICA)需要假设过程变量服从非高斯分布的要求,以及MICA基于马氏距离构造的监控统计量会导致故障检测率降低的问题,研究了一种将多向独立成分分析与单类支持向量机(one-class support vector machines,OCSVM)相结合的MICA-OCSVM监测方法.首先采用MICA提取间歇过程所有批次的独立成分;然后分别对每个时刻的所有批次的独立成分进行OCSVM建模,利用确定的决策超平面构造非线性的监控统计量;最后计算所有建模数据的监控统计量,并利用核密度估计确定相应的控制限.将该方法应用到青霉素发酵过程仿真平台,实验结果表明:该方法相比于传统的MICA故障监测方法,无需考虑过程变量服从何种分布,能够有效利用独立成分的结构信息,故障的误报率、漏报率明显降低.

基于CUS-MICA的间歇过程故障诊断

针对间歇过程中出现的缓慢变化故障,提出一种累加求和的多向独立成分分析(CUS-MICA)方法,用于间歇过程监控。首先,把收集到的正常工况下的间歇过程三维训练样本数据按变量展开成二维形式,然后,对标准化后的二维数据应用独立成分分析(ICA)方法得到相互独立的独立成分及其重构残差。为更好地检测出间歇过程中的微小偏移和缓变型故障,结合累积和(CUSUM)控制图思想,对提取出的独立成分和残差累加求和,以此分别构造2I和SPE统计量,建立CUS-MICA模型用以监控过程变化。在盘尼西林发酵过程上的仿真研究结果表明,CUS-MICA方法能更快地检测出间歇过程中故障的发生,尤其对缓慢变化型故障的检测效果明显优于传统的MICA方法。

基于MKECA的非高斯性和非线性共存的间歇过程监测

多向核独立成分分析(multiway kernel independent component analysis,MKICA)在监测间歇过程非高斯性和非线性方面取得了广泛应用,其仅仅是将线性独立成分分析(independent component analysis,ICA)方法利用核主成分分析(kernel principal component analysis,KPCA)白化扩展到非线性领域,但数据经KPCA白化后只考虑数据信息最大化未考虑数据簇结构信息的不足,为解决此问题,采用核熵成分分析(kernel entropy component analysis,KECA)代替KPCA白化的过程监测方法。该方法首先利用AT展开方法将过程三维数据变为二维数据;其次用KECA进行白化处理的同时解决数据的非线性;然后建立ICA监测模型用于非高斯生产过程监测;最后将该方法应用到青霉素发酵仿真和实际的工业过程并与MKICA方法进行对比,验证该方法的有效性。