基于慢特征分析的分布式动态工业过程运行状态评价

现代工业过程通常具有规模大、流程长和工序多的特点,导致传统的集中式建模方法会淹没过程的局部变化信息,从而无法及时识别早期的非优运行状态.此外,闭环控制的广泛应用使得过程变量普遍存在时序相关性.针对以上问题,提出一种基于慢特征分析(Slow feature analysis, SFA)的分布式动态工业过程运行状态评价方法.首先,结合动态时间规整(Dynamic time warping, DTW)和K-medoids聚类算法对过程进行分解;然后,对每一变量子块建立相应的动态慢特征分析(Dynamic slow feature analysis, DSFA)模型;最后,利用贝叶斯推理获得全局的综合评价指标.通过在数值案例和金湿法冶金过程的仿真应用,验证了该方法的有效性.

基于慢特征分析与最小二乘支持向量回归集成的草酸钴合成过程粒度预报

草酸钴合成过程是钴湿法冶炼的关键单元操作,其粒度分布是重要的质量指标,然而难以在线实时测量。同时,草酸钴合成过程通常存在非线性、多约束和慢时变特征。因此,提出一种集成慢特征分析(slow feature analysis,SFA)与最小二乘支持向量回归(least square support vector regression,LSSVR)的草酸钴粒度预报模型对草酸钴合成过程质量指标实现在线测量。在该方法中,首先,SFA方法可以有效地捕获过程的慢特征向量,解决慢时变问题;然后,利用LSSVR方法建立慢特征与粒度之间的非线性关系模型,进而实现质量指标在线预报。最后,应用非线性的数值案例以及草酸钴合成过程数据,验证该方法的有效性。实验结果显示:相较于单一的径向基函数神经网络(radial basis function neural network,RBFNN)、LSSVR预测模型以及SFA与NN相结合的预报模型,所提方法在数值案例中的预测精度分别提升了13.31%、2.26%、1.72%;在草酸钴合成过程中的预测精度分别提升了13.27%、9.96%、8.92%。

基于一种改进稀疏动态慢特征分析的高速公路服务区空调空气处理单元故障检测研究

高速公路服务区暖通空调空气处理系统表现出很强的双向动态特性,为了通过处理空气处理系统的双向动态特性和对提取的潜在变量施加稀疏性,本文提出一种改进的稀疏动态慢特征分析策略来检测空气处理系统的故障。在提出的稀疏动态慢特征分析中,采用自回归移动平均模型来揭示变量之间的自相关关系。然后应用多路数据分析,通过将扩充的三维数据集转换为展开的矩阵,计算出在多个批处理运行中的分批动态特性。进一步建立动态慢特征分析模型充分处理批运行中的时间动态特性。最后,融入特征稀疏表示技术,通过对负载向量进行稀疏约束,消除了无意义变量之间的耦合。在ASHRAE研究项目RP-1312实验数据集上进行的案例研究验证了所提出的故障检测方案的有效性。

KL散度多模块滑动窗口慢特征分析的故障诊断方法

针对传统分块方法根据经验划分子块导致变量特征信息无法充分利用,其单一的建模方式忽略局部信息以及离线模型无法适应时变特性的问题,提出了一种KL (Kullback-Leibler)散度多模块滑动窗口慢特征分析方法。在正常工况数据集中,利用KL散度来度量变量间的距离,同时引入最小误差平方和准则进行聚类,分成两个距离最小的子模块;在此基础上利用慢特征分析方法对每个子模块进行建模,结合滑动窗口对每次采样的数据进行更新,得到最优模型,分别计算监测统计信息,利用支持向量数据描述对故障监测结果进行融合,实现故障诊断。并将该方法应用于田纳西伊斯曼过程的监控中,得到了较高的故障检测率和较低的虚警率,验证了该方法的可行性和有效性。

基于核慢特征分析的工业过程微小故障检测方法研究

传统的核慢特征分析(Kernel Slow Feature Analysis,KSFA)在非线性动态过程监控中存在微小故障检测率低的问题.针对该问题,该文提出了一种加权统计局部核慢特征分析(Weighted Statistical Local Kernel Slow Feature Analysis,WSLKSFA)故障检测方法.利用KSFA方法提取过程中具有缓慢变化的特征空间数据和残差空间数据;利用局部方法中残差函数的思想和加权统计特征构造数据改进的统计特征,增大故障样本的偏离程度;利用新的数据集建立过程监控检测统计量完成过程故障检测.将所提出的方法通过田纳西-伊斯曼(Tennessee-Eastman,TE)过程进行验证,通过与KPCA、SFA、KSFA作对比分析,验证WSLKSFA方法在微小故障的检测能力方面所具有的优越性.

基于概率相关慢特征分析的高速列车牵引系统故障检测

利用牵引系统特性提出一种基于概率相关慢特征分析的故障检测方法,以提高故障检测性能。首先,将Kullback-Leibler散度引入慢特征分析方法中,在此方法提取牵引系统数据中慢速特征的基础上,进一步计算离线数据和在线数据慢速特征的概率分布距离,构建统计量。最后使用中南大学的高速列车牵引系统模拟仿真平台,验证了方法的可行性,并对比传统SFA方法,结果表明,提出方法能有效提高检测性能。

基于慢特征分析的机械臂传动系统早期故障检测

早期故障是机械臂传动系统永久故障发生前出现的微弱的、难以检测的故障,及时对早期故障进行故障检测可以有效地防止永久故障的发生。针对机械臂传动系统内旋转部件复杂、故障信号易被噪声掩盖等问题,提出一种基于KL散度和慢特征分析(SFA)的早期故障检测方法。首先,将慢速特征分为主导子空间和残差子空间,可以有效地从噪声中提取反映系统状态变化的主要趋势;然后,通过分析不同状态之间的评价函数,从数据中提取出轻微的早期故障信息,利用判决规则进行故障检测;最后,为验证该方法的有效性进行了大量的仿真实验,仿真结果表明,与传统方法相比,所提算法具有更精准的故障检测能力,同时所提方法可以有效地降低检测方法的计算复杂度。

长短滑窗慢特征分析与时序关联规则挖掘的过渡过程识别

工况过渡过程与异常状态(故障)的数据特性极为相似。如果不对过渡过程加以辨识,极易导致过程监测系统频繁误报警,进而可能引发不适当的人工操作而严重破坏生产的稳定性。本文提出一种基于长短滑窗慢特征分析(slow feature analysis,SFA)与时序关联规则挖掘的过渡过程识别方法。首先,依据稳态工况和过渡工况在时间跨度上的差异性,提出一种长短滑窗与SFA相结合的多工况过程建模方法,将工况状态细分为多个稳态阶段与过渡阶段,并分别建立相应的离线SFA模型;然后,提出一种多时序多时间区间的同步频繁树构建方法,挖掘每种状态转变在多个时间序列与多个时间区间内的关联规则,以实现工况过渡过程的准确辨识。针对田纳西伊斯曼(Tennessee Eastman,TE)过程生成一组包含多模态相互转变的过程数据对所提方法进行实验验证,结果表明所提方法能够在频繁发生过程转变的过程数据中有效识别过渡过程,降低故障误报率,提高过程监测水平。

鲁棒慢特征分析建模及过程监控

慢特征分析(slow feature analysis,SFA)可以通过2步主元分析(principal component analysis,PCA)进行求解。目前,鲁棒SFA主要通过引入鲁棒PCA算法代替标准PCA算法来实现。考虑到标准SFA中动态特征采用静态特征的一阶差分进行描述,容易受到离群点的影响,提出一种改进的鲁棒SFA算法。该算法引入微分平滑算法求解静态特征的一阶差分,降低了离群点对SFA中第二步PCA的影响,提高了鲁棒性。同时,将该改进鲁棒SFA方法引入到过程监控中,并将现有基于SFA监控方法的4个监控指标简化到2个,提高了监控效率。最后,通过与SFA以及现有鲁棒SFA方法在TE过程中的应用对比,说明了该方法的优越性。

视频中人体行为的慢特征提取算法

从复杂的人体行为中提取出重要的有区分力的特征是进行人体行为分析的关键。目前经典的特征分析方法大多是线性的特征分析技术,对于非线性处理会导致错误的结果,为此,提出了一种慢特征提取方法。首先,利用帧间差分法获取帧差图像序列,对选定的初始帧进行特征点检测;然后,利用光流法对特征点进行跟踪,收集训练立方体;最后,利用收集的训练立方体进行慢特征函数的机器学习,提取出慢特征并进行特征表示。实验中提取每种行为的慢特征进行对比,结果显示提取的慢特征随时间变化非常缓慢,并且在不同行为之间具有很强的区分力,表明该方法能够有效提取出人体行为的慢特征。

利用慢特征分析进行多尺度融合的高分辨率影像变化检测

提出利用慢特征分析的特征级多尺度融合的方法。首先对两时相影像分别进行多尺度分割,并与原始影像共同构成多尺度特征集;其次对特征集进行迭代慢特征变换,增大变化区域与未变化区域的可分性;最后通过K-means聚类完成变化区域与未变化区域的分割,得到二值变化检测结果。通过两组北京地区的多光谱影像实验发现,该方法具有更高的精度和自动化程度。

用慢特征分析算法实现水声信号盲分离

在常规的水声信号盲处理研究中,通常都是用独立成分分析算法分离线性混合信号,而对于较复杂的非线性混合信号,独立成分分析算法无能为力。针对这种情况,提出将慢特征分析(Slow Feature Analysis,SFA)算法应用于水声信号非线性盲源分离领域。一般而言,对源信号做非线性混合变换后输出混合信号较源信号变化较快,而采用SFA算法可以从复杂的非线性混合信号中提取出变化缓慢的信号,通过仿真实验,分别对简单信号和复杂水声信号的非线性混合信号进行分离,通过将源信号与分离信号对比,发现SFA算法输出信号与源信号高度相似,验证了SFA算法在非线性盲源分离领域应用的有效性和可行性。

基于慢特征分析法的DOA估计性能研究

浮标声纳是常用的反潜探测装置,浮标声纳受到功耗、体积和硬件复杂度等因素的限制,无法原地进行信号的复杂处理,通常将接收数据通过无线信道发送到终端设备进行处理。由于多径传播、衰落特性以及多普勒效应等众多因素的干扰,信号在无线传播中会产生误码并影响最终系统目标方位估计性能,传统的方位估计算法抗误码干扰的能力很差,在高误码率情况下往往无法正确估计。为解决上述问题,提出了将慢特征分析法应用于目标方位估计,提高高误码率下目标方位估计的精确度,并通过matlab仿真,验证了上述方法理论的正确性及在工程运用中的可行性。

基于增强慢特征分析的控制系统振荡智能检测

针对传统振荡检测方法在处理非线性关系时准确率低的问题,提出了一种增强慢特征分析算法。在离线建模阶段,该算法对传统慢特征分析方法的权重系数进行解析来识别非线性信号,并采用神经网络拟合非线性信号,将拟合结果作为增强特征纳入原信号,从而将非线性关系转变为线性关系。在线检测阶段,根据正常数据的变化速率设定检测阈值,将超过该阈值的样本判定为振荡。设计仿真实验对提出算法进行验证;与传统方法相比,误报率平均降低0.625%,检测精度平均提高36.7%。结果表明,该算法不仅实现了非线性信号的自动识别与拟合,完成系统的线性化,同时能有效提升模型对非线性系统的振荡检测能力。

基于改进慢特征分析的CSTR故障诊断方法与实验平台

针对传统慢特征分析(SFA)无法充分解析连续搅拌釜式反应器(CSTR)非线性特性问题,提出一种改进的慢特征分析故障诊断方法——随机傅里叶SFA(RFSFA),并开发了相应的仿真实验平台。该方法引入随机傅里叶映射技术实现过程变量的非线性变换,进而利用慢特征分析建立非线性统计监控模型。为了避免模型随机参数的影响,应用贝叶斯推理理论构建了集成学习模型。为验证该方法的有效性,设计了一个CSTR故障模拟与算法测试实验平台,包括正常工况模拟、故障工况模拟、故障检测等多个子系统。测试结果表明,RFSFA方法具有比传统SFA方法更好的故障检测性能,所开发的实验平台易于操作,开放性好,能够很好地验证算法的有效性。

利用慢特征分析法提取层次结构系统中的外强迫

在大量真实的动力系统中,外部驱动力总是随时间发生变化,正是这种变化导致了非平稳行为的产生.因此,从此类系统的观测数据中提取和分析外强迫(也称驱动力)信号引起了人们越来越多的关注.慢特征分析法(slow feature analysis,SFA)是从非平稳时间序列中提取外强迫信息的一种有效算法.在其基础上利用变参数的Logistic映射产生的非平稳时间序列,通过数值试验进一步讨论了该方法的应用前景,并发展了一些相应的分析技术.试验结果表明,对于模型中包含两个时变驱动力参数的系统,经过一次SFA处理之后,可以进一步利用子波分析技术检索出外强迫信号中的两个参数;对于模型中有两个叠加驱动力层次的三层动力系统,可先通过一次SFA处理,提取出次慢层外强迫信号,对该信号进行二次SFA处理,可提取出最慢层外强迫信号.

基于核慢特征回归与互信息的常压塔软测量建模

针对工业过程的非线性及动态特性,提出了一种新的慢特征回归软测量方法。该方法首先通过添加时延数据构造动态数据集,利用互信息最大化准则筛选变量从而减少信息冗余的影响。同时该方法在慢特征分析的基础上引入核函数扩展,加强模型处理非线性数据的能力,并将获得的核慢特征用于回归建模。核慢特征分析通过分析样本的变化,提取具有缓慢变化特征的成分,可以有效地刻画工业过程的变化趋势,提升回归模型精度。最后该方法的有效性在常压塔常顶油干点与常一线初馏点的软测量模型中得到了验证。

慢特征分析法在气象上的应用进展

气候系统具有非平稳特征,根本原因在于其外强迫随时间发生改变,因此外部驱动力的分析对于理解气候系统的动力学特征至关重要,而如何有效提取系统外部驱动信息是一个亟待解决的前沿科学问题。最近几年,在生物神经学领域中应用的一种提取非平稳信号中外强迫信息的方法——慢特征分析法(Slow Feature Analysis,SFA),在气象领域中也得到了初步成功的尝试,结果显示出此方法对气候系统的外强迫信息分析及有关动力学机制的探究有较好的应用前景。本文主要介绍SFA方法的理论思想及实施步骤,并通过一个理想的非平稳时间序列检验其提取外强迫信息的能力,结果证明在衰减的Logistic模型中,可利用SFA算法提取出模型中的外强迫,且与真实外强迫的相关系数可达0.99;此外,还介绍将该方法应用于Arosa臭氧时间序列,分析其提取的外强迫信息的动力学特征;并介绍了在气候时间序列建模中引入外强迫因子的预测效果。

基于故障相关慢特征分析的过程监测方法

针对慢特征分析(SFA)算法在特征选择时没有利用过程在线故障信息的问题,提出基于选择在线故障相关特征的慢特征分析(FRSFA)故障检测算法。首先采用SFA算法提取过程动态特征,采用核密度估计方法估计特征平均阈值,作为在线特征选择的基准。然后记录超过平均阈值的在线慢特征为故障相关特征,在正常数据的动态特征中挑选当前故障相关特征,估计当前监测样本的控制限。最后,将提出的算法应用于田纳西-伊斯曼过程,结果表明相比于主成分分析和SFA算法,FRSFA算法充分利用动态过程在线故障信息,增强模型的有效性。

利用慢特征分析法提取二维非平稳系统中的外强迫特征

慢特征分析法(Slow Feature Analysis,SFA)是一个从快变的信号中提取慢变特征的有效方法,它的提出丰富了人们对非平稳系统外强迫特征的重建手段。本文以Henon映射为基础,构造二维非平稳系统模型,尝试SFA方法在二维复杂非平稳系统中重建外强迫特征的能力。试验表明,SFA方法能够较好地从单时变参数Henon映射中提取出外强迫信号;通过结合小波变换技术,可以还原双时变参数Henon映射中的外强迫信号。另外,本文利用SFA方法重建了北京市气温的外强迫信号,分析其外强迫信号的尺度特征及其可能的物理机制。这些工作将为气候系统驱动力的研究提供新的思路。