基于AP-MDFE-MDPCA的间歇过程故障监测

为解决多阶段间歇生产过程操作随机性、数据不等长、呈动态分布等问题以及提高故障监测准确性,提出基于AP(近邻传播聚类)和MDFE(混合数据特征提取)的MDPCA(多动态主成分分析)故障监测方法AP-MDFE-MDPCA。首先,针对多阶段间歇过程中操作随机性使得数据相关性发生改变,不能用整个批次数据统一建模问题,先对阶段进行精确划分,在同一阶段采用AP算法,将相似特征数据进行聚类,并采用BFO(菌群优化)算法对其偏向参数p优化,获得最优权重和最佳初始聚类中心,构建批数据的分类模型。其次,为解决聚类后相同类中的批次数据不等长问题,利用MDFE算法进行批次数据等长化处理。同时考虑到过程变量内的动态特性,按照不同阶段聚类数目的不同,构建MDPCA模型。最后,将所提方法应用于精炼炉炼钢过程,并与基于LNS-MDPCA(局部邻域标准化的多动态主成分分析)方法进行比较。实验结果表明提出的方法监测准确性更高,监测速度更快。