CN103853152A - 一种基于ar-pca的间歇过程故障监测方法 - Google Patents
一种基于ar-pca的间歇过程故障监测方法 Download PDFInfo
- Publication number
- CN103853152A CN103853152A CN201410109228.4A CN201410109228A CN103853152A CN 103853152 A CN103853152 A CN 103853152A CN 201410109228 A CN201410109228 A CN 201410109228A CN 103853152 A CN103853152 A CN 103853152A
- Authority
- CN
- China
- Prior art keywords
- centerdot
- model
- batch
- pca
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 104
- 238000012544 monitoring process Methods 0.000 title claims abstract description 68
- 238000010923 batch production Methods 0.000 title claims abstract description 33
- 238000000513 principal component analysis Methods 0.000 title abstract 3
- 239000011159 matrix material Substances 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000004519 manufacturing process Methods 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims description 27
- 210000004243 sweat Anatomy 0.000 claims description 17
- 238000011068 loading method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract 1
- QDGIAPPCJRFVEK-UHFFFAOYSA-N (1-methylpiperidin-4-yl) 2,2-bis(4-chlorophenoxy)acetate Chemical compound C1CN(C)CCC1OC(=O)C(OC=1C=CC(Cl)=CC=1)OC1=CC=C(Cl)C=C1 QDGIAPPCJRFVEK-UHFFFAOYSA-N 0.000 description 9
- 229930182555 Penicillin Natural products 0.000 description 9
- JGSARLDLIJGVTE-MBNYWOFBSA-N Penicillin G Chemical compound N([C@H]1[C@H]2SC([C@@H](N2C1=O)C(O)=O)(C)C)C(=O)CC1=CC=CC=C1 JGSARLDLIJGVTE-MBNYWOFBSA-N 0.000 description 9
- 229940049954 penicillin Drugs 0.000 description 9
- 238000000855 fermentation Methods 0.000 description 7
- 230000004151 fermentation Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010924 continuous production Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000004540 process dynamic Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 235000013599 spices Nutrition 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Abstract
本发明提出了一种基于AR-PCA的间歇过程故障监测方法,实现了对具有较强动态性间歇过程的在线监测。传统MPCA方法在监控间歇过程时,未考虑到由于各种随机噪声和干扰的存在而导致变量呈现出相应的自相关和互相关,从而导致在线监控过程中存在大量误报警。本发明首先将测量变量建立多变量自回归(AR)模型,模型系数矩阵采用PLS方法进行辨识,模型阶次采用AIC准则进行辨识,然后对AR模型的残差建立PCA模型,同时本发明算法在线监控新批次数据时引入了训练数据,从而提高了本发明算法的监控效果。本发明弥补了传统MPCA方法在监测具有较强动态性间歇过程时存在大量误报警的不足,对监测实际间歇生产过程具有重大意义。
Description
技术领域
本发明是一种间歇过程的故障监测方法,尤其针对具有较强动态性的青霉素发酵过程,应用此方法对生产过程进行故障监测,及时发现生产过程中故障。
背景技术
现代流程工业过程规模不断扩大、复杂性日益增高,投资越来越大,迫使人们对过程生产的安全性和可靠性越来越重视;特别是在一些生物、化工过程中,常常包含高温、高压、易燃、易爆的生产过程,系统一旦发生事故就会造成人员和财产的巨大损失,而且环境污染也要比其他事故严重得多。然而,尽管随着计算机控制技术在工业过程中的逐步普及,许多生产过程实现了自动化,但工业过程中的异常事件管理仍然主要由操作员人工完成。当过程发生异常时,操作员由于受人类自身能力和经验的限制,很容易做出错误判断和行动,这时不但不能使过程恢复正常运行,而且还可能造成更重大的事故。
间歇过程是现代流程工业中常见的一种生产方式,由于其本身具有的灵活性,因此被广泛应用于医药、食品、染料、香料及生化制品等小批量、高附加值产品的生产和制备当中。然而,间歇过程的生产环境及其动态特性与连续过程有明显的区别,频繁地改变生产的产品和工艺操作条件是间歇过程的正常活动方式。间歇过程往往无稳态的工作点,常常从一个稳定状态转为另一个稳定状态,因而可能存在多种状态的组合。间歇过程往往呈现强非线性、动态性和时变特性,其操作复杂度远远大于连续过程,产品质量更容易受到如原材料质量、设备状况、环境条件等不确定性因素的影响。为了提高间歇生产过程与控制系统的可维护性和安全性,并同时提高产品的质量,迫切地需要建立过程监测系统对生产过程进行故障监控与诊断。
目前,以多元统计过程监控为核心的数据驱动方法在流程工业的过程故障监测和诊断领域得到了广泛的关注和研究。然而,传统的多元统计方法在推导相关统计量分布时,假设过程处于稳态,不存在时序相关性,而实际流程工业中的对象几乎很难满足上述条件,当偏离上述假设条件时,采用传统多元统计过程监控算法,就会引起错误的监控结果,导致监控算法的失效。因此,迫切需要一种解决过程动态性的监控方法对生产过程进行监测,进而进行故障诊断。
发明内容
本发明的目的就是针对现阶段过程监测方法的不足,提出了一种间歇过程的故障监测方法。通过引入AR模型对原始测量变量进行预处理,再建立PCA模型进行监测。该方法解决了过程数据具有动态性而导致的监控效果不佳问题,提高了监控性能。
本发明采用了如下的技术方案和实现步骤:
步骤一,使用过程正常运行数据作为数据驱动的训练样本,样本集由同一发酵过程相同工艺下所记录的I批次测量数据构成,X=(X1,X2,...,XI)T,其中Xi表示第i批次数据;每个批次数据包含K个采样时刻,每个采样时刻采集J个过程变量,即其中表示第i批次第k采样时刻采集的数据,其中表示第i批次中第k采样时刻的第j个过程变量的测量值;
步骤二,将样本集X进行标准化处理;
步骤三,离线建模,分别对标准化处理后的每批次数据建立对应的多变量自回归AR模型,根据建立的AR模型得到每个AR模型的残差,其中第i个AR模型的残差为L为模型阶次,由赤池信息量准则AIC准则确定,其中,i=1,2,...,I,为第i批次数据在k时刻的模型残差,表示第i批次数据在k时刻的第j个变量的模型残差;
步骤四,将I批次的多边两AR模型的残差E=[E1,E2,…,EI]沿变量方向重排列得到E'((K-L)I×J)如下式所示,
E'作为PCA模型的输入,根据主元贡献率>85%确定主元个数R,进而计算出得分矩阵TPCA与残差矩阵EPCA,通过得分矩阵与残差矩阵来计算监控统计量Hotelling-T2和SPE以及相应的监控限;
其中,I为批次数,m=1,2,...,L,是训练样本中第i批次第k-m采样时刻采集的数据;
步骤六,将求得的发酵过程k时刻对应的AR模型的残差作为PCA模型的输入,得到发酵过程k时刻的Hotelling-T2统计量和SPE统计量,其中所述的PCA模型中的载荷矩阵PPCA是利用步骤四中所述的PCA模型得到;判断发酵过程k时刻的Hotelling-T2和SPE统计量是否超出步骤四得到的相应控制限,如果二者都未超出,则判定当前过程测量数据正常,重复步骤五、六,直到生产过程结束;否则判定当前过程有故障发生。
步骤二中数据标准化预处理,处理方式如下:
首先计算样本集X的所有时刻上所有过程变量的均值和标准方差,其中第k采样时刻的第j个过程变量的平均值的计算公式为,表示第i批次中第k采样时刻的第j个过程变量的测量值,k=1,...,K,j=1,...,J;第k采样时刻的第j个过程变量的标准方差Sk,j的计算公式为, k=1,...,K,j=1,...,J;
然后对历史数据X进行标准化,其中第i批次中第k采样时刻的第j个过程变量的标准化计算公式如下:
其中,i=1,...,I,j=1,...,J,k=1,...,K;
步骤三所述的第i批次数据的多变量AR模型如下:
其中,k=L,L+1,…,K;L通过AIC准则确定,分别为第i批次数据在k时刻的测量变量和模型残差,为第i批次数据在第k-l时刻的测量变量,为第i批次数据在第k-l时刻的模型系数向量;第i批次数据的多变量AR模型的系数矩阵
第i批次数据的多变量AR模型的系数矩阵Ci的计算公式如下:
有益效果
为了对具有较强动态性的间歇过程进行准确监测,降低误报率及漏报率,本发明提出了一种基于AR-PCA的间歇过程故障监测方法。传统MPCA方法在监控间歇过程时,未考虑到由于各种随机噪声和干扰的存在而导致变量呈现出相应的自相关和互相关,从而导致在线监控过程中存在大量误报警。
首先将测量变量建立多变量自回归(AR)模型,消除了过程动态性的影响,然后对AR模型的残差建立PCA监测模型,对新批次数据进行在线监测。同时本发明算法在线监控新批次数据时引入了训练数据,从而提高了本发明算法的监控效果。
以青霉素发酵过程仿真软件Pensim为实例,进行的实验验证说明,本发明弥补了传统MPCA方法在监测具有较强动态性间歇过程时存在大量误报警的不足,对监测实际间歇生产过程具有重大意义。
附图说明
图1为基于AR-PCA的间歇过程故障监测方法流程图;
图2为基于AR-PCA的间歇过程故障监测方法示意图;
图3为MPCA方法监控正常批次T2统计量结果实验结果,控制限分别为99%和95%;
图4为MPCA方法监控正常批次SPE统计量结果实验结果,控制限分别为99%和95%;
图5为AR-PCA方法监控正常批次T2统计量结果实验结果,控制限分别为99%和95%;
图6为AR-PCA方法监控正常批次SPE统计量结果实验结果,控制限分别为99%和95%;
图7为MPCA方法监控故障批次T2统计量结果实验结果,控制限分别为99%和95%;
图8为MPCA方法监控故障批次SPE统计量结果实验结果,控制限分别为99%和95%;
图9为AR-PCA方法监控故障批次T2统计量结果实验结果,控制限分别为99%和95%;
图10为AR-PCA方法监控故障批次SPE统计量结果实验结果,控制限分别为99%和95%。
具体实施方式
本发明的对象主要是具有较强动态性的间歇过程,应用本发明的方法对生产过程进行故障监测,及时发现生产过程中故障。下面结合青霉素发酵仿真平台Pensim软件,对本发明进一步进行说明。
Pensim仿真平台是由伊利诺科技学院(Illinois Institute ofTechnology,IIT)以Cinar教授为学科带头人的过程建模、监测及控制研究小组于1998-2002年研究开发的。此仿真平台是专门为青霉素发酵过程而设计的,该软件的内核采用基于Bajpai机理模型改进的Birol模型,在此平台上可以简易实现青霉素发酵过程的一系列仿真,相关研究已表明该仿真平台的实用性与有效性,因此已经成为国际上较有影响的青霉素仿真平台。该平台可以对不同操作条件下青霉素生产过程的CO2浓度、pH值、青霉素浓度及溶氧浓度等进行仿真。通过控制反应过程中的pH值和发酵反应器内的温度,可以使反应在最佳条件下进行。
图1为基于AR-PCA的间歇过程故障监测方法流程图,本发明监测方法是采用离线建模,在线监测的方法。首先基于正常的训练数据离线建立监测模型,然后利用离线建立好的模型在线对新批次数据进行监测;
图2为基于AR-PCA的间歇过程故障监测方法离线建模示意图;
本发明中,离线建模与在线监测的具体实施步骤如下:
步骤一,使用青霉素发酵过程正常运行数据作为数据驱动的训练样本。为了使训练样本数据可靠,同时令训练样本数据足够多,样本集由同一发酵过程相同工艺下所记录的40批次测量数据构成,即I=40,X=(X1,X2,...,X40)T,其中Xi表示第i批次数据;每个批次数据包含400个采样时刻,即K=400;每个采样时刻采集10个过程变量进行监测,如表1所示,即J=10,其中表示第i批次第k采样时刻采集的数据,其中表示第i批次中第k采样时刻的第j个过程变量的测量值;
表1建立模型所用变量
同时为了使数据更符合实际,每批次的初始条件略有变化,所有测量变量均加入了随机测量噪声。最终建立样本集X(40×(400×10)),可表示为,
步骤二,对样本集数据进行标准化预处理,包括取数据的中心化、量纲归一化。中心化处理实际是抽取了过程变量在多批次正常运行操作下的平均运行轨迹,这样处理后的数据突显了间歇过程不同操作批次之间的一种正常随机波动,因此可以认为它们近似服从多维正态分布。其数学表达式为,
其中,其中,i=1,...,40,j=1,...,10,k=1,...,400;第i批次中第k采样时刻的第j个过程变量的标准化后的数据;为第k采样时刻的第j个过程变量的平均值,计算式为 表示第i批次中第k采样时刻的第j个过程变量的测量值,k=1,...,400,j=1,...,10;Sk,j为第k采样时刻的第j个过程变量的标准方差,计算公式为,
步骤三,离线建模,将标准化处理后的数据,分别对每批次数据建立当前时刻与前L时刻的关系,进而得到批次i的多变量AR模型的残差Ei,每一批次i的多变量AR模型如下,
其中,k=L,L+1,…,K;L通过AIC准则确定,本发明中经过计算得L=5;分别为第i批次在k时刻的测量变量和模型残差;为第i批次在第k-l时刻的测量变量;为第i批次数据在第k-l时刻的模型系数向量;第i批次数据的多变量AR模型的系数矩阵
考虑到变量的自相关以及互相关的影响,本发明中AR模型的系数矩阵通过PLS的方法进行辨识,PLS模型的输入矩阵为 由第i批次某时刻k的前L时刻的所有变量构成;输出矩阵为第i批次某时刻k的所有变量k=5,6,…,400,PLS模型定义如下,
PLS模型建立之后,得分向量按照如下式量可计算:
其中,Wi为第i批次数据PLS模型的权重矩阵,,T表示转置,第i批次AR模型系数矩阵Ci计算公式如下:
步骤四,用40批次的多变量AR模型的残差构成PCA模型的输入数据,可表示为E=[E1,E2,…,E40],将E沿变量方向重排列E'(((400-5)×40)×10),如下式所示,
对重排列后的E'建立PCA模型:
同时,步骤四中,计算监控统计量,其中Hotelling-T2统计量反映的是主元成分趋势变化及幅值偏离模型的程度,SPE统计量反映了测量变量对主元模型偏离度的平方和,然后利用公知常识得到相应的监控限;
在线监控时,计算PCA模型主元和残差公式如下:
在线监控时,在线发酵过程k时刻的Htelling-T2定义如下:
其中,R为主元个数R=6;I为批次数I=40;FR,I-R,α表示自由度为R,I-R的F分布,α为置信度。
同样,在线发酵过程k时刻的SPE统计量定义如下:
SPE近似服从χ2分布,其监控控制限计算公式:
其中,式中mk,vk分别表示建模数据中所有批次测量数据在k时刻SPE的均值和方差。
为了验证本文研究的监测算法的有效性,与传统MPCA算法进行了比较。分别对同一批次的正常数据和故障数据进行监测。故障批次为由于人为错误操作导致搅拌速率在180小时引幅值为-0.8%阶跃故障直到反应结束。
如图3、4所示,使用传统MPCA方法监控正常批次时,T2虽然没有误报情况,但SPE存在严重的误报,99%与95%的监控限的误报率分别为10%和23%,误报率均超过了1%和5%。图5、6为本发明算法获得的监控结果,T2和SPE均无误报,表明对正常批次监控拥有较好的效果。
图7、8为采用传统MPCA方法对故障批次进行监控的统计量T2和SPE监控结果。可以看出,统计量SPE在前期监控正常数据过程中存在大量误报,并且T2对故障数据的报警时刻严重滞后。图9、10为本发明方法对故障批次进行监控的统计量T2和SPE监控结果。结果表明,T2和SPE对故障数据的报警明显提前的同时,T2和SPE对前期正常数据的误报率均消除。
通过以上两个对比实验,说明本发明的方法是行之有效的。
Claims (5)
1.一种基于AR-PCA的间歇过程故障监测方法,其特征在于,它主要包括下列步骤:
步骤一,使用过程正常运行数据作为数据驱动的训练样本,样本集由同一发酵过程相同工艺下所记录的I批次测量数据构成,X=(X1,X2,...,XI)T,其中Xi表示第i批次数据;每个批次数据包含K个采样时刻,每个采样时刻采集J个过程变量,即其中表示第i批次第k采样时刻采集的数据,其中表示第i批次中第k采样时刻的第j个过程变量的测量值;
步骤二,将样本集X进行标准化处理;
步骤三,离线建模,分别对标准化处理后的每批次数据建立对应的多变量自回归AR模型,根据建立的AR模型得到每个AR模型的残差,其中第i个AR模型的残差为L为模型阶次,由赤池信息量准则AIC准则确定,其中,i=1,2,...,I,为第i批次数据在k时刻的模型残差,表示第i批次数据在k时刻的第j个变量的模型残差;
步骤四,将I批次的多变量AR模型的残差E=[E1,E2,…,EI]沿变量方向重排列得到E'((K-L)I×J)如下式所示,
E'作为PCA模型的输入,根据主元贡献率>85%确定主元个数R,进而计算出得分矩阵TPCA与残差矩阵EPCA,通过得分矩阵与残差矩阵来计算监控统计量Hotelling-T2和SPE以及相应的监控限;
4.根据权利要求3所述的一种基于AR-PCA的间歇过程故障监测方法,其特征在于:第i批次数据的多变量AR模型的系数矩阵Ci的计算公式如下:
其中,为第i批次数据的PLS模型输入矩阵的载荷矩阵,第i批次数据的PLS模型输出矩阵的载荷矩阵,Bi为第i批次PLS模型的对角回归矩阵,Wi为第i批次数据PLS模型的权重矩阵,T表示转置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410109228.4A CN103853152B (zh) | 2014-03-21 | 2014-03-21 | 一种基于ar-pca的间歇过程故障监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410109228.4A CN103853152B (zh) | 2014-03-21 | 2014-03-21 | 一种基于ar-pca的间歇过程故障监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103853152A true CN103853152A (zh) | 2014-06-11 |
CN103853152B CN103853152B (zh) | 2016-08-17 |
Family
ID=50860941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410109228.4A Expired - Fee Related CN103853152B (zh) | 2014-03-21 | 2014-03-21 | 一种基于ar-pca的间歇过程故障监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103853152B (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104503441A (zh) * | 2014-12-22 | 2015-04-08 | 北京化工大学 | 一种基于改进动态可见图的过程故障监测方法 |
CN104865944A (zh) * | 2014-07-17 | 2015-08-26 | 辽宁石油化工大学 | 基于pca-lssvm的气分装置控制系统性能评估方法 |
CN105353607A (zh) * | 2015-11-26 | 2016-02-24 | 江南大学 | 一种由数据差异驱动的间歇过程自学习动态优化方法 |
CN105403705A (zh) * | 2015-12-05 | 2016-03-16 | 浙江大学 | 一种包含血糖分类功能故障检测模块的连续血糖监测设备 |
CN105607631A (zh) * | 2016-03-24 | 2016-05-25 | 辽宁工业大学 | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 |
CN105652845A (zh) * | 2016-03-26 | 2016-06-08 | 北京工业大学 | 一种基于即时学习局部模型的发酵过程故障监测方法 |
CN106483847A (zh) * | 2016-09-20 | 2017-03-08 | 北京工业大学 | 一种基于自适应ica的冷水机组故障检测方法 |
CN107065843A (zh) * | 2017-06-09 | 2017-08-18 | 东北大学 | 基于独立子空间的多方向kica间歇过程故障监测方法 |
CN104656635B (zh) * | 2014-12-31 | 2017-10-13 | 重庆科技学院 | 非高斯动态高含硫天然气净化过程异常检测与诊断方法 |
CN107632592A (zh) * | 2017-09-01 | 2018-01-26 | 南通大学 | 基于高效递推核主元分析的非线性时变过程故障监测方法 |
CN108037668A (zh) * | 2017-12-28 | 2018-05-15 | 杭州电子科技大学 | 一种新型的化工间歇过程建模与监测方法 |
CN108181893A (zh) * | 2017-12-15 | 2018-06-19 | 宁波大学 | 一种基于pca-kdr的故障检测方法 |
CN108427398A (zh) * | 2018-03-06 | 2018-08-21 | 宁波大学 | 一种基于分散式ar-pls模型的动态过程监测方法 |
CN108469805A (zh) * | 2018-03-06 | 2018-08-31 | 宁波大学 | 一种基于动态性最优选择的分散式动态过程监测方法 |
CN108491683A (zh) * | 2018-03-26 | 2018-09-04 | 河北工业大学 | 一种青霉素发酵过程故障检测方法 |
CN109101758A (zh) * | 2018-09-03 | 2018-12-28 | 江南大学 | 基于t-pls模型的间歇过程工艺条件设计方法 |
CN109491347A (zh) * | 2018-12-18 | 2019-03-19 | 江南大学 | 基于ppls模型的批次运行中操作轨迹的调整方法 |
CN109740687A (zh) * | 2019-01-09 | 2019-05-10 | 北京工业大学 | 一种基于dlae的发酵过程故障监测方法 |
CN110009126A (zh) * | 2019-01-23 | 2019-07-12 | 北京化工大学 | 基于pls模型与pca贡献度融合的在线报警分析方法 |
CN110262458A (zh) * | 2019-06-28 | 2019-09-20 | 佛山科学技术学院 | 故障特征信息提取与早期故障预警的方法及系统 |
CN110297475A (zh) * | 2019-07-23 | 2019-10-01 | 北京工业大学 | 一种基于四阶矩奇异值分解的间歇过程故障监测方法 |
CN110795695A (zh) * | 2019-10-28 | 2020-02-14 | 华北理工大学 | 消去时序相关性的多模型动态pca故障监测方法 |
CN110794797A (zh) * | 2019-11-27 | 2020-02-14 | 江南大学 | 一种基于互信息和多块信息提取的pca故障监测方法 |
CN111694328A (zh) * | 2019-03-12 | 2020-09-22 | 宁波大学 | 一种基于多块独立成分分析算法的分布式过程监测方法 |
CN112229435A (zh) * | 2020-10-28 | 2021-01-15 | 震兑工业智能科技有限公司 | 基于规范变量分析的船舶主机偶发性故障检测方法及系统 |
CN114089717A (zh) * | 2021-10-18 | 2022-02-25 | 兰州理工大学 | 一种基于多向加权弹性网络的间歇过程质量相关故障检测方法 |
CN116268357A (zh) * | 2023-03-03 | 2023-06-23 | 华南农业大学 | 一种高盐稀态酱油酿造过程监控方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106054832B (zh) * | 2016-06-07 | 2020-01-21 | 蓝星(北京)技术中心有限公司 | 基于多变量的间歇化工生产过程动态在线监测方法与装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050141782A1 (en) * | 2003-12-31 | 2005-06-30 | Honeywell International Inc. | Principal component analysis based fault classification |
US20070282777A1 (en) * | 2006-05-30 | 2007-12-06 | Honeywell International Inc. | Automatic fault classification for model-based process monitoring |
US20090276077A1 (en) * | 2008-04-30 | 2009-11-05 | Richard Good | Method and system for semiconductor process control and monitoring by using pca models of reduced size |
CN102141811A (zh) * | 2010-02-02 | 2011-08-03 | 通用汽车环球科技运作有限责任公司 | 用于处理连续的和间歇的故障的诊断系统和方法 |
CN103246277A (zh) * | 2013-03-28 | 2013-08-14 | 杭州电子科技大学 | 基于相对化变换的信息增量矩阵的工业过程监控方法 |
CN103336507A (zh) * | 2013-06-24 | 2013-10-02 | 浙江大学 | 基于多模态协同时段自动划分的统计建模与在线监测方法 |
-
2014
- 2014-03-21 CN CN201410109228.4A patent/CN103853152B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050141782A1 (en) * | 2003-12-31 | 2005-06-30 | Honeywell International Inc. | Principal component analysis based fault classification |
US20070282777A1 (en) * | 2006-05-30 | 2007-12-06 | Honeywell International Inc. | Automatic fault classification for model-based process monitoring |
US20090276077A1 (en) * | 2008-04-30 | 2009-11-05 | Richard Good | Method and system for semiconductor process control and monitoring by using pca models of reduced size |
CN102141811A (zh) * | 2010-02-02 | 2011-08-03 | 通用汽车环球科技运作有限责任公司 | 用于处理连续的和间歇的故障的诊断系统和方法 |
CN103246277A (zh) * | 2013-03-28 | 2013-08-14 | 杭州电子科技大学 | 基于相对化变换的信息增量矩阵的工业过程监控方法 |
CN103336507A (zh) * | 2013-06-24 | 2013-10-02 | 浙江大学 | 基于多模态协同时段自动划分的统计建模与在线监测方法 |
Non-Patent Citations (6)
Title |
---|
SAVITA G.KULKARNI.ETC: "Modeling and monitoring of batch processes using principal component analysis (PCA) assisted generalized regression neural networks (GRNN)", 《BIOCHEMICAL ENGINEERING JOURNAL》 * |
张成等: "基于统计模量分析间歇过程故障检测方法研究", 《仪器仪表学报》 * |
杨洁: "基于PCA的间歇过程监测及故障诊断方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
王姝: "基于数据的间歇过程故障诊断及预测方法研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
赵立杰等: "非线性主元分析故障检测和诊断方法及应用", 《信息与控制》 * |
齐咏生等: "一种新的多阶段间歇过程在线监控策略", 《仪器仪表学报》 * |
Cited By (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104865944A (zh) * | 2014-07-17 | 2015-08-26 | 辽宁石油化工大学 | 基于pca-lssvm的气分装置控制系统性能评估方法 |
CN104865944B (zh) * | 2014-07-17 | 2017-11-28 | 辽宁石油化工大学 | 基于pca‑lssvm的气分装置控制系统性能评估方法 |
CN104503441A (zh) * | 2014-12-22 | 2015-04-08 | 北京化工大学 | 一种基于改进动态可见图的过程故障监测方法 |
CN104503441B (zh) * | 2014-12-22 | 2017-02-22 | 北京化工大学 | 一种基于改进动态可见图的过程故障监测方法 |
CN104656635B (zh) * | 2014-12-31 | 2017-10-13 | 重庆科技学院 | 非高斯动态高含硫天然气净化过程异常检测与诊断方法 |
CN105353607A (zh) * | 2015-11-26 | 2016-02-24 | 江南大学 | 一种由数据差异驱动的间歇过程自学习动态优化方法 |
CN105353607B (zh) * | 2015-11-26 | 2017-10-27 | 江南大学 | 一种由数据差异驱动的间歇过程自学习动态优化方法 |
CN105403705B (zh) * | 2015-12-05 | 2017-04-12 | 浙江大学 | 一种包含血糖分类功能故障检测模块的连续血糖监测设备 |
CN105403705A (zh) * | 2015-12-05 | 2016-03-16 | 浙江大学 | 一种包含血糖分类功能故障检测模块的连续血糖监测设备 |
CN105607631A (zh) * | 2016-03-24 | 2016-05-25 | 辽宁工业大学 | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 |
CN105652845A (zh) * | 2016-03-26 | 2016-06-08 | 北京工业大学 | 一种基于即时学习局部模型的发酵过程故障监测方法 |
CN106483847A (zh) * | 2016-09-20 | 2017-03-08 | 北京工业大学 | 一种基于自适应ica的冷水机组故障检测方法 |
CN106483847B (zh) * | 2016-09-20 | 2019-06-14 | 北京工业大学 | 一种基于自适应ica的冷水机组故障检测方法 |
CN107065843B (zh) * | 2017-06-09 | 2019-04-05 | 东北大学 | 基于独立子空间的多方向kica间歇过程故障监测方法 |
CN107065843A (zh) * | 2017-06-09 | 2017-08-18 | 东北大学 | 基于独立子空间的多方向kica间歇过程故障监测方法 |
CN107632592A (zh) * | 2017-09-01 | 2018-01-26 | 南通大学 | 基于高效递推核主元分析的非线性时变过程故障监测方法 |
CN107632592B (zh) * | 2017-09-01 | 2021-03-16 | 南通大学 | 基于高效递推核主元分析的非线性时变过程故障监测方法 |
CN108181893B (zh) * | 2017-12-15 | 2020-06-16 | 宁波大学 | 一种基于pca-kdr的故障检测方法 |
CN108181893A (zh) * | 2017-12-15 | 2018-06-19 | 宁波大学 | 一种基于pca-kdr的故障检测方法 |
CN108037668A (zh) * | 2017-12-28 | 2018-05-15 | 杭州电子科技大学 | 一种新型的化工间歇过程建模与监测方法 |
CN108469805B (zh) * | 2018-03-06 | 2020-10-23 | 宁波大学 | 一种基于动态性最优选择的分散式动态过程监测方法 |
CN108427398A (zh) * | 2018-03-06 | 2018-08-21 | 宁波大学 | 一种基于分散式ar-pls模型的动态过程监测方法 |
CN108469805A (zh) * | 2018-03-06 | 2018-08-31 | 宁波大学 | 一种基于动态性最优选择的分散式动态过程监测方法 |
CN108427398B (zh) * | 2018-03-06 | 2020-06-16 | 宁波大学 | 一种基于分散式ar-pls模型的动态过程监测方法 |
CN108491683A (zh) * | 2018-03-26 | 2018-09-04 | 河北工业大学 | 一种青霉素发酵过程故障检测方法 |
CN109101758A (zh) * | 2018-09-03 | 2018-12-28 | 江南大学 | 基于t-pls模型的间歇过程工艺条件设计方法 |
CN109491347B (zh) * | 2018-12-18 | 2020-04-10 | 江南大学 | 应用于青霉素发酵过程中的批次运行中操作轨迹的调整方法 |
CN109491347A (zh) * | 2018-12-18 | 2019-03-19 | 江南大学 | 基于ppls模型的批次运行中操作轨迹的调整方法 |
CN109740687A (zh) * | 2019-01-09 | 2019-05-10 | 北京工业大学 | 一种基于dlae的发酵过程故障监测方法 |
CN110009126A (zh) * | 2019-01-23 | 2019-07-12 | 北京化工大学 | 基于pls模型与pca贡献度融合的在线报警分析方法 |
CN111694328B (zh) * | 2019-03-12 | 2022-03-18 | 宁波大学 | 一种基于多块独立成分分析算法的分布式过程监测方法 |
CN111694328A (zh) * | 2019-03-12 | 2020-09-22 | 宁波大学 | 一种基于多块独立成分分析算法的分布式过程监测方法 |
CN110262458A (zh) * | 2019-06-28 | 2019-09-20 | 佛山科学技术学院 | 故障特征信息提取与早期故障预警的方法及系统 |
CN110297475A (zh) * | 2019-07-23 | 2019-10-01 | 北京工业大学 | 一种基于四阶矩奇异值分解的间歇过程故障监测方法 |
CN110297475B (zh) * | 2019-07-23 | 2021-07-02 | 北京工业大学 | 一种基于四阶矩奇异值分解的间歇过程故障监测方法 |
CN110795695A (zh) * | 2019-10-28 | 2020-02-14 | 华北理工大学 | 消去时序相关性的多模型动态pca故障监测方法 |
CN110794797A (zh) * | 2019-11-27 | 2020-02-14 | 江南大学 | 一种基于互信息和多块信息提取的pca故障监测方法 |
CN112229435A (zh) * | 2020-10-28 | 2021-01-15 | 震兑工业智能科技有限公司 | 基于规范变量分析的船舶主机偶发性故障检测方法及系统 |
CN114089717A (zh) * | 2021-10-18 | 2022-02-25 | 兰州理工大学 | 一种基于多向加权弹性网络的间歇过程质量相关故障检测方法 |
CN114089717B (zh) * | 2021-10-18 | 2023-08-15 | 兰州理工大学 | 一种基于多向加权弹性网络的间歇过程质量相关故障检测方法 |
CN116268357A (zh) * | 2023-03-03 | 2023-06-23 | 华南农业大学 | 一种高盐稀态酱油酿造过程监控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103853152B (zh) | 2016-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103853152A (zh) | 一种基于ar-pca的间歇过程故障监测方法 | |
CN101446831B (zh) | 一种分散的过程监测方法 | |
Peng et al. | Quality-related prediction and monitoring of multi-mode processes using multiple PLS with application to an industrial hot strip mill | |
CN109459993A (zh) | 一种流程工业过程在线自适应故障监测与诊断方法 | |
Jiang et al. | Weighted kernel principal component analysis based on probability density estimation and moving window and its application in nonlinear chemical process monitoring | |
Van den Kerkhof et al. | Dynamic model-based fault diagnosis for (bio) chemical batch processes | |
CN105259895A (zh) | 一种工业过程微小故障的检测和分离方法及其监测系统 | |
CN106773693A (zh) | 一种工业控制多回路振荡行为稀疏因果分析方法 | |
CN103336507A (zh) | 基于多模态协同时段自动划分的统计建模与在线监测方法 | |
Zhang et al. | A novel dynamic non-Gaussian approach for quality-related fault diagnosis with application to the hot strip mill process | |
CN101403923A (zh) | 基于非高斯成分提取和支持向量描述的过程监控方法 | |
CN103838217B (zh) | 一种基于mica-ocsvm的发酵过程故障监测方法 | |
WO2021241576A1 (ja) | 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム | |
WO2021241580A1 (ja) | 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム | |
CN103926919B (zh) | 基于小波变换和Lasso函数的工业过程故障检测方法 | |
CN103207567A (zh) | 一种低误报率的改进主元分析过程监测方法及其监测系统 | |
Tang et al. | Dual attention bidirectional generative adversarial network for dynamic uncertainty process monitoring and diagnosis | |
WO2021241578A1 (ja) | 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム | |
CN110297475A (zh) | 一种基于四阶矩奇异值分解的间歇过程故障监测方法 | |
CN103793765A (zh) | 一种基于Kalman滤波的卫星遥测数据预测方法 | |
CN103760889B (zh) | 基于贝叶斯网的故障分离快速方法 | |
Deng et al. | Primary-auxiliary statistical local kernel principal component analysis and its application to incipient fault detection of nonlinear industrial processes | |
Chang et al. | Real-time detection of wave profile changes | |
Hu et al. | Orthogonal Multi-Block Dynamic PLS for Quality-Related Process Monitoring | |
Ji et al. | Fault Propagation Path Inference in a Complex Chemical Process Based on Time-delayed Mutual Information Analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160817 |
|
CF01 | Termination of patent right due to non-payment of annual fee |