针对间歇生产过程中的故障分类问题,为进一步研究故障所属类型,本文采用支持向量数据描述(support vector data description,SVDD)的方法.在多种类型的故障数据库基础上,应用SVDD建立对应故障种类的模型,利用核函数求出各个模型超球面半径;对于新的待分类故障样本,先考察其与各个种类模型超球面球心的距离,再比较此距离与半径的大小,进而确定故障所属类型,尤其是可能超出各个故障模型检测范围的待测故障样本,对其进行降幅重构迭代,确定其所属类型.该方法不但能够准确识别独立发生的故障,而且对于其他方法难以识别的多种并发的故障也能够有效地实现分类,应用于数值仿真和青霉素发酵过程实验中,验证了其有效性和准确性.
针对化工过程数据中存在缺失数据的问题,在保持局部数据结构特征的基础上提出了基于局部加权重构的化工过程数据恢复算法。通过定位缺失的数据点并以符号Na N(Not a Number)标记,将缺失的数据集分为完备数据集和不完备数据集。不完备的数据集按照完整性的大小依次找到它们在完备数据集中相应的k个近邻,根据误差平方和最小的原则,求出k个近邻相应的权值,用k个近邻及相应的权值重构出缺失的数据点。将该算法应用在不同缺失率下的两种化工过程数据中并与望最大化主成分分析(EM-PCA)法和平均值(MA)两种传统的数据恢复算法相比较,该算法的恢复数据误差最小,并且计算速度相比EM-PCA算法平均提高了2倍。实验结果表明,局部加权重构的化工过程数据恢复算法可以有效地对数据进行恢复,提高了数据的利用率,适用于非线性化工过程缺失数据的恢复。
针对间歇生产过程存在的多阶段问题,提出了基于数据动态特性CPV(1)(cumulative percent variance of the first principal component)指标进行模糊聚类实现多阶段软划分的方法,解决了传统分段方式对间歇过程进行硬划分的缺陷,使得过程多阶段划分更加准确。在此基础上建立多阶段具有时变主元协方差的改进MPCA(multiway principal component analysis)模型进行间歇过程的监视。将此方法应用于青霉素发酵过程,验证了该方法的可靠度和有效性。
Fault detection and identification are challenging tasks in chemical processes, the aim of which is to decide out of control samples and find fault sensors timely and effectively. This paper develops a partitioning principal component analysis(PPCA) method for process monitoring. A variable reasoning strategy is proposed and applied to recognize multiple fault variables. Compared with traditional process monitoring methods, the PPCA strategy not only reflects the local behavior of process variation in each model(each direction of principal components),but also improves the monitoring performance through the combination of local monitoring results. Then, a variable reasoning strategy is introduced to locate fault variables. Unlike the contribution plot, this method locates normal and fault variables effectively, and gives initiatory judgment for ambiguous variables. Finally, the effectiveness of the proposed process monitoring and fault variable identification schemes is verified through a numerical example and TE chemical process.
