基于AMWPSO-LSTM的多阶段间歇过程故障预测

过程安全对于间歇过程生产具有重要意义,为提高间歇过程生产安全性,提出一种基于改进粒子群算法(AMWPSO)优化长短期记忆网络(LSTM)的间歇过程故障预测模型AMWPSO-LSTM。针对LSTM中的神经元个数、迭代次数、学习率等参数需要人为设置的问题,采用AMWPSO对这些参数进行自动寻优。AMWPSO在原有粒子群优化算法(PSO)中融入了自适应变异和非线性递减惯性权重,提高了PSO的参数寻优能力。由于间歇过程具有多阶段性,因此先根据模糊C均值聚类(FCM)方法对间歇过程进行阶段划分,再利用Pearson相关系数对各阶段实验数据进行相关性分析,以降低系统变量的维数,并建立各阶段T²统计量控制限作为系统是否发生故障的指标。实验以青霉素发酵过程数据为例,建立基于AMWPSO-LSTM 的多阶段故障预测模型,并将该模型的预测结果与基于LSTM的多阶段预测模型、基于PSO-LSTM的多阶段预测模型的预测结果进行比较,结果表明,基于AMWPSO-LSTM 的多阶段故障预测模型可取得较高的预测准确度。     

基于多阶段ICA-SVDD的间歇过程故障监测

针对间歇生产过程数据存在的多阶段和非高斯性等特征,提出一种改进的阶段划分和故障监测方法。首先根据各个时间片的相似度和K均值算法进行阶段划分,然后利用独立成分分析(ICA)方法分别提取出各阶段的非高斯特征信息。最后,引入支持向量数据描述(SVDD)算法对独立成分和剩余的高斯残差空间分别建立统计分析模型,实现间歇过程故障的在线监测。通过半导体蚀刻过程故障监测应用实例,验证了该文方法的可行性和有效性。     

基于sub-MPLS的多阶段间歇过程质量预测与控制

针对大部分多阶段间歇过程,质量多数难以在线测量与控制问题,提出一种新颖的在线质量预测方法,基于子时段的MPLS质量预测方法.首先,采用聚类分析方法对间歇过程时间片矩阵PCA负载矩阵进行分类,依据过程变量相关性的变化,过程被分成几个操作阶段,然后,定出与质量变量最相关的阶段,在该阶段建立sub-MPLS在线质量预测模型,另外,还提出一种闭环质量控制方案.在一个典型的多阶段间歇过程-注塑过程的应用结果表明了所提出方法的有效性.     

基于改进PCA的复杂多阶段过程故障检测

为解决复杂多阶段过程难以进行有效监控的问题,提出了时空近邻标准化和主成分分析的故障检测方法。TSNS使用从时间到空间上嵌套近邻集的均值和标准差标准化各阶段样本,能够将多阶段数据高斯化为单一阶段的数据,分离故障样本,同时去除前后时刻样本间的时序相关性。TSNS能帮助PCA有效克服动态性、非线性和多阶段特征的影响,显著提高PCA的故障检测率。通过使用青霉素发酵过程设计故障检测实验,将TSNSPCA与一些经典方法进行比较,发现其具有更高的故障检测率。     

基于WDNS-SWNPE算法的间歇过程故障检测

针对间歇过程数据的多模态与动态特性共存带来的故障检测问题,提出一种基于加权双近邻标准化(WDNS)的稀疏加权邻域保持嵌入(SWNPE)算法.首先,在寻找样本双层近邻的基础上加权得到加权双近邻集,用加权双近邻集信息标准化样本,将多模态数据处理为单一模态分布,消除多模态中心点差异,解决多模态特性;然后,考虑到NPE算法不能...     

基于多阶段多核支持向量数据描述的间歇过程监控方法

针对间歇过程数据的多阶段特性及复杂非线性特性,提出一种基于多阶段多核支持向量数据描述(MPMK-SVDD)的间歇过程故障检测方法。为充分挖掘间歇过程数据的多阶段信息,首先提出一种基于互信息相似矩阵的改进谱聚类方法,解决间歇过程数据集的多阶段划分问题。进一步考虑到单一核函数难以充分描述过程数据的复杂非线性问题,设计一种基于多重核函数和核参数的SVDD监控模型,并通过贝叶斯推理构造全局监测统计量,以实现过程故障的有效监控。以青霉素发酵过程为仿真研究对象,验证方法的有效性。结果表明,提出的方法比传统的SVDD方法能更有效地检测过程故障,具有更高的故障检出率。     

基于动态MDONPE算法的间歇过程故障检测

针对间歇过程数据存在的非线性和动态特性导致故障检测效果不佳的问题,提出一种基于滑动窗(sliding window,SW)的多向差分正交邻域保持嵌入(multiway differential orthogonal neighborhood preserving embedded,MDONPE)算法.首先对间歇过程数据...     

基于SVDD时段细化的间歇过程故障监控

针对多向主元分析(MPCA)在间歇过程故障监测应用中经常面临的分段不准确问题,提出了一种新的基于支持向量数据描述(SVDD)的两步分段方法,从而提高分段的准确性和故障监测精度。第一步分段采用机理知识与现场数据相结合的思想,对MPCA模型的负载矩阵进行修正。将采样时间引入负载矩阵中,增大模型差异性,从而避免了故障数据导致的分段错误。第二步利用支持向量数据描述方法将初步划分的各子时段进一步细分,严格区分各子时段中的稳定与过渡时段,进一步提高分段的准确性。同时,给出基于上述分段技术的间歇过程在线故障监测算法,可以实时地监测现场数据。最后将该方法应用于青霉素间歇过程的在线监测,结果表明:该方法能够细致刻画过渡过程信息,比常规MPCA方法能够更早地检测出故障,并避免了误报。     

基于PLS模型的自适应间歇过程质量预测

间歇生产过程中,很多质量指标不能在线测量,导致过程很难控制。该文应用部分最小二乘(PLS)方法建立软测量模型,通过批次初期在线测量的过程变量对最后的产品质量进行预测。同时,利用过程中得到的中间质量测量值对最后的预测结果进行修正。为了解决过程参数随时间变化的问题,在每个批次结束后利用新数据对原模型进行更新。将该法用于异丁烯酸甲酯(MMA)聚合反应过程,仿真结果显示,该法能够克服过程参数变化的影响,有效地预测最后的产品质量。     

基于异常模式识别的服务过程改进

持续的改进服务过程,是提高服务过程管理水平的重要方法之一。但在服务过程改进中往往难以识别服务缺陷产生原因。针对这一问题,提出一种基于关联规则挖掘的服务过程缺陷识别和改进方法,为有效改进服务过程提供了决策依据。该方法在基本的关联规则算法中,引入了缺陷原因和结果互斥约束、规则前件数约束、改进度约束以及新颖性约束。仿真试验表明,该方法与传统关联规则算法相比,降低了生成规则的数目,提高了规则有效性,降低了算法运行时间,取得了更好的效果。     

基于异常模式识别的服务过程改进

持续地改进服务过程,是提高服务过程管理水平的重要方法之一,但在服务过程改进中往往难以识别服务缺陷产生的原因。针对这一问题,提出一种基于关联规则挖掘的服务过程缺陷识别和改进方法,以为有效改进服务过程提供决策依据。该方法在基本的关联规则算法中,引入了缺陷原因和结果互斥约束、规则前件数约束、改进度约束以及新颖性约束。仿真试验表明,该方法与传统关联规则算法相比,降低了生成规则的数目,提高了规则有效性,降低了算法运行时间,取得了更好的效果。     

基于IMDS-DLNS方法的工业过程故障检测

针对多维尺度变换(multidimensional scaling,MDS)方法对高维数据进行维数约简时,新样本缺少映射矩阵无法进行低维嵌入的问题,提出了增量式多维尺度变换(incremental multidimensional scaling,IMDS)方法。首先,引入双重局部近邻标准化(dual local nearest neighbor standardization,DLNS）技术以解决IMDS方法降维后数据仍然具有多中心、方差差异明显等问题;其次,采用Hotelling T²统计量对过程进行监控,组成增量式多维尺度变换和双重局部近邻标准化的故障检测方法(IMDS-DLNS);最后,通过数值模拟过程和青霉素发酵过程,将IMDS-DLNS方法分别与PCA,KPCA和FD-KNN等方法作对比分析。结果表明,IMDS-DLNS对比其他方法有更高的故障检测率。IMDS-DLNS方法对多变量、多模态过程具有良好的故障检测能力,能够保障产品质量和生产的安全性,可为工业过程故障检测研究提供参考。     

基于故障树分析法的挖掘机故障诊断知识库设计

在建立挖掘机故障诊断模型并分析故障诊断流程的基础上,阐述了故障诊断知识库设计中数据库技术的应用、知识的表示、知识库的结构与组织等关键技术,以挖掘机液压系统故障诊断为实例介绍了故障诊断知识库设计的方法与步骤。     

基于广义SDG的化工过程故障模拟分析

安全稳定的运行是化工过程的首要目标,因此快速、准确地发现故障成为化工生产企业的一项重要工作。符号有向图(signed directed graph,SDG)能够简洁、有效地描述复杂的因果关系,但传统SDG模型存在一些不足。该文在传统SDG模型的基础上,提出了广义SDG模型,扩展了节点(种类和状态)和边,使其包含的信息更加丰富,基于广义SDG的故障模拟不仅可以定性地给出故障程度,而且通过边的关系减少了虚假解。实例分析表明,基于广义SDG的故障模拟可以提高分析效率,改善过程安全以及提高操作人员判断故障源的能力。     

基于分数阶混沌系统的风力机叶片微弱间歇故障幅值检测

针对风力发电机的特殊工况导致其叶片微弱间歇故障成长检测困难的问题,提出了一种基于分数阶混沌系统的微弱间歇故障幅值变化检测方法.给出了混沌系统相态判别方法,阐述了庞加莱密度峰值算法(PSDPA)原理和流程,构建了间歇故障成熟度函数(IFDF).采集了风机叶片径向和轴向轻微裂纹处的振动信号,并用PSDPA和IFDF分析了风...     

基于模糊神经网络的非线性系统故障诊断及应用

通过对系统的整体功能的分析,得到一组该系统输入输出的期望值。首先由这一期望值入手,经过聚类分析得到系统正常状态下的各节点数据,然后制定模糊规则,并用模糊控制的方法分析系统可能出现的故障,最后以其作为神经网络的神经元对整个系统进行故障预测,仿真结果表明该方法是有效的。     

基于神经网络免疫集成的非线性时间序列故障预报

针对神经网络集成对个体差异性的要求 ,提出了集成网络间的结构差异度的概念 .在此基础上设计了一种基于反向选择的免疫算法 ,该算法可以在减小集成网络各自训练误差的同时保持网络间的结构差异度 ,从而提高神经网络集成的泛化能力 .同时证明了该算法对最优个体的收敛性 .将该方法应用于受噪声污染的非线性时间序列故障预报 ,根据预测误差可以方便准确地检测系统的缓变故障和突变故障 ,实现对微小故障的快速故障预报 ,降低误检率 .仿真结果证明了该方法的有效性 .