为了满足各种不同的企业生产需求,在实际化工过程中往往包括许多不同的运行模态。因为涉及内部各种反应的复杂性和微妙性,且各个环节相互联系,导致化工过程数据呈现高斯与非高斯数据相互混合的情况,传统多元统计监控(Multivariate Stati...为了满足各种不同的企业生产需求,在实际化工过程中往往包括许多不同的运行模态。因为涉及内部各种反应的复杂性和微妙性,且各个环节相互联系,导致化工过程数据呈现高斯与非高斯数据相互混合的情况,传统多元统计监控(Multivariate Statistical Process Monitoring, MSPM)在多模态数据故障检测领域精确度较低。因此进行准确的复杂化工过程故障检测仍然是一大难题。针对这一类问题,本工作提出了一种新的基于局部信息的近邻标准化和主成分分析(Local Information Local Neighbor Standardization and Principal Component Analysis, LLNS-PCA)的方法建立高精确度的故障诊断模型。首先对样本利用高斯混合模型(Gaussian Mixture Model, GMM)方法分解成多个局部样本,应用每一个局部样本的平均值和方差进行近邻标准化,再使用主元分析进行故障监测。基于PCA监测模型,采用T2和SPE两种监测统计量对多模态过程进行监测。最后通过数值例子和青霉素生产过程验证其有效性。结果表明,相对于PCA, KPCA, LNS-PCA等方法,LLNS-PCA在多模态故障检测领域有更加迅速的反应率和更高的准确率,因此能够保障多模态生产过程的安全性和产品的高品质。展开更多
文摘为了满足各种不同的企业生产需求,在实际化工过程中往往包括许多不同的运行模态。因为涉及内部各种反应的复杂性和微妙性,且各个环节相互联系,导致化工过程数据呈现高斯与非高斯数据相互混合的情况,传统多元统计监控(Multivariate Statistical Process Monitoring, MSPM)在多模态数据故障检测领域精确度较低。因此进行准确的复杂化工过程故障检测仍然是一大难题。针对这一类问题,本工作提出了一种新的基于局部信息的近邻标准化和主成分分析(Local Information Local Neighbor Standardization and Principal Component Analysis, LLNS-PCA)的方法建立高精确度的故障诊断模型。首先对样本利用高斯混合模型(Gaussian Mixture Model, GMM)方法分解成多个局部样本,应用每一个局部样本的平均值和方差进行近邻标准化,再使用主元分析进行故障监测。基于PCA监测模型,采用T2和SPE两种监测统计量对多模态过程进行监测。最后通过数值例子和青霉素生产过程验证其有效性。结果表明,相对于PCA, KPCA, LNS-PCA等方法,LLNS-PCA在多模态故障检测领域有更加迅速的反应率和更高的准确率,因此能够保障多模态生产过程的安全性和产品的高品质。
