公共文化服务平台

广东省自然科学基金(9151063101000043): 作品数：15 被引量：39H指数：4; 相关作者：肖应旺杨军张承忠姚美银杜瑛更多>>; 相关机构：华南师范大学华南理工大学更多>>; 发文基金：广东省自然科学基金国家高技术研究发展计划国家自然科学基金更多>>; 相关领域：自动化与计算机技术更多>>

基于FDA-KDE间歇过程在线监控: 2014年; 针对基于传统的多向主元分析(Multiway Principal Component Analysis,MPCA)方法用于间歇过程在线监控时需要对新批次未反应完的数据进行预估,从而易导致误诊断,且统计量控制限的确定是以主元得分呈正态分布为假设前提的缺陷,结合Fisher判别分析(Fisher Discriminant Analysis,FDA)在数据分类及非参数统计方法核密度估计(Kernel Density Estimation,KDE)在计算概率密度函数方面的优势,提出了一种FDA-KDE的间歇过程监控方法。该方法首先利用FDA求取正常工况数据和故障数据的Fisher特征向量和判别向量,获得Fisher特征向量的相似度:然后在提出偏平均集成平方误差(Biased Mean Integrated Squared Error,BMISE)交叉验证法确定KDE的带宽从而获得相似度统计量控制限的基础上,利用已获得的数据测量值对过程进行监控,避免了基于MPCA方法对未来测量值的预估;最后采用基于Fisher判别向量权重的贡献图方法来进行故障诊断。通过对青霉素发酵间歇过程应用表明,所提出的方法比传统的MPCA方法能更及时地监测出过程异常情况,更准确地判断异常发生的原因。; 肖应旺刘冬杰杨军张承忠姚美银; 关键词：故障诊断

主元空间中故障可重构性、可分离性研究被引量：3: 2015年; 基于主元分析(Principal Component Analysis,PCA)的统计过程性能监测尽管不依赖于精确的数学模型,但也限制了它的故障诊断能力。本文在故障子空间和PCA监测模型及故障重构技术的基础上,研究了基于T2统计量的故障诊断问题,获得了主元空间中故障可重构性、可分离性的必要充分理论条件。通过对双效蒸发过程的仿真监测,证实了所获理论结果的有效性;表明通过故障重构不仅为故障识别提供了基础,而且重构故障幅值波形还为判断传感器故障类型提供了依据。; 肖应旺陈呈国黄业安刘冬杰杨军姚美银

基于改进的多向主元分析与动态时间错位的间歇过程监控: 针对传统的多向主元分析（Multiway Principal Component Analysis;MPCA）常会导致误诊断,且对间歇生产过程难以保证在线状态监控的实时性,提出了一种改进的MPCA与动态时间错位（Dyna...; 肖应旺姚美银; 关键词：多向主元分析在线监控动态时间错位; 文献传递

基于故障重构的故障识别: 2011年; 针对基于主元分析(Principal Component Analysis,PCA)的统计过程性能监测法,尽管不依赖于精确的数学模型,然而却限制了其在故障诊断方面的能力问题,在故障重构技术的基础上,研究了基于统计量的故障诊断问题,获得了主元子空间中故障可重构性的理论条件,提出了故障识别指标和诊断算法。通过对双效蒸发过程的仿真监测,表明了所获得的结果能对故障(传感器故障和过程故障)进行有效地识别,证实了所获理论结果的有效性。; 肖应旺; 关键词：故障识别

动态隐变量法及其在动态过程监控中的应用被引量：3: 2012年; 针对动态系统模型难以获取的问题,以提高统计监控性能为目标,对现有的动态隐变量法进行了深入研究。首先指出动态隐变量可包含更多的动态信息,但仍具有自相关,为此提出了采用修正控制图的方法对动态隐变量空间进行检测,而对于自相关不显著的残差空间,指出可按照传统方法或是非参数方法建立控制图;接着将过程知识和经验受控平均运行长度的检验考虑在内,给出了一种时滞变量和时滞长度的确定方法;最后,提出了一种根据残差累积和以及递归特征消除算法(recursive feature elimination,RFE)进行故障变量辨识的方法。通过对双效蒸发过程的应用监控,表明了上述方法的有效性。; 肖应旺

基于小波变换核主元分析和多支持向量机的过程监控被引量：2: 2011年; 针对过程工业数据中所含的噪声和干扰信号、过程工业的非线性及基于主元分析(Principal Component Analysis,PCA)的统计性能监控法由于不用过程机理模型的信息从而对故障诊断问题难以在理论上作系统分析的缺陷,提出基于小波变换核主元分析和多支持向量机的过程监控方法,该方法首先采用基于小波变换的收缩阈值去噪法对建模数据进行预处理,以有效抑制过程数据中所含的噪声和干扰信号,然后利用核主元分析来进行故障特征的提取,从而提高非线性统计过程监控的准确性;最后提出多支持向量机用来对故障的来源进行分类,以避免求解核主元空间到原始空间的逆映射.将该方法应用到对TE(Tennessee Eastman,TE)过程的监控,表明了所提出方法的有效性,为过程的监控和故障诊断提供了一个新的方法.; 肖应旺; 关键词：小波变换核主元分析 TE过程

基于WTPCA-MSVMs过程监控方法被引量：9: 2010年; 提出了基于小波变换主元分析和多支持向量机(wavelet transform PCA-Multiple support vector machines,WTPCA-MSVMs)的过程监控方法,该方法首先利用小波变换(wavelet transform,WT)对采样数据进行预处理,以有效抑制过程数据中所含的噪声和干扰信号;然后利用主元分析(principal component analysis,PCA)对预处理后的数据建立主元监控模型;考虑到实际工业过程故障数据的数量较少,而支持向量机(support vector Machine,SVM)在小样本学习方面具有良好的泛化能力的特性,最后提出了基于多支持向量机(multiple support vector machines,MSVMs)的故障诊断方法。对TE(tennessee eastman,TE)过程的监控应用表明了所提出方法的有效性。; 肖应旺; 关键词：TE过程

统计监控建模数据预处理离群点检测算法被引量：5: 2013年; 针对基于多向主元分析(Multi-way Principal Component Analysis,MPCA)(包括主元分析(Principal Component Analysis,PCA)的统计监控模型易受建模数据中离群点影响的不足,通过对各种不同尺度的中心化和标准化方法及鲁棒离群点检测算法的对比研究,提出了一种基于改进尺度的中心最短距离/椭球多变量整理(Closest Distance to Center/ellipsoidal Multivariate Trimming,CDC/MVT)的建模数据离群点去除算法。该算法首先利用改进尺度得到离线建模正常数据的均值和标准差,并对数据进行中心化和标准化处理;然后利用CDC算法找出建模历史数据中最一致的一半正常点;最后用这最一致的一半正常点初始化MVT的马氏距离的均值和协方差,并通过迭代计算得到其他的正常点。将该算法应用于β-甘露聚糖酶发酵间歇过程离群点的去除,与其他鲁棒离群点检测算法相比,应用结果表明该算法能有效地去除建模数据中的离群点。; 肖应旺杨军张承忠姚美银杜瑛; 关键词：数据预处理

改进的MPCA批过程在线监测方法被引量：3: 2011年; 针对多向主元分析(MPCA)方法用于批过程在线监测时需要对新批次未反应完的数据进行预估,从而易导致误诊断,且需要建模批次的长度相等的缺陷,提出了一种基于变量展开和主元协方差随时间变化的MPCA方法。该方法按变量展开,不需要对新批次未反应完的数据进行预估,而数据之间的动态联系通过时变主元协方差得以保存,并且不需要建模批次的长度相等。将该方法应用于β-甘露聚糖酶发酵批过程实时监测中,并与MPCA、移动窗多向主元分析(MWMPCA)法相比,结果表明该方法克服了MPCA不能处理实时性的问题,避免了MPCA在线应用时预测值的误差,比传统的MPCA,MWMPCA方法更能精确描述过程的故障,准确性和实时性良好。; 肖应旺

统计监控建模离群点检测数据预处理高效算法被引量：5: 2012年; 基于多向主元分析(multi-way principal component analysis,MPCA)(包括主元分析(principal component analysis,PCA))的统计监控模型易受建模数据中离群点影响,将数据点的k-最近邻(k-nearest neighbor,k-NN)距离dk作为离群度指标能有效地发现非线性数据集中的离群点,但现有的基于该定义的鲁棒离群点检测算法对不同尺度的中心化和标准化方法非常敏感,且需要计算每个数据点的dk,引起巨大的计算开销。提出一种改进尺度的近邻修剪(modified scale neighborhood pruning,MSNHP)高效鲁棒离群点检测算法用于对统计监控建模数据集的预处理。该算法利用改进尺度得到离线建模正常数据的均值和标准差,并对数据进行中心化和标准化处理;在每次dk查询过程中计算出其他点的dk上界用于直接修剪非离群点,以减少dk查询的次数;并通过优化搜索次序提高修剪效果和减少每次dk查询的计算开销。将该算法应用于β-甘露聚糖酶发酵间歇过程离群点检测,与其他鲁棒离群点检测算法相比,应用结果表明该算法明显减少了计算开销,对数据集数据个数和算法参数都具有更好的伸缩性。; 肖应旺杨军张承忠杜瑛; 关键词：数据预处理

广东省自然科学基金(9151063101000043)

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

广东省自然科学基金(9151063101000043)

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈