随着工业过程日趋复杂,系统安全及产品质量的在线监控也变得日益重要。针对化工过程的非线性特点,提出了一种新的基于局部线性嵌入(locally linear embedding,LLE)流形学习算法和支持向量数据描述(sup-port vector data description,SVDD)的故障检测方法。首先,使用LLE提取高维数据的低维子流形,进行维数约减,以保存更多原有系统的非线性特性,通过局部线性回归得到高维数据空间到低维特征空间的映射矩阵,保证了算法的实时性;然后,为了避免数据噪声的累加对传统统计量的影响,引入SVDD直接根据特征空间建立SVDD模型,构造统计量并确定其控制限;最后,通过数字仿真及Tennessee Eastman(TE)过程仿真研究验证了本文方法的有效性。
以市场需求为导向的现代工业过程的生产条件要根据市场的需求不断做出调整,因此实际工业过程中存在多种工况的复杂情况,而过程的数据将不再完全服从高斯分布,其均值与协方差结构往往随着工况的切换而发生较大变化,为了能及时检测此类生产过程中的故障,提出一种新的基于带宽可变的局部密度估计的过程在线监控策略。首先利用局部投影保留(locality preserving projection,LPP)将高维数据投影到低维子空间中,充分地保留数据的局部结构;然后通过带宽可变的非参数密度核函数来进行局部密度估计,并采用局部密度因子(local density factor,LDF)的思想构造监控统计量,进而对工业过程故障进行在线检测;最后通过仿真研究,结果表明所提方法能够有效地应用于多模态过程的故障检测。
