亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于GSFA-GNPE的動態(tài)-靜態(tài)聯(lián)合指標間歇過程監(jiān)控

        2021-12-07 02:23:30趙小強
        上海交通大學學報 2021年11期
        關(guān)鍵詞:全局靜態(tài)動態(tài)

        趙小強,牟 淼

        (蘭州理工大學 a.電氣工程與信息工程學院;b.甘肅省工業(yè)過程先進控制重點實驗室;c.電氣與控制工程國家級實驗教學示范中心,蘭州 730050)

        隨著對生產(chǎn)過程安全性和產(chǎn)品質(zhì)量要求的日益增長,過程監(jiān)控受到越來越多的關(guān)注[1-2].近年來,多元統(tǒng)計過程監(jiān)控(MSPM)方法被廣泛應用于過程監(jiān)控,其主要思想是將高維數(shù)據(jù)投影到低維空間,并保留原始數(shù)據(jù)的主要信息[3-5].

        傳統(tǒng)的MSPM方法,如主成分分析(PCA)和鄰域保持嵌入(NPE)等[6-9],假定在不同時間的樣本是獨立的,即過程當前時刻的狀態(tài)不受之前時刻的影響,然而在現(xiàn)代工業(yè)中這種假設(shè)是不成立的,因此傳統(tǒng)的監(jiān)控模型無法準確表達過程數(shù)據(jù)的動態(tài)特性.為解決這一問題,文獻[10]利用包含當前和過去時刻采樣值的增廣矩陣進行建模,提出了動態(tài)主元分析(DPCA)方法.然而,DPCA方法本質(zhì)是一種全局結(jié)構(gòu)保持方法,忽略了局部信息的提取,為此,NPE等局部流形算法被用于過程監(jiān)控.NPE通過保持數(shù)據(jù)的局部鄰域結(jié)構(gòu)來實現(xiàn)數(shù)據(jù)降維,其假設(shè)數(shù)據(jù)樣本滿足獨立分布,主要關(guān)注數(shù)據(jù)的空間結(jié)構(gòu)特征,能有效提取數(shù)據(jù)的靜態(tài)信息,但NPE算法忽視了數(shù)據(jù)隨時間變化的特征信息,可能會造成檢測效果不佳.為了有效提取過程數(shù)據(jù)的動態(tài)信息和局部信息,文獻[11]在鄰域保持嵌入算法保持數(shù)據(jù)局部結(jié)構(gòu)的基礎(chǔ)上引入時序擴展,提出一種基于時序擴展的鄰域保持嵌入(TNPE)算法用于動態(tài)過程建模,一定程度上提高了動態(tài)過程的故障檢測效果.但是,上述方法假設(shè)生產(chǎn)過程的所有變量均具有動態(tài)特性,并沒有綜合考慮生產(chǎn)過程中的靜態(tài)變量.同時,NPE作為流形算法,其降維時主要考慮數(shù)據(jù)的局部結(jié)構(gòu)特征會造成全局信息的丟失.因此,有必要為NPE算法加入全局目標函數(shù)加以約束,使其能充分提取過程信息.

        近年來,慢特征分析(SFA)被用于過程監(jiān)控[12-15],SFA的主要思想是從時間序列中提取緩慢變化的特征[16],能夠有效提取表征過程數(shù)據(jù)動態(tài)變化的慢特征.文獻[17]將SFA方法擴展到質(zhì)量相關(guān)的故障檢測領(lǐng)域,提出了一種基于SFA的工業(yè)過程質(zhì)量相關(guān)故障檢測算法.文獻[18]將核方法應用于慢特征分析,提出了一種核慢特征判別分析(KSFDA)和支持向量數(shù)據(jù)描述(SVDD)的故障檢測方法,對于非線性過程具有較好的檢測效果.然而在實際工業(yè)過程中,一些過程變量可能是動態(tài)的,而另外一些則是靜態(tài)的.盡管基于SFA的故障檢測算法在動態(tài)工程監(jiān)控中取得了長足的進步,但SFA未能同時考慮過程的動態(tài)特性和靜態(tài)特性.對于動態(tài)變量,動態(tài)特征能夠通過變量的動態(tài)變化準確地進行提?。欢鴮τ陟o態(tài)變量,動態(tài)信息則是由隨機噪聲引起的,提取的動態(tài)特征是與噪聲相關(guān)的特征,與過程數(shù)據(jù)無關(guān).此外,隨機噪聲可能會隨著基準數(shù)據(jù)集的不同而變化,因此不需要在靜態(tài)變量中進行動態(tài)特征提取.同時,將SFA應用于間歇過程監(jiān)控時,由于間歇過程在進行數(shù)據(jù)展開時會破壞其原始時間結(jié)構(gòu)信息,需要根據(jù)最近鄰準則構(gòu)造偽時間序列以提供時間結(jié)構(gòu)信息,這就使得SFA等價于一種局部近鄰數(shù)據(jù)關(guān)系保持算法,而忽略了全局結(jié)構(gòu)信息.因而,需要將全局結(jié)構(gòu)分析融入SFA,使其能充分提取過程信息.

        將所有過程變量都視為靜態(tài)變量用靜態(tài)方法,或都視為動態(tài)變量用動態(tài)方法進行監(jiān)控,都會導致故障監(jiān)控效果不佳,且單一考慮全局信息或局部信息都會造成過程信息丟失.鑒于SFA和NPE在處理動態(tài)數(shù)據(jù)和靜態(tài)數(shù)據(jù)方面各自的優(yōu)勢,提出一種基于全局慢特征分析(GSFA)-全局鄰域保持嵌入(GNPE)的動態(tài)-靜態(tài)聯(lián)合指標間歇過程監(jiān)控方法.首先,計算每個變量的自相關(guān)系數(shù)和互相關(guān)系數(shù),分別求得當前時間和過去時間的變量之間的相關(guān)性以及當前時間的變量和過去的另一個變量之間的相關(guān)性.在此基礎(chǔ)上,將過程變量分為動態(tài)子空間和靜態(tài)子空間.在動態(tài)子空間中建立GSFA模型,提取動態(tài)全局信息;在靜態(tài)子空間中建立GNPE模型,提取靜態(tài)全局信息.最后,將兩個子空間得出的監(jiān)視統(tǒng)計信息進行貝葉斯推斷,得出聯(lián)合指標以進行故障檢測.本文方法通過將過程變量區(qū)分為動態(tài)變量和靜態(tài)變量,在不同的變量空間中采用不同的方法進行建模,可以充分提取過程信息,有效提高對于間歇過程的監(jiān)控效果.

        1 基礎(chǔ)算法

        1.1 慢特征分析算法

        SFA算法的優(yōu)化問題可用如下形式表示:

        (1)

        s.t.〈si〉t=0

        (2)

        (3)

        ?i≠j:〈sisj〉t=0

        (4)

        i,j=1,2,…,m

        (5)

        SFA算法通過將正常數(shù)據(jù)中提取出的慢特征進行線性轉(zhuǎn)化,該過程可表示如下:

        (6)

        i=1,2,…,m

        式中:wi為負載向量.慢特征可表示為

        s=Wx

        (7)

        在進行SFA算法計算時,首先利用奇異值分解進行白化操作以消除變量之間的相關(guān)關(guān)系,令R=〈x(t)x(t)T〉t為x(t)的協(xié)方差矩陣,R的奇異值分解可寫為

        R=UΛUT

        (8)

        式中:Λ為特征對角陣;U為特征矩陣.白化矩陣可以表示為Q=Λ-1/2UTx,則白化過程可用如下形式表示:

        z=Λ-1/2UTx=Qx

        (9)

        由式(7)和(9)可得:

        s=Wx=WQ-1z=Pz

        (10)

        式中:P=WQ-1.顯然〈zzT〉t=Q〈xxT〉QT=I,I為單位矩陣且〈z〉t=0,又由于約束式(2)和(3)的存在,可以得到如下表達式:

        〈ssT〉t=I

        (11)

        則式(11)可寫為

        〈ssT〉t=P〈zzT〉PT=PPT=I

        (12)

        (13)

        i=1,2,…,m

        式中:pi為特征向量.在實際過程中,樣本數(shù)據(jù)是在離散的時間狀態(tài)下采集到的,基于時間的導數(shù)可以由差分近似計算如下:

        (14)

        i=1,2,…,m

        式中:Δt為時間間隔.通過使用協(xié)方差矩陣的奇異值分解來解決優(yōu)化問題,在這種情況下,奇異值分解可以表示為

        (15)

        SFA負載矩陣的計算可由下式表示:

        W=PQ=PΛ-1/2UT

        (16)

        1.2 鄰域保持嵌入算法

        對于原始數(shù)據(jù)矩陣X∈Rn×m,n為樣本個數(shù),NPE通過計算投影矩陣A將X投影到低維空間Y∈Rn×d,其中,d

        (17)

        j=1,2,…,k

        式中:xi為原始樣本點;Mij為樣本點xi與其近鄰xj間的權(quán)值;M為權(quán)值矩陣;k為近鄰個數(shù).

        NPE算法的思想是若在高維空間中Mij可以重構(gòu)樣本xi,則在低維空間中可通過相同的權(quán)值來重構(gòu)對應低維空間樣本點yi,特征映射可通過最小化目標函數(shù)求解:

        (18)

        i=1,2,…,n;j=1,2,…,k

        式中:yi為原始樣本投影到低維空間的樣本點,aN為NPE的投影矩陣A的列向量.aN可以通過求解下式的廣義特征值獲得:

        XZXTaN=λXXTaN

        (19)

        式中:Z=(I-M)T(I-M).求解獲得最小的d個特征值(λ1≤λ2≤…≤λd)所對應的特征向量[aN1aN2…aNd]T組成的投影矩陣A.

        2 基于GSFA-GNPE動態(tài)與靜態(tài)變量的間歇過程故障檢測

        2.1 動態(tài)變量與靜態(tài)變量的區(qū)分

        動態(tài)變量是指隨時間快速變化的變量,靜態(tài)變量是指在一段時間內(nèi)相對恒定的變量.對于原始數(shù)據(jù)矩陣X=[x1x2…xn]∈Rn×m,變量xi和xj的互相關(guān)系數(shù)可以表示為

        (20)

        i,j=1,2,…,m

        (21)

        2.2 基于GSFA-GNPE動態(tài)與靜態(tài)變量的間歇過程故障檢測

        2.2.1全局慢特征分析算法 間歇過程三維數(shù)據(jù)展開示意圖如圖1所示,其中:Xi為某一批次的數(shù)據(jù)矩陣;N為批次數(shù);J為變量數(shù);K為采樣時刻數(shù).展開后的數(shù)據(jù)矩陣X(N×J×K)由一系列的時間切片矩陣Xk(N×J)(k=1,2,…,K)組成,這種展開方式破壞了矩陣X(NK×J)中蘊含的時間序列信息.在GSFA建模時,利用數(shù)據(jù)近鄰點的結(jié)構(gòu)信息構(gòu)造偽時間序列提供時間序列結(jié)構(gòu)信息.對于樣本點xk,i的偽時間序列可表示為

        圖1 間歇過程三維數(shù)據(jù)展開示意圖Fig.1 Schematic diagram of 3D data expansion in batch process

        (22)

        更進一步地,可以用如下形式表示時間切片矩陣Xk(N×J)的偽時間序列矩陣:

        (23)

        在此基礎(chǔ)上,X(NK×J)就被擴展成一個如下式所示的偽時間序列矩陣:

        (24)

        對于1≤j≤NKl,用τ2j-1和τ2j表示偽時間序列T中的第2j-1和第2j個樣本點,因此,在樣本點τ2j-1和τ2j之間可以認為存在時間變化.偽時間序列T的時間變化矩陣ΔT可以表示為

        (25)

        SFA的目標函數(shù)可用如下形式表示:

        (τ2j-τ2j-1)Twj=

        (26)

        式(26)是最小化輸出信號的時間變化,由KNN準則構(gòu)造偽時間序列T(2NKl×J),當在間歇過程處理數(shù)據(jù)時,SFA 被認為是局部處理方法,因為其僅保留了本地鄰域關(guān)系而忽略的數(shù)據(jù)全局結(jié)構(gòu).為此,提出一種全局慢特征分析算法,在保留鄰域信息的基礎(chǔ)上分析數(shù)據(jù)的全局結(jié)構(gòu).

        (27)

        (28)

        為了保持局部鄰域信息和全局結(jié)構(gòu),GSFA目標函數(shù)可以表示為

        ΦGSFA=βΦSFA-(1-β)ΦG=

        (29)

        j=1,2,…,J

        式中:0≤β≤1為松弛因子,用于平衡全局函數(shù)和局部函數(shù)的比重;L=ΔTΔTT.考慮到正交約束在建立統(tǒng)計量中的優(yōu)越性,施加以下正交約束:

        等式中兩個目標函數(shù)的尺度不同,需要進行標準化,標準化后的目標函數(shù)為

        (30)

        求解式(30)的最優(yōu)化問題等價于求解下式的特征值問題:

        (31)

        根據(jù)GSFA模型提取前p個慢特征信息后構(gòu)建S2和平方預測誤差(SPE)統(tǒng)計量進行監(jiān)控,定義如下:

        (32)

        (33)

        本文采用的核密度函數(shù)表達式如下所示:

        (34)

        (35)

        (36)

        式中:SPEj、Sj為第j個SPE和S2統(tǒng)計量.

        2.2.2GNPE算法 NPE算法在降維過程中只考慮了數(shù)據(jù)的局部結(jié)構(gòu),忽略了數(shù)據(jù)的全局結(jié)構(gòu)信息.為了同時考慮全局和鄰域結(jié)構(gòu),在靜態(tài)子空間中建立GNPE模型,充分表征故障信息,其中全局結(jié)構(gòu)通過尋找方差最大來保持,其目標函數(shù)如下所示:

        (37)

        j=1,2,…,NK

        GNPE算法的目標函數(shù)為

        (38)

        (39)

        進一步轉(zhuǎn)換為特征值分解問題:

        Gdi=λiRdi

        由最大的g個特征值(λ1≤λ2≤…≤λg)對應的特征向量[d1d2…dg]構(gòu)成投影矩陣D.

        GNPE算法將靜態(tài)空間分為特征空間和殘差空間,構(gòu)造T2和SPE統(tǒng)計量對過程進行監(jiān)控,其表達式如下所示:

        (40)

        SPE=‖xnew-Dynew‖

        (41)

        ynew=DTXnew

        (42)

        2.2.3聯(lián)合指標建立 通過計算相關(guān)矩陣,將過程變量分為ΩD和ΩS兩個子空間,在動態(tài)子空間ΩD進行GSFA建模,計算S2和SPE統(tǒng)計量,在靜態(tài)子空間ΩS進行GNPE建模,計算T2和SPE統(tǒng)計量.為了實現(xiàn)對靜態(tài)子空間和動態(tài)子空間的聯(lián)合監(jiān)控,通過貝葉斯推斷建立一個聯(lián)合指標,以實現(xiàn)對整個間歇過程的監(jiān)控.在動態(tài)子空間ΩD中,S2的故障條件概率定義為

        (43)

        (44)

        (45)

        同理,可計算求得PSPE(F|ΩD)、PSPE(F|ΩS)和PT2(F|ΩS),其中:PSPE(F|ΩS)為動態(tài)子空間中SPE的故障概率;PSPE(F|ΩS)為靜態(tài)子空間中SPE的故障概率;PT2(F|ΩS)為靜態(tài)子空間中T2的故障概率.動態(tài)子空間中S2統(tǒng)計量和靜態(tài)子空間中T2統(tǒng)計量可建立BIC-C2指標,動態(tài)子空間和靜態(tài)子空間中的SPE統(tǒng)計量可建立BIC-SPE指標,則有:

        (46)

        (47)

        聯(lián)合指標BIC由如下表達式建立:

        BIC=

        (48)

        聯(lián)合指標BIC-C2、BIC-SPE和BIC的控制限為1-α.

        3 基于GSFA-GNPE的動態(tài)-靜態(tài)聯(lián)合指標間歇過程監(jiān)控步驟

        基于GSFA-GNPE的動態(tài)-靜態(tài)聯(lián)合指標間歇過程監(jiān)控方法包括離線建模和在線監(jiān)測兩個階段,如圖2所示.

        圖2 基于GSFA-GNPE的動態(tài)-靜態(tài)聯(lián)合指標間歇過程監(jiān)控Fig.2 Batch process monitoring of dynamic-static joint indicator based on GSFA-GNPE

        (1)離線建模步驟如下.

        步驟1將采集到的正常工況的三維數(shù)據(jù)矩陣X(N×K×J)展開為X(N×KJ),進行標準化處理后排列成X(NK×J);

        步驟4在劃分完成的動態(tài)子空間中進行GSFA建模,在靜態(tài)子空間中進行GNPE建模;

        (2)在線監(jiān)測步驟如下.

        步驟1對測試樣本Xtest進行標準化處理;

        步驟2根據(jù)離線建模步驟3的結(jié)果將過程變量分為動態(tài)變量ΩDnew和靜態(tài)變量ΩSnew;

        4 仿真實驗

        4.1 數(shù)值例子仿真

        采用如下數(shù)值例子驗證所提算法[21]:

        (49)

        y(i)=z(i)+v(i)

        (50)

        (51)

        (52)

        式中:h為在[-2,2]上均勻分布的輸入向量;輸入n=[n1n2n3]為一個隨機向量,n1、n2均勻分布在[-1,2]上,n3均勻分布[0,3]上;v為均值為0、方差為0.1的噪聲.輸出y、k和u是可測量的,使用8個變量(y1,y2,y3,u1,u2,k1,k2,k3)的400個樣本進行模型訓練.顯然,前5個變量是動態(tài)的,而后3個變量是靜態(tài)的,所監(jiān)測的故障從第200個采樣點引入至第400個采樣點結(jié)束,故障描述如下:

        故障1h2處引入值為2的階躍故障;

        故障2n1處引入值為3的階躍故障.

        對采集到的400個樣本首先對每個變量計算順序相關(guān)矩陣,選擇時間延時γ為2[10].根據(jù)統(tǒng)計學理論[22],一旦兩個變量的相關(guān)系數(shù)絕對值小于0.3,則兩個變量不再相關(guān),故本文選擇閾值η為0.3.每個順序相關(guān)矩陣中的最大值如表1所示,其中加粗的數(shù)據(jù)為大于0.3的數(shù)值.由表1可以看出,前5個變量順序相關(guān)矩陣中的最大值均大于0.3,被劃分為動態(tài)變量,其余變量被劃分為靜態(tài)變量,這與所提數(shù)值例子變量關(guān)系相符.將GSFA-GNPE算法與SFA算法和NPE算法用于數(shù)值例子故障檢測,置信度α=0.98.3種算法對故障1和故障2的檢測率和誤報率如表2所示.由表2可知,GSFA-GNPE算法的檢測效果優(yōu)于SFA算法和NPE算法.

        表1 相關(guān)系數(shù)矩陣的最大值Tab.1 Max values in cross-correlation matrix

        表2 3種算法對故障1和故障2的檢測率和誤報率Tab.2 Detection rates and false alarm rates of three algorithms for Fault 1 and Fault 2

        3種算法對故障1的監(jiān)控圖如圖3所示,其中:δ為采樣時刻.NPE算法對故障1的T2和SPE監(jiān)控圖如圖3(a)所示.從圖3(a)中可以看出,NPE算法在采樣時刻0~200之間存在大量報警,而0~200時刻為正常時刻,故NPE算法在該階段存在大量誤報警,誤報率達19%,且在故障發(fā)生時刻200~400之間,有許多采樣點統(tǒng)計量在控制限以下,沒有及時全面的發(fā)出警報.圖3(b)為SFA算法對故障1的S2和SPE監(jiān)控圖.從圖3(b)中可以看出,在0~200采樣點間,SFA算法存在較多的誤報,有大量點超過了控制限,且在200~400采樣點間有許多漏報.圖3(c)為GSFA-GNPE算法的BIC-C2,BIC-SPE和BIC聯(lián)合指標監(jiān)控圖.從圖3(c)中可以看出,BIC-C2和 BIC-SPE在 0~200 之間只存在少量誤報,且在200~400采樣點間其檢測率均高于SFA算法和NPE算法,BIC聯(lián)合指標的檢測效果最好,不僅其誤報率極低,且檢測率也達到了99%.綜合對比3種算法對于數(shù)值例子故障的檢測效果,本文所提的GSFA-GNPE算法誤報率極小且檢測率最大,監(jiān)控效果最優(yōu).

        圖3 3種算法對故障1的監(jiān)控圖Fig.3 Monitoring chart of Fault 1 by three algorithms

        4.2 青霉素發(fā)酵過程

        本文進一步采用美國伊利諾伊州立理工學院開發(fā)的Pensim2.0青霉素發(fā)酵過程標準仿真平臺得到的過程數(shù)據(jù)進行仿真驗證[23],該平臺可以通過設(shè)定不同但都在正常范圍內(nèi)的初始條件,模擬青霉素發(fā)酵過程中各變量每個時刻的數(shù)據(jù)用于分析研究,設(shè)定時間為400 h,采樣時間為1 h,生產(chǎn)30個批次生長工況數(shù)據(jù),并從18個變量中選擇10個變量作為監(jiān)控變量得到數(shù)據(jù)矩陣X(30×10×400)作為訓練樣本,如表3所示.故障種類和故障參數(shù)設(shè)置如表4所示.本文給出5種算法在故障2下的監(jiān)控圖,理想的監(jiān)控圖為在正常階段(0~200采樣點)所有統(tǒng)計量均在控制限以下,在故障階段(200~400采樣點)所有統(tǒng)計量均在控制限以上.

        表3 過程變量Tab.3 Monitoring variables

        表4 故障類型Tab.4 Fault types

        在進行GSFA-GNPE建模時,松弛因子β用來平衡數(shù)據(jù)的局部鄰域信息和全局結(jié)構(gòu)信息,作為一個多目標優(yōu)化問題,β很難找到一個絕對的最優(yōu)解.因此為了平衡局部信息和全局信息,本文選取β=0.5,相關(guān)性閾值η=0.3,時間延遲γ根據(jù)文獻[24]中的自相關(guān)函數(shù)法選取γ=17,鄰域數(shù)k根據(jù)經(jīng)驗取k=6,核窗寬控制核函數(shù)的徑向作用范圍,本文通過交叉驗證法設(shè)置θ=2 000.降維維數(shù)的確定在過程監(jiān)控鄰域目前尚沒有主流的通用方法,本文需將所提算法與DPCA進行比較,因此本文選擇與DPCA相同的降維維數(shù),在建立DPCA模型時使用主元貢獻度準則確定降維維數(shù),GSFA建模時保留的慢特征數(shù)p=6,T2和SPE統(tǒng)計量的統(tǒng)計置信度和貝葉斯推斷的置信度均為99%.

        根據(jù)式(21)計算出順序相關(guān)矩陣,將青霉素發(fā)酵過程的10個變量進行動態(tài)變量和靜態(tài)變量的劃分,其中變量序號為1、2、4、6、7、8的變量被劃分為動態(tài)變量,序號為3、5、9、10的變量被劃分為靜態(tài)變量.5種算法對4個故障批次的故障檢測率如表5所示.

        表5 青霉素發(fā)酵過程中4個故障批次故障檢測率Tab.5 Fault detection rates of four failed batches during penicillin fermentation

        NPE、SFA、TNPE、DPCA和GSFA-GNPE算法在故障2下的監(jiān)控圖如圖4所示,故障2為攪拌功率從第200個采樣點開始到第400個采樣點結(jié)束的斜坡故障.由圖4(a)可以看出,NPE算法的T2和SPE分別在第210和211個采樣點檢測出故障,且T2在0~50采樣點間存在誤報,因此NPE算法對于故障2存在較大的誤報及故障檢測延時.圖4(b)為SFA算法的S2和SPE監(jiān)控圖.從圖4(b)中可以看出,S2在第220個采樣點才檢測出故障發(fā)生,且在50~100采樣點之間存在較多的誤報,SPE在第204個采樣點較早檢測出故障,且在0~200采樣點之間無誤報發(fā)生.圖4(c)為TNPE算法的T2和SPE監(jiān)控圖.從圖4(c)中可以看出,TNPE算法的檢測延時相較于NPE算法有所降低,原因是TNPE考慮了過程數(shù)據(jù)的時序特征,但在0~50采樣點之間仍存在較多誤報.圖4(d)為DPCA算法的T2和SPE監(jiān)控圖.從圖4(d)中可以看出,DPCA算法檢測延時較高且誤報也較多,檢測效果不佳.圖4(e)為GSFA-GNPE算法的BIC-C2,BIC-SPE和BIC聯(lián)合指標監(jiān)控圖.從圖4(e)中可以看出,BIC-C2在第214個采樣點檢測出故障,且在0~50采樣點間有少量故障,而BIC-SPE統(tǒng)計量在故障一發(fā)生就立即檢測到了故障,且全程無誤報漏報,聯(lián)合指標BIC也在第201個采樣點處立即檢測出了故障發(fā)生,基本不存在檢測延遲.通過綜合分析5種算法在故障2下的檢測率和誤報率,GSFA-GNPE算法有著更好的檢測效果,原因是GSFA-GNPE算法分別考慮了過程數(shù)據(jù)的動態(tài)特性和靜態(tài)特性,且針對兩種特性分別采取了不同的方法進行監(jiān)控,在提取數(shù)據(jù)局部信息的基礎(chǔ)上分析了其全局結(jié)構(gòu),能夠更加全面地捕捉數(shù)據(jù)特征,因此能夠及時有效地反映過程故障.5種算法對4種故障的平均故障檢測率F如圖5所示.由圖5可知,GSFA-GNPE算法的3種指標均有良好的檢測效果,進一步說明了本文所提算法的有效性.

        圖4 5種算法對故障2的監(jiān)控圖Fig.4 Monitoring chart of Fault 2 by five algorithms

        圖5 青霉素發(fā)酵過程中4個故障批次的平均故障檢測率對比Fig.5 Comparison of average fault detection rates of four failed batches during penicillin fermentation

        5 結(jié)語

        本文提出一種基于GSFA-GNPE算法的動態(tài)-靜態(tài)聯(lián)合指標間歇過程監(jiān)控方法.通過計算順序相關(guān)矩陣,將過程變量劃分為動態(tài)子空間和靜態(tài)子空間,并在其中使用對應的算法進行統(tǒng)計分析.在動態(tài)子空間中,使用GSFA方法充分提取過程的動態(tài)特征,并且通過全局結(jié)構(gòu)分析提取其全局信息特征;在靜態(tài)子空間中,GNPE方法通過方差最大保持數(shù)據(jù)的全局結(jié)構(gòu),同時發(fā)揮NPE的局部結(jié)構(gòu)保持能力,能有效提取過程數(shù)據(jù)的靜態(tài)信息.然后,使用貝葉斯推斷建立聯(lián)合指標監(jiān)控整個間歇過程.最后,將本文所提算法應用到數(shù)值實例和青霉素發(fā)酵仿真過程,研究結(jié)果顯示所提出的GSFA-GNPE算法具有良好的監(jiān)控效果.

        猜你喜歡
        全局靜態(tài)動態(tài)
        國內(nèi)動態(tài)
        Cahn-Hilliard-Brinkman系統(tǒng)的全局吸引子
        國內(nèi)動態(tài)
        量子Navier-Stokes方程弱解的全局存在性
        國內(nèi)動態(tài)
        靜態(tài)隨機存儲器在軌自檢算法
        動態(tài)
        落子山東,意在全局
        金橋(2018年4期)2018-09-26 02:24:54
        機床靜態(tài)及動態(tài)分析
        機電信息(2015年9期)2015-02-27 15:55:56
        具7μA靜態(tài)電流的2A、70V SEPIC/升壓型DC/DC轉(zhuǎn)換器
        欧美洲精品亚洲精品中文字幕| 成年免费视频黄网站zxgk| 国产精品区一区第一页| 国产在线视频h| 91快射视频在线观看| 亚洲午夜精品一区二区| 无码av免费一区二区三区| 又粗又大又硬毛片免费看| 成人网站免费大全日韩国产| 99精品久久久中文字幕| 亚洲中文字幕综合网站| 久久精品中文字幕| 越南女子杂交内射bbwbbw| 9丨精品国产高清自在线看| 国产护士一区二区三区| 偷拍激情视频一区二区三区| 亚洲av成人一区二区三区在线观看| 狠狠躁夜夜躁人人爽天天不卡 | 亚洲精品久久久www小说| 久久99国产亚洲高清观看韩国| 扒下语文老师的丝袜美腿| 漂亮丰满人妻被中出中文字幕| 少妇人妻陈艳和黑人教练| 亚洲国产麻豆综合一区| 久久偷拍国内亚洲青青草| 色窝窝无码一区二区三区| 日本乱人伦在线观看| 欧美丝袜激情办公室在线观看| 国产白色视频在线观看| 国产青榴视频在线观看| 91香蕉视频网| 国产在线视频一区二区三区| 在线播放五十路熟妇| 丁香五月缴情综合网| 女同性恋亚洲一区二区| 亚洲精品中文字幕乱码影院| 国产激情内射在线影院| 99亚洲乱人伦精品| 91精品啪在线观九色| 欧美最大胆的西西人体44| 高清国产一级毛片国语|