高级检索

  • ISSN 1006-3080
  • CN 31-1691/TQ
引用本文:
Citation:

IFA和FA联合方法在化工过程监控中的应用

    通讯作者: 程辉, huihyva@ecust.edu.cn
  • 基金项目: 国家自然科学基金(61134007,21376077,21303102);上海市研发平台建设项目(13DZ2295300);上海市自然科学基金(16ZR1407300)

A Combined Method of Independent Factor Analysis and Factor Analysis for Chemical Process Monitoring

    Corresponding author: CHENG Hui, huihyva@ecust.edu.cn ;
  • 摘要: 工业过程数据具有高斯和非高斯混合分布的特点。独立因子分析(IFA)采用一维高斯混合模型拟合任意的因子分布,因此可以处理高斯和非高斯混合的问题。虽然在给定因子数的前提下变分IFA算法可以有效地缩短建模时间,但是独立因子数的选择仍然需要较长的计算时间。此外,若IFA的因子数选择不当,会造成部分因子的信息遗留在观察变量的残差中,导致GSPE监控指标的监控性能变差。为了解决IFA在实际应用中存在的问题,本文结合了IFA和FA方法。首先使用FA辅助IFA选取独立因子数,以进一步减小IFA建模时间;其次使用FA对IFA的残差进行再处理,以解决由于独立因子数选择不当造成的问题。最后将该方法应用于田纳西-伊斯曼(TE)过程和乙烯裂解炉过程的监控中,实验结果验证了该联合方法的有效性。
  • [1] JIANG Q,WANG B,YAN X.Multiblock independent component analysis integrated with Hellinger distance and Bayesian inference for non-Gaussian plant-wide process monitoring[J].Industrial & Engineering Chemistry Research,2015,54(9):2497-2508.
    [2] HUANG Jian,YAN Xuefeng.Dynamic process fault detection and diagnosis based on dynamic principal component analysis,dynamic independent component analysis and Bayesian inference[J].Chemometrics and Intelligent Laboratory Systems,2015,148:115-127.
    [3] HUANG Jian,YAN Xuefeng.Double-step block division plant-wide fault detection and diagnosis based on variable distributions and relevant features[J].Journal of Chemometrics,2015,29(11):587-605.
    [4] LI W,YUE H H,VALLE-CERVANTES S,et al.Recursive PCA for adaptive process monitoring[J].Journal of Process Control,2000,10(5):471-486.
    [5] 赵忠盖,刘飞.动态因子分析模型及其在过程监控中的应用[J],化工学报,2009,60(1):183-186.
    [6] HYVÄRINEN A,OJA E.Independent component analysis algorithms and applications[J].Neural Networks,2000,13(4):411-430.
    [7] LEE J M,YOO C K,LEE I B.Statistical process monitoring with independent component analysis[J].Journal of Process Control,2004,14(5):467-485.
    [8] 刘雪琴,谢磊,张建明,等.基于ICA-SVDD的统计过程监控及其在化工过程中的应用[C]//2006全国石油化工生产安全与控制学术交流会.北京:中国化工学会,2006:21-25.
    [9] GE Zhiqiang,SONG Zhihuan.Process monitoring based on independent component analysis-principal component analysis (ICA-PCA) and similarity factors[J].Industrial & Engineering Chemistry Research,2007,46(7):2054-2063.
    [10] 尹雪岩,刘飞.基于DIFA的动态非高斯过程监控方法及应用[J].化工学报,2011,62(5):1345-1351.
    [11] ATTIAS H.Independent factor analysis[J].Neural Computation,1999,4(11):803-851.
    [12] 尹雪岩,刘飞.独立因子分析方法在过程监控中的应用[J].计算机与应用化学,2010,27(10):1353-1356.
    [13] LI X,YANG Y,ZHANG W.Statistical process monitoring via generalized non-negative matrix projection[J].Chemometrics and Intelligent Laboratory Systems,2013,121:15-25.
    [14] 赵忠盖,刘飞.因子分析及其在过程监控中的应用[J].化工学报,2007,58(4):970-974.
    [15] SHEN Y,DING S X,HAGHANI A,et al.A comparison study of basic data-driven fault diagnosis and process monitoring methods on the benchmark Tennessee Eastman process[J]. Journal of Process Control,2012,22(9):1567-1581.
    [16] DOWNS J J,VOGEL E F.A plant-wide industrial process control problem[J].Computers & Chemical Engineering,1993,17(3):245-255.
    [17] JIANG Q,YAN X.Probabilistic weighted NPE-SVDD for chemical process monitoring[J].Control Engineering Practice,2014,28:74-89.
    [18] BATHELT A,RICKER N L,JELALI M.Revision of the Tennessee Eastman process model[J].International Symposium on Advanced Control of Chemical Processes,2015,48(8):309-314.
    [19] 江伟,王昕,王振雷.基于LTSA和MICA与PCA联合指标的过程监控方法及应用[J].化工学报,2015,66(12):4895-4903.
    [20] JIANG Q,YAN X.Non-Gaussian chemical process monitoring with adaptively weighted independent component analysis and its applications[J].Journal of Process Control,2013,23(9):1320-1331.
    [21] JIANG Q,YAN X,LV Z,et al.Independent component analysis-based non-Gaussian process monitoring with preselecting optimal components and support vector data description[J].International Journal of Production Research,2014,52(11):3273-3286.
    [22] 杨正永,王昕,王振雷.基于LTSA和联合指标的非高斯过程监控方法及应用[J].化工学报,2015,66(4):1370-1379.
  • 加载中
图(1)
计量
  • 文章访问数:  1329
  • HTML全文浏览量:  222
  • PDF下载量:  377
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-11-21
  • 刊出日期:  2017-10-28

IFA和FA联合方法在化工过程监控中的应用

    通讯作者: 程辉, huihyva@ecust.edu.cn
  • 1. 华东理工大学化工过程先进控制和优化技术教育部重点实验室, 上海 200237
基金项目:  国家自然科学基金(61134007,21376077,21303102);上海市研发平台建设项目(13DZ2295300);上海市自然科学基金(16ZR1407300)

摘要: 工业过程数据具有高斯和非高斯混合分布的特点。独立因子分析(IFA)采用一维高斯混合模型拟合任意的因子分布,因此可以处理高斯和非高斯混合的问题。虽然在给定因子数的前提下变分IFA算法可以有效地缩短建模时间,但是独立因子数的选择仍然需要较长的计算时间。此外,若IFA的因子数选择不当,会造成部分因子的信息遗留在观察变量的残差中,导致GSPE监控指标的监控性能变差。为了解决IFA在实际应用中存在的问题,本文结合了IFA和FA方法。首先使用FA辅助IFA选取独立因子数,以进一步减小IFA建模时间;其次使用FA对IFA的残差进行再处理,以解决由于独立因子数选择不当造成的问题。最后将该方法应用于田纳西-伊斯曼(TE)过程和乙烯裂解炉过程的监控中,实验结果验证了该联合方法的有效性。

English Abstract

(1)  参考文献 (22)

目录

    /

    返回文章