高级检索

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

用于动态化工过程故障检测的T-TELPP算法

    通讯作者: 程辉, huihyva@ecust.edu.cn
  • 基金项目: 国家重点研发计划项目(2016YFB0303401);中央高校基本科研业务费重点科研基地创新基金(222201717006,22221817014);上海市自然科学基金(16ZR1407300)

Tensor-Temporal Extension Locality Preserving Projection Algorithm for Dynamic Chemical Process Fault Detection

    Corresponding author: CHENG Hui, huihyva@ecust.edu.cn ;
  • 摘要: 工业过程具有高复杂性、动态性等特点。在特征提取时,引入时滞因子扩展时序矩阵可以解决现场变量带有的自相关与互相关特性问题。特征提取算法处理三阶张量形式的扩展数据时需要将三阶张量在某一方向向量化,这将破坏原始数据内在二维结构信息。对此,本文提出了基于张量空间的时序扩展局部结构保持算法(Tensor-Temporal Extension Locality Preserving Projection,T-TELPP)。首先,改进局部保持投影(LPP)算法得到时序扩展的LPP算法(TELPP),使其充分提取欧氏空间近邻与时序近邻信息;然后,将TELPP扩展到张量空间得到T-TELPP算法。T-TELPP直接将动态扩展数据投影到特征空间与残差空间,并分别建立T2和SPE统计量。对田纳西-伊斯曼(Tennessee Eastman,TE)过程进行监测,通过与PCA、DPCA和DLPP算法对比,验证了T-TELPP算法在动态过程监测上的有效性与优越性。
  • [1] 丁英涛, 程辉, 王振雷, 等. IFA和FA联合方法在化工过程监控中的应用[J]. 华东理工大学学报(自然科学版), 2017, 43(5):684-691.
    [2] 周东华, 胡艳艳. 动态系统的故障诊断技术[J]. 自动化学报, 2009, 35(6):748-758.
    [3] ZHOU D, LI G, QIN S J. Total projection to latent structures for process monitoring[J]. Aiche Journal, 2010, 56(1):168-178.
    [4] JIANG Q, YAN X, HUANG B. Performance-driven distributed PCA process monitoring based on fault-relevant variable selection and Bayesian inference[J]. IEEE Transactions on Industrial Electronics, 2015, 63(1):377-386.
    [5] 许圆圆, 杨健, 谭帅, 等. 基于局部特征的多模态过程监控方法[J]. 华东理工大学学报(自然科学版), 2017, 43(2):260-265.
    [6] 张萍, 王桂增, 周东华. 动态系统的故障诊断方法[J]. 控制理论与应用, 2000, 17(2):153-158.
    [7] DONG Y, QIN S J. Dynamic-inner partial least squares for dynamic data modeling[J]. IFAC-Papers OnLine, 2015, 48(8):117-122.
    [8] KU W, STORER R H, GEORGAKIS C. Disturbance detection and isolation by dynamic principal component analysis[J]. Chemometrics & Intelligent Laboratory Systems, 1995, 30(1):179-196.
    [9] 陈耀, 王文海. 基于动态主元分析的统计过程监视[J]. 化工学报, 2000, 21(5):666-670.
    [10] YU J. Local and global principal component analysis for process monitoring[J]. Journal of Process Control, 2012, 22(7):1358-1373.
    [11] HU K, YUAN J. Multivariate statistical process control based on multiway locality preserving projections[J]. Journal of Process Control, 2008, 18(7/8):797-807.
    [12] LI H, WEI Y, LI L, et al. Infrared moving target detection and tracking based on tensor locality preserving projection[J]. Infrared Physics & Technology, 2010, 53(2):77-83.
    [13] SHAO J D, RONG G, LEE J M. Generalized orthogonal locality preserving projections for nonlinear fault detection and diagnosis[J]. Chemometrics & Intelligent Laboratory Systems, 2009, 96(1):75-83.
    [14] 张沐光, 宋执环. 一种基于DLPP的动态过程故障检测方法[J]. 华中科技大学学报(自然科学版), 2009(s1):71-74.
    [15] YAN S, XU D, ZHANG B, et al. Graph embedding and extensions:A general framework for dimensionality reduction[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2007, 29(1):40-51.
    [16] 杨健, 宋冰, 谭帅, 等. 时序约束NPE算法在化工过程故障检测中的应用[J]. 化工学报, 2016, 67(12):5131-5139.
    [17] 苗爱敏,葛志强,宋执环,等.基于时序扩展的邻域保持嵌入算法及其在故障检测中的应用[J]. 2014, 40(2):218-224.
    [18] HE X, CAI D, NIYOGI P. Tensor subspace analysis[J]. Advances in Neural Information Processing Systems, 2005, 18:499-506.
    [19] HU K, YUAN J. Batch process monitoring with tensor factorization[J]. Journal of Process Control, 2009, 19(2):288-296.
    [20] DOWNS J J, VOGEL E F. A plant-wide industrial process control problem[J]. Computers & Chemical Engineering, 1993, 17(3):245-255.
    [21] YAN S, XU D, ZHANG B, et al. Graph embedding:A general framework for dimensionality reduction[C]//IEEE Computer Society Conference on Computer Vision and Pattern Recognition. USA:IEEE, 2005:830-837.
    [22] LUO L, BAO S, GAO Z, et al. Tensor global-local preserving projections for batch process monitoring[J]. Industrial & Engineering Chemistry Research, 2014, 53(24):10166-10176.
    [23] WANG H, YAN S, XU D, et al. Trace ratio vs. ratio trace for dimensionality reduction[C]//IEEE Conference on Computer Vision and Pattern Recognition. USA:IEEE Computer Society, 2007:1-8.
    [24] 赵小强, 惠永永. 基于TTGNPE算法的间歇过程监测[J]. 控制与决策, 2017, 32(3):557-562.
  • 加载中
图(1)
计量
  • 文章访问数:  1431
  • HTML全文浏览量:  243
  • PDF下载量:  288
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-12-15
  • 刊出日期:  2018-08-28

用于动态化工过程故障检测的T-TELPP算法

    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
  • 2. 南京工程学院汽车与轨道交通学院, 南京 211167
基金项目:  国家重点研发计划项目(2016YFB0303401);中央高校基本科研业务费重点科研基地创新基金(222201717006,22221817014);上海市自然科学基金(16ZR1407300)

摘要: 工业过程具有高复杂性、动态性等特点。在特征提取时,引入时滞因子扩展时序矩阵可以解决现场变量带有的自相关与互相关特性问题。特征提取算法处理三阶张量形式的扩展数据时需要将三阶张量在某一方向向量化,这将破坏原始数据内在二维结构信息。对此,本文提出了基于张量空间的时序扩展局部结构保持算法(Tensor-Temporal Extension Locality Preserving Projection,T-TELPP)。首先,改进局部保持投影(LPP)算法得到时序扩展的LPP算法(TELPP),使其充分提取欧氏空间近邻与时序近邻信息;然后,将TELPP扩展到张量空间得到T-TELPP算法。T-TELPP直接将动态扩展数据投影到特征空间与残差空间,并分别建立T2和SPE统计量。对田纳西-伊斯曼(Tennessee Eastman,TE)过程进行监测,通过与PCA、DPCA和DLPP算法对比,验证了T-TELPP算法在动态过程监测上的有效性与优越性。

English Abstract

(1)  参考文献 (24)

目录

    /

    返回文章