基于核函数PCA的非线性过程实时监控方法

为了克服基于主元分析的过程监控方法非线性处理能力弱的缺点和降低基于非线性主元分析的过程监控方法的计算复杂度，提出了将核函数PCA监控方法用于复杂工业过程实时监控系统的开发研究，并讨论了核函数参数选择对系统性能的影响。核函数PCA能有效地提取过程变量的非线性关系，而且计算复杂度低，便于在线实施。仿真结果表明该方法是一种有前途的复杂过程非线性实时监控技术。     

一种基于非线性独立元分析(NICA)的化工过程监控方法

针对实际工业过程数据中的非线性问题,研究了一种基于非线性独立元分析的多变量过程监控方法。该方法根据贝叶斯原理,构造多层感知器网络恢复过程数据,并以此建立过程的数学统计模型,对其进行实时监控。在大型工业设备仿真器TE上的应用表明了该方法的有效性,同时,在故障诊断方面也体现出了一定的优越性。     

工业过程核概率主元模型建立及监控指标

概率主元分析(PPCA)能够根据过程变量的预测误差及其主元的白化值实现对过程的监控。但是PPCA只适合线性过程,而对非线性过程的监控效果不理想。为克服上述缺点,提出一种基于核PPCA(KPPCA)的过程监控方法,定性讨论了KPPCA模型的参数和主元个数选择问题,构造了高维空间的SPE和T2监控指标。该方法利用核函数将非线性数据映射到高维空间,去除了过程的非线性,然后利用PPCA对满足线性关系的过程变量映射值进行监控。仿真结果验证了该方法对非线性过程监控的优越性。     

基于峰度的非线性独立元分析在典型化工过程故障诊断中的应用

针对实际工业过程数据中的非线性和冗余度问题,提出了一种基于峰度的非线性独立元分析方法。该方法根据互信息最小化原理提取独立分量,按峰度进行降维,去掉冗余数据,尽可能地保留了反应工业过程变化本质特征的独立分量。将该方法应用于TE过程监控,并与传统的线性独立元方法相比较,结果表明：该方法具有较高的灵敏度和较低的漏报率。     

基于局部特征的多模态过程监控方法

多模态过程中各个模态均有不同的特征,因此模态数据的局部特征比全局特征更能有效、合理地表征实际化工过程。为利用多模态数据的局部特征,提出了基于数据局部特征的多模型方法（LFMM）用于多模态过程的监控。首先,离线阶段考虑到数据间的时序信息以及数据特征,利用不同时间窗内数据的变异系数（CV）完成多模态数据集的聚类;然后,考虑到不同模态的数据在空间分布上具有不同的疏密性特征,建模阶段利用局部离群因子（LOF）算法计算数据在其模态数据集中的局部密度,监控时将在线数据的局部密度作为统计特征,并构造全局概率指标用于多模态过程监控;最后,通过田纳西伊斯曼（TE）过程验证了本文方法的有效性。     

发酵类生物反应器参数在线监控技术

概述了发酵类生物反应器及其过程参数的控制方法、在线监控技术,拟为目前发酵类生物反应过程参数的在线监控技术的深入研究提供思路。     

铜绿假单胞菌医院感染的过程监控

目的探讨多方位过程监控对铜绿假单胞菌医院感染的影响。方法筛选呼吸内科两病区铜绿假单胞菌感染患者作为监控组和对照组,监控组由科室专业管理小组对监控涉及人员和过程进行多频次现场监控与干预,与对照组进行对比研究。结果监控组和对照组患者继发感染发病率存在统计学差异(χ2=8.89,P<0.01),同时病区医院感染发生率也存在统计学差异(χ2=4.25,P<0.05),具有统计学意义。结论多方位过程监控比结果评价更能有效地控制交叉感染,降低医院感染发生率,提高医疗质量。     

基于远程过程调用的网络流量可视化技术研究与应用

网络流量管理和可视化技术一直是网络管理技术研究的重要命题。随着数据中心网络的迅速发展,对于整个网络中端到端的流量管理和故障监控要求越来越高,传统基于SNMP、NETCONF等技术的监控信息采集方式已经不能满足现今数据中心网络规模和监控效率的要求,基于Google远程过程调用(Google Remote Procedure Call,gRPC)的Telemetry技术可以提升监测数据的实时性和精准度,减少网元压力,为智能管理网络提供支持。     

基于LTSA-Greedy-SVDD的过程监控

为解决实际工业过程中的非线性和非高斯问题,实现有效的过程监控,提出了一种基于局部切空间排列算法的过程监控方法。首先运用局部切空间排列算法对标准化后的正常样本数据提取出低维子流形以实现维数约减。之后利用Greedy方法提取特征样本以支持向量数据描述方法建立监控模型,最后采用相应统计量进行过程监控。以田纳西伊斯曼(TE)模型为仿真平台,仿真结果说明了该方法的有效性。     

非负矩阵因子分解算法解析手性药物重叠峰的HPLC-DAD数据

目的:研究非负矩阵因子分解算法(NMF)用于手性药物HPLC-DAD二维数据解析的可行性及其影响因素。方法:根据化学波谱的基本特征如色谱的单峰性改进NMF算法。考查组分之间色谱分离度、光谱相似程度以及迭代次数对模拟重叠峰解析结果的影响,并将NMF算法应用于实测体系盐酸舍曲林对映异构体体(cis-1R,4R;cis-1S,4S)重叠峰解析。结果:解析结果表明,在色谱严重重叠,光谱相似甚至完全相同时,在合适的迭代次数下,NMF能解析出重叠峰中各单组分的光谱和相应色谱。结论该种二维数据的解析方法,将为混合样本特别是手性药物混合体系的分析提供新途径。     

基于MWMKPCA和CPI的间歇过程控制性能监测与评估

针对限定控制器结构下的间歇过程控制系统性能监测与评估的问题,采用引力搜索算法优化控制器参数,在最优控制参数的基础上得到控制性能较优的输出误差数据集;通过采用多种多元统计过程控制（MSPC）方法对数据集进行主元建模,用得到的主元模型对新的间歇过程批次进行在线监测,并提出一种基于控制图的综合控制性能指标（CPI）。仿真结果验证了采用移动窗口核主元分析法（MWMKPCA）在监测间歇过程控制性能时的准确性,同时验证了所提出的综合控制性能指标的有效性。     

基于加权距离邻域选取策略的多模态过程故障检测

针对多模态过程数据密度不规则性提出的一类基于密度的方法,大多是以欧式距离为基础来比较彼此间的相似性,从而检测过程是否发生故障。然而多模态数据密度在较小范围内变化较大,采用欧式距离很难获得全面的数据信息。本文提出了一种新的基于加权距离选择邻居的策略,该策略首先对距离进行合理的加权,再根据新的加权距离重新选择样本点的邻居,能有效地避免数据信息不全面的问题。在仿真实验中,首先通过比较基于传统的欧式距离和基于本文加权距离选取的邻居,说明本文策略的优越性;进而将该策略与局部离群因子（Local Outlier Factor, LOF）结合用于TE过程,对TE过程的仿真结果表明该策略在应用于基于密度的检测方法上获得了的良好效果。     

基于模糊神经网络的工况区域识别方法

以模糊集合和模糊神经网络为基础，提出了一种新的工况区域识别方法，并以工业生产过程中常见的精馏过程为例，进行了仿真，证实了该方法的有效性。     

过程信号的前馈—反馈型自适应盲分离算法

利用神经网络的自学习能力实现信号的盲分离已被证明是实现信号分离的一种有效方法,不同的神经网络模型对分离算法的效能将产生极大的影响。针对化工生产过程的复杂性和在线监测控制的要求,在其他学者研究的基础上,基于前馈－反馈型神经网络模型,提出了一种自适应盲分离算法用于过程信号的分离。计算机仿真实验的结果表明了算法的有效性。     

一种基于改进型自适应滑动窗算法的主元分析

针对工业过程时变的特点,基于自适应滑动窗的主元分析算法由于能依据采集数据时时更新模型,因此能有效提高建模精度和诊断准确度。但是该算法的实现基于两个假设：（1）假定用于更新模型的数据是正常稳定过程中采集而得。（2）假定采集数据时序无关。由于算法没有辨识功能,极容易用携带故障信息的数据来更新系统模型,后果可想而知。据此本文提出计算相对变化量用于区分数据正常与否。实践证明大部分工业过程存在时序相关性,而滑动窗算法属于常规静态建模,因此应该考虑动态主元分析。综上,本文提出动态主元分析的关键参数——时滞参数l来计算     

基于序列低秩嵌入算法的故障检测

复杂化工过程采集到的数据往往夹杂着过程噪声，如何去除冗余数据、充分提取数据的有效信息是研究重点。提出了一种融合序列相关与低秩表征（LRR）的信息提取算法——序列低秩嵌入（SLRE）。通过LRR对训练样本进行低秩分解，剔除噪声点，去除数据中的冗余信息，增强了算法的鲁棒性。为了保持数据的全局-局部特征，通过计算样本间相关系数构造加权矩阵，并利用嵌入算法实现数据降维。建立T²和SPE统计量，使用核密度估计（KDE）方法估计控制限。通过数值仿真实例和田纳西-伊斯曼（TE）过程验证了本文方法的有效性。