2.793

2018影响因子

(CJCR)

  • 中文核心
  • EI
  • 中国科技核心
  • Scopus
  • CSCD
  • 英国科学文摘

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于GMM的间歇过程故障检测

王静 胡益 侍洪波

王静, 胡益, 侍洪波. 基于GMM的间歇过程故障检测. 自动化学报, 2015, 41(5): 899-905. doi: 10.16383/j.aas.2015.c130680
引用本文: 王静, 胡益, 侍洪波. 基于GMM的间歇过程故障检测. 自动化学报, 2015, 41(5): 899-905. doi: 10.16383/j.aas.2015.c130680
WANG Jing, HU Yi, SHI Hong-Bo. Fault Detection for Batch Processes Based on Gaussian Mixture Model. ACTA AUTOMATICA SINICA, 2015, 41(5): 899-905. doi: 10.16383/j.aas.2015.c130680
Citation: WANG Jing, HU Yi, SHI Hong-Bo. Fault Detection for Batch Processes Based on Gaussian Mixture Model. ACTA AUTOMATICA SINICA, 2015, 41(5): 899-905. doi: 10.16383/j.aas.2015.c130680

基于GMM的间歇过程故障检测


DOI: 10.16383/j.aas.2015.c130680
详细信息
    作者简介:

    王静 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硕士研究生. 主要研究方向为间歇过程故障检测与诊断.E-mail: rain12027@163.com

    通讯作者: 侍洪波 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教授.2000 年获得华东理工大学控制理论与控制工程专业博士学位. 主要研究方向为工业过程建模, 控制与优化, 化工过程故障检测与诊断. E-mail: hbshi@ecust.edu.cn
  • 基金项目:

    国家自然科学基金(61374140)资助

Fault Detection for Batch Processes Based on Gaussian Mixture Model

More Information
  • Fund Project:

    Supported by National Natural Science Foundation of China (61374140)

  • 摘要: 对间歇过程的多操作阶段进行划分时,往往会被离群点和噪声干扰,影响建模的精确性,针对此问题提出一种新的方法:主元分析--多方向高斯混合模型(Principal component analysis-multiple Gaussian mixture model, PCA-MGMM)建模方法.首先用最短长度法对数据进行等长处理,融合不同展开方法相结合的处理方式消除数据预估问题;利用主元分析方法将数据转换到对故障较为敏感的低维子空间中,得到主元的同时消除了离群点和噪声的干扰;通过改进的高斯混合模型(Gaussian mixture model, GMM)算法对各阶段主元进行聚类,减少了运算量的同时自动得到最佳高斯成分和对应的统计分布参数;最后将局部指标融合为全局概率监控指标,实现了连续的在线监控.通过一个实际的半导体制造过程的仿真研究验证了所提方法的有效性.
  • [1] Cinar A, Parulekar S, Undey C, Birol G. Batch Fermentation: Modeling, Monitoring, and Control. New York: CRC Press, 2003.
    [2] [2] Lee J M, Yoo C K, Lee I B. Enhanced process monitoring of fed-batch penicillin cultivation using time-varying and multivariate statistical analysis. Journal of Biotechnology, 2004, 110(2): 119-136
    [3] [3] Nomikos P, MacGregor J F. Monitoring batch processes using multi-way principal component analysis. AIChE Journal, 1994, 40(8): 1361-1375
    [4] [4] Kourti T, Nomikos P, MacGregor J F. Analysis, monitoring and fault diagnosis of batch processes using multi-block and multiway PLS. Journal of Process Control, 1995, 5(4): 277-284
    [5] Zhang Jia, Sun Wei, Zhao Jin-Song, Sun Mei-Hong. Fault detection of batch process based on multi-phase multiway principal component analysis. Computers and Applied Chemistry, 2010, 27(3): 298-302(张佳, 孙巍, 赵劲松, 孙美红. 多段MPCA法监测间歇过程的故障. 计算机与应用化学, 2010, 27(3): 298-302)
    [6] Chang Yu-Qing, Wang Zhu, Tan Shuai, Wang Fu-Li, Yang Jie. Research on multistage-based MPCA modeling and monitoring method for batch processes. Acta Automatica Sinica, 2010, 36(9): 1312-1320(常玉清, 王姝, 谭帅, 王福利, 杨洁. 基于多时段MPCA模型的间歇过程监测方法研究. 自动化学报, 2010, 36(9): 1312-1320)
    [7] [7] Yu J, Qin S J. Multimode process monitoring with Bayesian inference-based finite Gaussian mixture models. AIChE Journal, 2008, 54(7): 1811-1829
    [8] [8] Yu J, Qin S J. Multiway Gaussian mixture model based multiphase batch process monitoring. Industrial and Engineering Chemistry Research, 2009, 48(18): 8585-8594
    [9] Zhao Chun-Hui, Wang Fu-Li, Yao Yuan, Gao Fu-Rong. Phase-based statistical modeling, online monitoring and quality prediction for batch processes. Acta Automatica Sinica, 2010, 36(3): 366-374(赵春晖, 王福利, 姚远, 高福荣. 基于时段的间歇过程统计建模、在线监测及质量预报. 自动化学报, 2010, 36(3): 366-374)
    [10] Rothwell S G, Martin E B, Morris A J. Comparison of methods for dealing with uneven length batches. In: Proceedings of the 1998 International Conference on Computer Application in Biotechnology. Osaka, Japan: Elsevier, 1998. 387-392
    [11] Zhou Dong-Hua, Li Gang, Li Yuan. Fault Diagnosis Technology of Data-driven in Industrial Process. Beijing: Science Press, 2011. 39-41 (周东华, 李钢, 李元. 数据驱动的工业过程故障诊断技术. 北京: 科学出版社, 2011. 39-41)
    [12] He Ming, Feng Bo-Qin, Ma Zhao-Feng, Fu Xiang-Hua. A unsupervised rough clustering method based on Gaussian mixture model. Journal of Harbin Institute of Technology, 2006, 38(2): 256-259, 322(何明, 冯博琴, 马兆丰, 傅向华. 一种基于高斯混合模型的无监督粗糙聚类方法. 哈尔滨工业大学学报, 2006, 38(2): 256-259, 322)
    [13] Figueiredo M A T, Jain A K. Unsupervised learning of finite mixture models. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24(3): 381-396
    [14] Choi S W, Park J H, Lee I B. Process monitoring using a Gaussian mixture model via principal component analysis and discriminant analysis. Computers and Chemical Engineering, 2004, 28(8): 1377-1387
    [15] Chiang L H, Russell E, Braatz R D. Fault Detection and Diagnosis in Industrial Systems. New York: Springer Verlag, 2001. 36-37
    [16] Xie X, Shi H B. Dynamic multimode process modeling and monitoring using adaptive Gaussian mixture models. Industrial and Engineering Chemistry Research, 2012, 51(15): 5497-5505
    [17] Barry M W, Neal B G, Stephanie W B, Daniel D W J, Gabriel G B. A comparison of principal component analysis, multiway principal component analysis, trilinear decomposition and parallel factor analysis for fault detection in a semiconductor etch process. Journal of Chemometrics, 1999, 13(3-4): 379-396
  • [1] 邹筱瑜, 王福利, 常玉清, 郑伟. 基于两层分块GMM-PRS的流程工业过程运行状态评价[J]. 自动化学报, 2019, 45(11): 2071-2081. doi: 10.16383/j.aas.2018.c170412
    [2] 赵春晖, 余万科, 高福荣. 非平稳间歇过程数据解析与状态监控——回顾与展望[J]. 自动化学报, 2019, 45(): 1-20. doi: 10.16383/j.aas.c190586
    [3] 郭小萍, 刘诗洋, 李元. 基于稀疏残差距离的多工况过程故障检测方法研究[J]. 自动化学报, 2019, 45(3): 617-625. doi: 10.16383/j.aas.c170389
    [4] 王传云, 秦世引. 动态场景红外图像的压缩感知域高斯混合背景建模[J]. 自动化学报, 2018, 44(7): 1212-1226. doi: 10.16383/j.aas.2017.c170061
    [5] 彭开香, 马亮, 张凯. 复杂工业过程质量相关的故障检测与诊断技术综述[J]. 自动化学报, 2017, 43(3): 349-365. doi: 10.16383/j.aas.2017.c160427
    [6] 池荣虎, 侯忠生, 黄彪. 间歇过程最优迭代学习控制的发展:从基于模型到数据驱动[J]. 自动化学报, 2017, 43(6): 917-932. doi: 10.16383/j.aas.2017.c170086
    [7] 余建波, 卢笑蕾, 宗卫周. 基于局部与非局部线性判别分析和高斯混合模型动态集成的晶圆表面缺陷探测与识别[J]. 自动化学报, 2016, 42(1): 47-59. doi: 10.16383/j.aas.2016.c150311
    [8] 马成龙, 颜永红. 基于概率语义分布的短文本分类[J]. 自动化学报, 2016, 42(11): 1711-1717. doi: 10.16383/j.aas.2016.c150268
    [9] 曲寒冰, 王加强, 李彬, 王松涛. 基于概率图模型的点集匹配方法研究[J]. 自动化学报, 2015, 41(4): 694-710. doi: 10.16383/j.aas.2015.c140376
    [10] 彭开香, 张凯, 李钢. 基于贡献率法的非线性工业过程在线故障诊断[J]. 自动化学报, 2014, 40(3): 423-430. doi: 10.3724/SP.J.1004.2014.00423
    [11] 周东华, 史建涛, 何潇. 动态系统间歇故障诊断技术综述[J]. 自动化学报, 2014, 40(2): 161-171. doi: 10.3724/SP.J.1004.2014.00161
    [12] 王聪, 文彬鹤, 司文杰, 彭滔, 袁成志, 陈填锐, 林文愉, 王勇, 侯安平. 轴流压气机旋转失速建模与检测:基于确定学习理论与高阶Moore-Greitzer模型的研究[J]. 自动化学报, 2014, 40(7): 1265-1277. doi: 10.3724/SP.J.1004.2014.01265
    [13] 林晓丹. 基于高斯混合模型的DCT域水印检测方法[J]. 自动化学报, 2012, 38(9): 1445-1448. doi: 10.3724/SP.J.1004.2012.01445
    [14] 常玉清, 王姝, 谭帅, 王福利, 杨洁. 基于多时段MPCA模型的间歇过程监测方法研究[J]. 自动化学报, 2010, 36(9): 1312-1320. doi: 10.3724/SP.J.1004.2010.01312
    [15] 谢磊, 刘雪芹, 张建明, 王树青. 基于NGPP-SVDD的非高斯过程监控及其应用研究[J]. 自动化学报, 2009, 35(1): 107-112. doi: 10.3724/SP.J.1004.2009.00107
    [16] 孟猛, 王晓瑞, 梁家恩, 徐波. 一种基于互补声学模型的多系统融合语音关键词检测方法[J]. 自动化学报, 2009, 35(1): 39-45. doi: 10.3724/SP.J.1004.2009.00039
    [17] 陆宁云, 王福利, 高福荣, 王姝. 间歇过程的统计建模与在线监测[J]. 自动化学报, 2006, 32(3): 400-410.
    [18] 胡峰, 孙国基. 非平稳过程突发性故障的在线检测与辨识[J]. 自动化学报, 2001, 27(1): 120-124.
    [19] 周东华, 王庆林. 基于模型的控制系统故障诊断技术的最新进展[J]. 自动化学报, 1995, 21(2): 244-248.
    [20] 傅春生, 王骥程. 在线识别间歇过程特性的新方法及其在发酵过程中的应用[J]. 自动化学报, 1994, 20(2): 162-168.
  • 加载中
计量
  • 文章访问数:  732
  • HTML全文浏览量:  23
  • PDF下载量:  1221
  • 被引次数: 0
出版历程
  • 收稿日期:  2013-07-16
  • 修回日期:  2014-03-25
  • 刊出日期:  2015-05-20

基于GMM的间歇过程故障检测

doi: 10.16383/j.aas.2015.c130680
    作者简介:

    王静 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硕士研究生. 主要研究方向为间歇过程故障检测与诊断.E-mail: rain12027@163.com

    通讯作者: 侍洪波 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教授.2000 年获得华东理工大学控制理论与控制工程专业博士学位. 主要研究方向为工业过程建模, 控制与优化, 化工过程故障检测与诊断. E-mail: hbshi@ecust.edu.cn
基金项目:

国家自然科学基金(61374140)资助

摘要: 对间歇过程的多操作阶段进行划分时,往往会被离群点和噪声干扰,影响建模的精确性,针对此问题提出一种新的方法:主元分析--多方向高斯混合模型(Principal component analysis-multiple Gaussian mixture model, PCA-MGMM)建模方法.首先用最短长度法对数据进行等长处理,融合不同展开方法相结合的处理方式消除数据预估问题;利用主元分析方法将数据转换到对故障较为敏感的低维子空间中,得到主元的同时消除了离群点和噪声的干扰;通过改进的高斯混合模型(Gaussian mixture model, GMM)算法对各阶段主元进行聚类,减少了运算量的同时自动得到最佳高斯成分和对应的统计分布参数;最后将局部指标融合为全局概率监控指标,实现了连续的在线监控.通过一个实际的半导体制造过程的仿真研究验证了所提方法的有效性.

English Abstract

参考文献 (17)

目录

    /

    返回文章
    返回