导读:本文包含了多时段间歇过程论文开题报告文献综述及选题提纲参考文献，主要关键词:间歇过程,多时段,叁维数据,平行因子分解2(PARAFAC2)
多时段间歇过程论文文献综述
曹雪,王建林,邱科鹏,刘伟旻,韩锐[1]（2019）在《基于PARAFAC2的多时段间歇过程时段划分》一文中研究指出针对间歇过程多时段特性,提出一种基于平行因子分解2(PARAFAC2)的多时段间歇过程时段划分方法。首先对每一个时间片矩阵进行平行因子分解2(PARAFAC2)建模,得到时间片矩阵的模型控制限,然后从间歇过程初始时刻开始,按照时序依次将每个时间片添加到时间块并进行PARAFAC2建模,得到时间块矩阵的模型控制限后,通过评估时间片和时间块模型控制限的差异性来确定初始时段划分点,最后利用时段评价划分指标(PPCI)获取最佳的时段划分结果。通过青霉素发酵过程仿真实验验证了本文方法的有效性。(本文来源于《北京化工大学学报(自然科学版)》期刊2019年02期）
王建林,马琳钰,邱科鹏,刘伟旻,赵利强[2]（2017）在《基于SVDD的多时段间歇过程故障检测》一文中研究指出支持向量数据描述(SVDD)不要求过程数据满足正态分布,已应用于间歇过程故障检测。现有的SVDD间歇过程故障检测方法采用聚类分析和模型识别划分间歇过程时段,多时段划分的准确性较低,制约了多时段间歇过程故障检测精度的提高。针对上述问题提出了一种基于SVDD的多时段间歇过程故障检测方法,利用SVDD的超球体半径值与支持向量个数的变化划分间歇过程的多时段,并建立了不同时段的SVDD故障检测模型,使用待检测样本点的球心距与对应时段的超球体半径之差检测过程故障,实现了多时段间歇过程的时段划分与过程故障检测。发酵过程仿真实验和实际生产实验结果表明,该方法能够准确地划分间歇过程的多时段,并且能够针对不同时段进行故障检测,具有较高的检测率。(本文来源于《仪器仪表学报》期刊2017年11期）
马琳钰[3]（2017）在《基于支持向量数据描述的多时段间歇过程监测方法研究》一文中研究指出间歇过程能够以灵活的小容量生产获得高附加值产品,广泛存在于精细化工、制药、生物化学以及半导体加工等工业生产领域。间歇过程监测技术是过程控制领域的关键技术之一,有效的间歇过程监测方法与技术能够确保生产过程安全,提高产品质量。传统的MPCA、MPLS等间歇过程监测方法由于假设过程数据服从多变量正态分布,难以适应间歇过程的复杂特性,其应用受到制约。SVDD对过程数据分布不做要求,已应用于间歇过程监测,然而现有基于SVDD的间歇过程监测方法无法适应多时段过程特性,导致基于该方法的多时段间歇过程监测的准确性较低,因此,研究基于SVDD的多时段间歇过程监测方法具有重要的理论意义和应用价值。本文在分析多时段间歇过程数据特征和SVDD监测模型特点的基础上,提出了一种基于SVDD的间歇过程分段监测方法,利用超球体结构的变化划分间歇过程的不同时段,采用支持向量个数与超球体半径值表征时段特性,建立了多个间歇过程监测子模型,增强了对过程数据的描述能力,并有效地实现了间歇过程时段划分和监测;针对定值控制限对监测精度的影响,提出了一种基于核相似度SVDD的多时段间歇过程监测方法,使用间歇过程数据待监测样本与支持向量之间的核函数值作为相似度权重,利用该相似度对不同时刻的支持向量球心距加权求和,最终得到待监测间歇过程数据样本的动态控制限,解决了静态的SVDD异常判别阈值不能涵盖表达过程的动态特性的问题,获得了随过程数据特性变化而变化的动态控制限。实验研究表明,所提基于SVDD的分段监测方法能够对多时段间歇过程进行有效的时段划分,同时完成过程监测模型的建立,相比于传统的MKPCA、基于K均值聚类的MPCA方法,有较高的间歇过程监测精度;所提出的基于核相似度SVDD的多时段间歇过程监测方法获得了间歇过程监测的动态控制限,减小了过程不同时段数据特性的差异对监测精度的影响,与现有基于SVDD的间歇过程监测方法相比对正常过程数据的描述更为准确,且能够很好地适应过程数据具有的时变性,监测结果稳定,有效地提高了间歇过程监测的准确性。(本文来源于《北京化工大学》期刊2017-05-27）
章文[4]（2016）在《基于多时段间歇过程故障检测的方法研究》一文中研究指出间歇过程由于其灵活的生产方式、多样的加工种类、较短的生产周期等优势,逐渐取代了传统的连续过程生产模式,成为生物制药、化工能源、电子制造等各个重要行业的主要生产方式,且在国内工业整体组成结构中所占的比重也持续加大。然而,在间歇生产过程中存在着繁多的误差干扰因素,这不仅造成了产品质量无法有效保证,同时也增加了生产过程中的安全风险。基于这样的发展背景下,针对间歇过程故障检测技术的研究引起了相关领域的专业机构或学者的广泛关注和重视,至今已收获了丰富的研究成果。本文以多时段间歇过程为研究背景,针对现有故障检测方法存在的时段划分不准确、处理非高斯非线性特点明显的数据效果不佳的现状,分别开展了算法设计工作,并取得了良好的检测效果。主要研究内容如下:(1)分析总结间歇过程的具体特征和测量数据的特点,详细解释了主元分析法(PCA)在故障检测中的应用原理,并进一步研究了适用于间歇过程数据处理的多向主元分析(MPCA)故障检测方法。(2)对于间歇过程的多操作时段,传统的K-means算法在进行间歇过程时段划分时,需要事先给定划分时段的个数,随机初始化聚类中心点,造成聚类结果的不确定导致时段划分不准确。因此本文提出改进的K-means算法,通过最大最小距离法确定聚类初始中心,自适应的确定最佳时段数,实验结果表明本方法能准确划分过程时段。(3)基于MPCA的故障检测方法不适用于非高斯、非线性特点明显的间歇过程数据,本文研究提出了结合K近邻方法(KNN)与独立主元(ICA)分析的间歇过程故障检测方法,有效改进了ICA算法中统计量控制限不易确定的问题。(4)分别将改进后的多时段MPCA方法和ICA-KNN故障检测方法用于青霉素发酵过程和半导体批次生成过程的仿真实验,与其他方法的对比分析结果表明了以上两种方法提高了故障检测的准确率。(本文来源于《电子科技大学》期刊2016-05-03）
张星[5]（2015）在《不等长多时段间歇过程监测方法研究》一文中研究指出20世纪90年代以来,随着现代社会对个性化、多样化、高品质产品的迫切市场需求,小批量、定制化的间歇过程已经成为现代工业的重要生产方式,所以间歇生产过程运行的安全性、可靠性已成为工程人员关注的焦点。相比于连续过程,间歇过程的多阶段、重复运行、产品变化频繁等复杂的特性,导致间歇过程的故障监测是一个复杂的问题。高斯模型由于其成熟的理论基础,作为划分和建模的方法,被成功应用到各个领域中。本文中,综合考虑间歇生产过程中普遍存在的不等长和多时段特性,提出基于高斯模型的过程监测方法,具体内容包括:(1)提出一种基于单高斯模型(GSM)的步进有序时段划分方法,该方法直接考虑间歇过程运行的时序性,自动地按照生产过程的时间顺序来捕捉监测变量特性,通过评估一定的时间段内监测变量是否可用同一单高斯模型来描述实现间歇生产过程的时段初步划分,初步划分完成后,根据初步划分结果并结合实际生产过程具体特性,进一步确定稳定时段和过渡时段。(2)稳定时段和过渡时段划分完成后,分析各个稳定时段和过渡时段的数据特性,根据各自的数据特性分别建立不同的监测模型,并根据相应的监测模型选择合适的统计量作为监测指标。(3)在线时段识别和在线监测时,由于过程的不等长特性,只根据过程时刻无法进行在线时段识别,本文中结合间歇生产过程下一时刻可能出现的几种情况,有效地解决了在线数据对应时段的识别问题,识别完成后,选择相应的在线监测模型进行在线监测。(4)利用青霉素发酵过程进行仿真验证,仿真结果验证了本文提出方法的有效性。(本文来源于《东北大学》期刊2015-06-01）
仇迁[6]（2013）在《多时段、不等长间歇过程过程监测与故障诊断》一文中研究指出间歇过程是一种生产高附加值、小批量的生产方式,被广泛应用于化工、注塑、医药、染料、冶金等与人们生活息息相关的领域。然而,间歇过程常伴有锅炉断裂、爆炸、毒气泄漏等危险,为了保证职工们的人身安全和产品质量,需要保证间歇过程安全可靠以及稳定的运行。因此,间歇过程的过程监测与故障诊断方法成为控制领域研究的重要课题之一。目前,基于多元统计的过程监测方法在间歇过程过程监测中使用最为普遍。理论上讲,间歇过程是按照预先设计好的工序重复进行,然而实际上由于原材料的质量差异、气候的影响等各种各样的原因,工业过程是不可能达到完全的重复,因此每个生产批次所采集的过程数据的长度也不可能完全相同,这就是间歇过程数据不等长问题,这个问题的存在使得基于统计的过程监测方法不再适用。动态时间弯曲(DTW)方法起源于语音识别领域,通过对待测信号与标准信号匹配距离的计算找出最佳匹配信号,从而将待测信号处理成与标准信号等长的信号。本文中对DTW算法提出了改进,并分析了其应用于不等长间歇过程数据处理时所存在的问题以及改进方法,最终使得测试数据与标准数据有相同的数据长度,达到同步化数据的目的。另外,本文以注塑过程为研究背景,针对其不等长特性,应用DTW算法将其处理成等长的数据。在此基础上,实现软时段划分,并在各个子时段内建立监测模型,实现在线监测与故障诊断,最终以间歇过程实验产生的数据进行仿真,进一步验证了本文所提出算法的可行性与有效性。(本文来源于《东北大学》期刊2013-06-01）
赵露平,赵春晖,高福荣[7]（2012）在《基于时段过渡分析的多时段间歇过程质量预测(英文)》一文中研究指出Batch processes are usually involved with multiple phases in the time domain and many researches on process monitoring as well as quality prediction have been done using phase information. However, few of them consider phase transitions, though they exit widely in batch processes and have non-ignorable impacts on product qualities. In the present work, a phase-based partial least squares (PLS) method utilizing transition information is proposed to give both online and offline quality predictions. First, batch processes are divided into several phases using regression parameters other than prior process knowledge. Then both steady phases and transitions which have great influences on qualities are identified as critical-to-quality phases using statistical methods. Finally, based on the analysis of different characteristics of transitions and steady phases, an integrated algorithm is developed for quality prediction. The application to an injection molding process shows the effectiveness of the proposed algorithm in comparison with the traditional MPLS method and the phase-based PLS method.(本文来源于《Chinese Journal of Chemical Engineering》期刊2012年06期）
常玉清,王姝,谭帅,王福利,杨洁[8]（2010）在《基于多时段MPCA模型的间歇过程监测方法研究》一文中研究指出针对间歇过程的多时段特性,提出一种新的生产操作时段划分方法.该方法利用反映过程特性变化的主成分个数、负载矩阵以及主成分矩阵的变化实现间歇过程子时段的叁步划分.根据各时间片主成分个数不同,对生产操作时段进行粗划分.为了更客观地反映负载矩阵以及主成分矩阵的相似性,提出了基于加权负载向量夹角余弦的负载矩阵相似度度量以及基于加权主成分欧氏距离的主成分矩阵相似度度量方法.以相似度最小原则,对时间片矩阵进行奖惩竞争聚类,进而实现了生产操作子时段的细划分.将基于改进时段划分方法的MPCA建模应用于注塑成型过程在线监测,实验结果验证了该方法的有效性.(本文来源于《自动化学报》期刊2010年09期）
赵春晖[9]（2008）在《多时段间歇过程统计建模、在线监测及质量预报》一文中研究指出作为工业生产中一种重要的生产方式,间歇过程与人们的生活息息相关,已被广泛应用于精细化工、生物制药、食品、聚合物反应、金属加工等领域。近年来,随着现代社会对多品种、多规格和高质量产品更迫切的市场需求,工业生产更加倚重于生产小批量、高附加值产品的间歇过程。间歇生产的安全可靠运行以及产品的高质量追求已成为人们关注的焦点。基于数据的多元统计分析技术因其只需要正常工况下的过程数据来建立模型,同时它们在处理高维、高度耦合数据时具有独特的优势,越来越受到研究人员和现场工程师的青睐。间歇过程的统计建模、在线监测、故障诊断及质量预测已成为广泛的研究课题。与连续工业过程相比,间歇生产的过程特性更加复杂,数据的统计特征亦更为丰富。同一操作周期内又分成多个子时段,每个时段都有其特定的控制目标,有不同的过程主导变量,呈现不同的过程相关特性。因此,面向多时段间歇生产过程的统计分析及在线应用更具挑战性,不仅仅要关注整个过程的运行状况及其与最终产品质量的因果关系,更应该深入分析过程的每一个子时段,揭示其不同的潜在过程特性并发掘它们对质量指标不同的影响效果和作用能力。本论文在深入研究间歇过程多时段特性的基础上,从解决实际问题的角度出发,提出了一系列基于时段的间歇过程统计建模、在线监测和质量预测算法：(1).针对多时段间歇过程中的时段过渡现象,引入模糊时段的概念,提出了一种基于过渡的软时段划分方法,将间歇过程按其潜在特性的不同详细划分成若干子时段及主要时段之间的过渡区域,并针对它们不同的数据特征建立了基于软划分的统计建模及在线监测算法。(2).针对建模数据不充分的问题,仅仅基于少量几个正常批次进行统计分析,从中提取子时段信息,提出了基于时段的统计建模及在线监测算法；同时建立了模型在线更新策略,利用逐渐增多的正常间歇操作批次不断自适应更新和完善监测模型以实现准确的过程监测。(3).受各种因素影响,间歇过程批次间通常呈现缓慢波动特性。对于慢时变间歇过程,本文提出了基于批次间“相对变化”的子时段统计建模和在线监测算法。该算法从表征“相对变化”的批次间差分轨迹中提取、训练慢时变运行模式本身的统计规律及演化特性,将慢时变模式主动容纳到初始监测系统,从而赋予初始模型对于批次间慢时变行为的自动适应能力而无需在线更新,增强了监测模型的鲁棒性。(4).针对“段型质量指标”,鉴于它只决定于某一个或几个特定的子时段,其他时段对其没有显着影响,本文建立了一种基于子时段PLS回归模型的质量分析及预测算法。一方面,从时段整体的角度识别了影响质量的各个关键时段及其关键变量,并建立了基于子时段的PLS在线质量预测模型；另一方面从时段平均运行水平的角度分析了各个关键时段对于质量指标的平均作用效果,建立了更为稳定的质量预测关系。(5).针对“过程型质量指标”,鉴于其受间歇操作周期内所有子时段的共同作用,本文进一步发展了基于时段的质量预测算法,深入理解并分析了各个子时段对质量指标的局部影响力及其共同作用效果。一方面,在各个局部时段内,该算法定量化提取了与质量指标相关的关键过程信息以及各个子时段分别独立表征的局部质量性能,增强了二者之间的因果关系；另一方面,从全过程的角度,它将各子时段的局部作用累加起来从而获得整个间歇过程对于质量指标的综合解释与预测能力。基于时段的统计分析策略可以更细致地反映过程运行状态及其潜在相关特性在时段间的发展变化,改善在线监测性能；同时它能够深入理解过程与质量二者之间的因果关联,揭示各个时段对质量指标的不同影响作用,有利于质量解释与预测。上述算法在间歇过程实验系统及仿真研究中验证了其有效性与可靠性,从而丰富了间歇过程统计建模、在线监测及质量预测的研究成果,并揭示了进一步研究的必要和可能。(本文来源于《东北大学》期刊2008-11-01）
多时段间歇过程论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
支持向量数据描述(SVDD)不要求过程数据满足正态分布,已应用于间歇过程故障检测。现有的SVDD间歇过程故障检测方法采用聚类分析和模型识别划分间歇过程时段,多时段划分的准确性较低,制约了多时段间歇过程故障检测精度的提高。针对上述问题提出了一种基于SVDD的多时段间歇过程故障检测方法,利用SVDD的超球体半径值与支持向量个数的变化划分间歇过程的多时段,并建立了不同时段的SVDD故障检测模型,使用待检测样本点的球心距与对应时段的超球体半径之差检测过程故障,实现了多时段间歇过程的时段划分与过程故障检测。发酵过程仿真实验和实际生产实验结果表明,该方法能够准确地划分间歇过程的多时段,并且能够针对不同时段进行故障检测,具有较高的检测率。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
多时段间歇过程论文参考文献
[1].曹雪,王建林,邱科鹏,刘伟旻,韩锐.基于PARAFAC2的多时段间歇过程时段划分[J].北京化工大学学报(自然科学版).2019
[2].王建林,马琳钰,邱科鹏,刘伟旻,赵利强.基于SVDD的多时段间歇过程故障检测[J].仪器仪表学报.2017
[3].马琳钰.基于支持向量数据描述的多时段间歇过程监测方法研究[D].北京化工大学.2017
[4].章文.基于多时段间歇过程故障检测的方法研究[D].电子科技大学.2016
[5].张星.不等长多时段间歇过程监测方法研究[D].东北大学.2015
[6].仇迁.多时段、不等长间歇过程过程监测与故障诊断[D].东北大学.2013
[7].赵露平,赵春晖,高福荣.基于时段过渡分析的多时段间歇过程质量预测(英文)[J].ChineseJournalofChemicalEngineering.2012
[8].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
[9].赵春晖.多时段间歇过程统计建模、在线监测及质量预报[D].东北大学.2008
标签：间歇过程; 多时段; 叁维数据; 平行因子分解2(PARAFAC2);