智能数据驱动的复杂工业流程的故障诊断与分析

以生物发酵为背景研究复杂工业流程故障诊断问题。由于数据本身具有复杂的统计特性，变量的轨迹随着时间呈现很强的非线性动态变化趋势，因此，线性方法应用于复杂流程存在无法解决的非线性动态带来的问题。本项目研究基于核主元、核独立元分析方法与智能方法相结合的智能数据驱动方法解决非线性动态带来的问题（分为故障检测方法和故障辨识方法）。目前，把核主元与核独立元方法相结合用于故障诊断存在的问题是：（1）时间序列数据非线性映射方法（核技术）智能低，核矩阵有误差、维数大（有冗余），使故障检测变得困难；（2）输入空间和性质空间不能象主元分析方法那样自如地转换，使得故障辨识变得困难。本项目旨在解决上述难题并把智能方法与上述核方法相结合：(1) 基于特征提取的智能核矩阵的形成方法；(2) 基于分散故障重构的故障辨识方法。在应用前景方面，本项目的研究成果将为提高复杂流程安全性提供有效的方法和理论依据。

紧紧围绕生物发酵、电熔镁炉和钢铁连续退火过程等的建模、监测、质量预报和控制的主题开展基础性、原创性和系统性的研究，取得了一系列具有国际影响的研究成果。将KPCA、KICA 和 SVM三大方法通过核理论统一在一个故障检测框架下，建立集高斯和非高斯过程诊断率高、训练和测试时间短、不包含任何非线性优化、高分类率等优点的综合检测平台，解决了PCA和PLS无法解决非高斯、非线性、批次、动态问题的四大缺陷。提出多路核独立元分析理论，解决炉内气流分布的紊乱性和偏心度提取问题，实现了批次过程基于核独立元的统计建模及监测，给出故障可分离的条件。提出正交核潜结构投影理论与方法，寻找预测数据中与输出对应特征根正交的最大变化量，解决了传统方法不能应用于非线性过程的问题并有效地解决了干扰变量影响质量预测效果这一问题．提出了动态批次过程在不同模式下非高斯模型的相似性原理，基于该原理，针对多模式批次生产过程，建立了集多个正常模式提取公共信息和特殊信息并不断更新模型库的在线建模监测方法。提出基于过程拓扑的将过程分成不相交块的多块分散过程分解方法提出了过程拓扑或先验知识的分散式建立模型方法，建立多种局部决策结构。进一步提出子块数等于变量数的故障源辨识方法。提出多层次核主元分析和多层次核偏最小二乘方法用于非线性过程监测，在数据的各个层次上有效地检测和识别故障，给出基于多尺度联立方程精确解，同时解决了传统批次过程在线监测数据缺失的难题23+6篇论文SCI检索收录，第一作者26篇。出版专著两部。