非线性PLS小波神经网络在动态过程监测中的应用

"该文主要探讨了一种基于非线性偏最小二乘(PLS)小波基神经网络的动态过程监测方法，旨在提高化工动态过程的故障检测能力。作者赵众、蒋慰孙和顾幸生来自华东理工大学自动化研究所。文章介绍了如何利用小波变换对动态过程数据进行预处理，去除噪声，并通过非线性PLS方法构建神经网络模型，实现动态过程的高效监测。" 在化工动态过程中，由于各种因素如操作错误、设备老化、仪表故障或外部干扰，可能导致过程参数偏离最优操作状态，此时就需要进行故障监测。动态过程监测旨在通过对数据的实时分析，尽早发现异常，确保过程稳定运行。 文中提出的监测方法首先应用正交小波变换来处理传感器数据，以此滤除大量存在的噪声。正交小波变换利用尺度函数和小波函数构建一组正交基，通过Mallat算法可以得到数据的尺度系数和小波系数。对于动态过程中的数据，通常包含Gaussian白噪声，其小波系数会随着尺度增加而迅速减小。此外，传感器数据可能包含突变噪声，这些异常点并非化学反应的自然结果，而是需要消除的噪声。通过设定阈值，可以去除小波系数较小的数据点，而对于系数较大的点，则采取收缩策略，以均值替换，以减少噪声影响。 接下来，经过预处理的小波系数通过Mallat算法反变换，得到滤波后的传感器数据。然后，这些数据被输入到非线性PLS小波基神经网络中。PLS是一种有效的多元统计分析方法，尤其适用于处理非线性关系。它通过找到输入变量与响应变量之间的最佳线性组合，建立预测模型。结合小波基，这种网络能更好地捕捉数据的局部特征，提高监测的精度。 该方法的主要优点在于，小波变换能够捕捉信号的时间频率特性，非线性PLS则可以适应复杂的过程关系，两者结合能够更有效地识别和分类动态过程中的异常情况。通过这种方式，可以及时发现过程中的潜在故障，从而采取措施防止过程恶化，保障生产安全和效率。 "基于非线性PLS小波基神经网络的动态过程监测"是一种创新的故障诊断技术，它利用小波变换的滤波效果和PLS神经网络的非线性建模能力，提高了化工过程监测的准确性和可靠性。这种方法对于预防性维护和过程控制具有重要的实践意义，尤其是在需要高度稳定和安全的化工领域。