多工况过程监控：多模型外部分析与Greedy-KP1M方法

"这篇研究论文探讨了一种基于多模型外部分析和Greedy-KP1M的多工况过程监控方法，旨在解决工业过程中因工况变化导致的传统监控方法失效的问题。作者包括来自华东理工大学、上海交通大学和东北大学的专家。论文介绍了如何通过改进外部分析方法和使用核单簇可能性聚类(KP1M)来提升监控效率，并通过实际应用验证了方法的有效性。" 正文: 在工业生产过程中，由于原料负荷、产品成分等因素的变化，生产过程经常经历多种工况，这使得基于单一模型的统计过程监控方法在应对这些动态变化时显得力不从心。为了解决这一问题，本文提出的“基于多模型外部分析和Greedy-KP1M的多工况过程监控”方法，旨在提供一个更为适应复杂工况变化的监控策略。 传统的外部分析方法依赖于单一模型对过程进行描述和监控，但这种方法在多工况下容易出现描述不足的情况。为改进这一问题，论文提出了使用多模型局部建模来替代单一模型。这种方法可以更精确地捕捉到不同工况下的过程特性，生成的监控残差能更好地反映出工况变化的影响。通过对这些残差进行监控，可以有效地去除多工况的干扰，从而实现对过程的有效监控。 接下来，论文引入了核单簇可能性聚类(KP1M)算法，这是一种基于概率的数据聚类方法，可以识别异常样本并进行有效的监控。将KP1M应用于残差监控，可以增强对异常事件的检测能力，尤其是在复杂工况下。 为了进一步降低算法的计算复杂度，研究中采用了Greedy特征样本提取技术。这种贪婪策略通过选取最具代表性的特征样本，能够在保持监控性能的同时，减少计算量，使得整个监控系统更具实时性和实用性。 论文最后通过TE模型和乙烯裂解炉的实际案例，验证了所提出方法的有效性。实验结果显示，这种方法不仅提供了与支持向量数据描述(SVDD)相当的监控效果，而且在计算复杂度上显著降低，更适合工业应用。 总结起来，这篇研究论文为多工况过程监控提供了一种新的解决方案，它结合了多模型外部分析的灵活性和Greedy-KP1M的高效性，有效解决了传统方法在处理多变工况时的局限性。这种方法的提出对于提升工业过程的监控能力和稳定性具有重要的理论与实践意义。