文献

J-GLOBAL ID：201902284283966302   整理番号：19A1280074

多相バッチプロセスにおける欠陥のKECA類似性に基づくモニタリングと診断【JST・京大機械翻訳】

KECA Similarity-Based Monitoring and Diagnosis of Faults in Multi-Phase Batch Processes

著者 (5件)： Qi Yongsheng (Institute of Electric Power, Inner Mongolia University of Technology, Hohhot 010080, China) ,  Meng Xuebin (Institute of Electric Power, Inner Mongolia University of Technology, Hohhot 010080, China) ,  Lu Chenxi (Institute of Electric Power, Inner Mongolia University of Technology, Hohhot 010080, China) ,  Gao Xuejin (College of Electronic and Control Engineering, Beijing University of Technology, Beijing 100124, China) ,  Wang Lin (Institute of Electric Power, Inner Mongolia University of Technology, Hohhot 010080, China)
資料名： Entropy (Web)  (Entropy (Web))
巻： 21  号： 2  ページ： 121  発行年： 2019年 
JST資料番号： U7179A  ISSN： 1099-4300  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 相転移から相転移への多重相は多くのバッチプロセスの重要な特性である。位相間の線形特性は従来のアルゴリズムで考慮されるが,非線形性は無視され,それは監視における不正確さと非効率性をもたらすことができる。本論文の焦点は,非線形多相バッチプロセスである。類似性計量をカーネルエントロピー成分分析(KECA)に基づいて定義した。位相分割と故障監視のためのKECA類似性ベースの方法を提案した。最初に,非線形特性を,各前処理時間スライスデータマトリックスに関するKECAを実行することを通して,特徴空間において抽出することができた。次に,抽出した特徴情報の類似性変化により,位相分割を達成した。次に,一連のKECAモデルおよびスライドKECAモデルを,それぞれ定常および遷移相に対して確立し,そしてそれは,遷移特性の多様性を客観的に反映することができ,そして,多段バッチプロセスにおける段階遷移監視問題を,望ましく扱うことができた。次に,従来の寄与プロットがカーネル写像空間に適用できないという問題を克服するために,非線形寄与プロット診断アルゴリズムを提案した。それは従来のものと比較して,より簡単で,より直感的で,実行可能である。最後に,ペニシリン発酵と工業的応用についてシミュレーションを行った。具体的には,提案した方法は,それぞれ47時間と86時間で異常な撹拌パワーと異常な基板供給を検出する。従来の方法と比較して,それはより良いリアルタイム性能とより高い効率を有した。結果は,実際に正確に,効果的に故障を検出する提案方法の能力を実証した。Copyright 2019 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  故障 ,  モデル ,  スライド ,  *多相 ,  前処理 ,  位相 ,  写像 ,  相転移 ,  撹拌 ,  *類似性 ,  線形性 ,  ペニシリン発酵 ,  *バッチ処理
準シソーラス用語： 実時間 , 【Automatic Indexing@JST】

著者キーワード (5件)： KECA ,  故障監視 ,  故障診断 ,  バッチプロセス ,  多段階

分類 (1件)： 数値計算  (JE02000J)

引用文献 (29件)：

• Zhao, C.H.; Wang, F.L.; Yao, Y.; Gao, F.R. Phase-based statistical modeling, online monitoring and quality prediction for batch processes. Acta Autom. Sin. 2010, 36, 366-374.
• Yan, H.L.; Yang, W.D.; Zhang, H.; Tao, B.; Zheng, Y. Density Peaks Clustering Based Sub-phase Partition and Monitoring for Batch Process. In Proceedings of the 2017 6th Data Driven Control and Learning Systems (DDCLS), Chongqing, China, 26-27 May 2017; pp. 297-301.
• Gao, X.; Hou, J. An improved SVM integrated GS-PCA fault diagnosis approach of Tennessee Eastman process. Neurocomputing 2016, 174, 906-911.
• Liang, Q.Q.; Hua, H.; Cui, X.; Bo, G.U. Fault diagnosis for refrigeration system based on PCA-PNN. CIESC J. 2016, 67, 1023-1031.
• Kosanovich, K.A.; Piovoso, M.J.; Dahl, K.S.; Macgregor, J.F.; Nomikos, P. Multi-way PCA applied to an industrial batch process. In Proceedings of the 1994 American Control Conference-ACC ’94, Baltimore, MD, USA, 29 June-1 July 1994; pp. 1294-1298.

タイトルに関連する用語 (6件)： 多相 ,  バッチプロセス ,  欠陥 ,  類似性 ,  モニタリング ,  診断