Performance monitoring of non-gaussian chemical processes with modes-switching using globality-locality preserving projection

Abstract

In this paper, we propose a novel performance monitoring and fault detection method, which is based on modified structure analysis and globality and locality preserving (MSAGL) projection, for non-Gaussian processes with multiple operation conditions. By using locality preserving projection to analyze the embedding geometrical manifold and extracting the non-Gaussian features by independent component analysis, MSAGL preserves both the global and local structures of the data simultaneously. Furthermore, the tradeoff parameter of MSAGL is tuned adaptively in order to find the projection direction optimal for revealing the hidden structural information. The validity and effectiveness of this approach are illustrated by applying the proposed technique to the Tennessee Eastman process simulation under multiple operation conditions. The results demonstrate the advantages of the proposed method over conventional eigendecomposition-based monitoring methods.

Key words： non-Gaussian processes; subspace projection; independent component analysis; locality preserving projection; finite mixture model

Acknowledgement

This work was supported by the National Natural Science Foundation of China (Grant Nos. 61333010, 61590923 and 21376077).

References

1 Yin S, Shi  P, Yang H . Adaptive fuzzy control of strict-feedback nonlinear time-delay systems with unmodeled dynamics. IEEE Transactions on Cybernetics, 2016, 46(8): 1926–1938

2 Yin S, Zhu  X P, Qiu  J B, Gao  H J. State estimation in nonlinear system using sequential evolutionary filter. IEEE Transactions on Industrial Electronics, 2016, 63(6): 3786–3794

3 Yin S, Gao  H, Qiu J ,  Kaynak O . Descriptor reduced-order sliding mode observers design for switched systems with sensor and actuator faults. Automatica, 2017, 76: 282–292

4 Tong C D, Shi  X H. Decentralized monitoring of dynamic processes based on dynamic feature selection and informative fault pattern dissimilarity. IEEE Transactions on Industrial Electronics, 2016, 63(6): 3804–3814

5 Stubbs S, Zhang  J, Morris J . Fault detection in dynamic processes using a simplified monitoring-specific CVA state space modelling approach. Computers & Chemical Engineering, 2012, 41: 77–87

6 Nomikos P, MacGregor  J F. Monitoring batch processes using multiway principal component analysis. AIChE Journal, 1994, 40(8): 1361–1375

7 Xiao Z B, Wang  H G, Zhou  J W. Robust dynamic process monitoring based on sparse representation preserving embedding. Journal of Process Control, 2016, 40: 119–133

8 Qin S J. Statistical process monitoring: Basics and beyond. Journal of Chemometrics, 2003, 17(8-9): 480–502

9 Ge Z Q, Song  Z H, Gao  F R. Review of recent research on data-based process monitoring. Industrial & Engineering Chemistry Research, 2013, 52(10): 3543–3562

10 Dong D, McAvoy  T J. Nonlinear principal component analysis — based on principal curves and neural networks. Computers & Chemical Engineering, 1996, 20(1): 65–78

11 Antory D, Irwin  G W, Kruger  U, McCullough G . Improved process monitoring using nonlinear principal component models. International Journal of Intelligent Systems, 2008, 23(5): 520–544

12 Silva R G. Condition monitoring of the cutting process using a self-organizing spiking neural network map. Journal of Intelligent Manufacturing, 2010, 21(6): 823–829

13 Wang B, Yan  X F, Jiang  Q C. Independent component analysis model utilizing de-mixing information for improved non-Gaussian process monitoring. Computers & Industrial Engineering, 2016, 94: 188–200

14 Ge Z, Song  Z. Process monitoring based on independent component analysis-principal component analysis (ICA-PCA) and similarity factors. Industrial & Engineering Chemistry Research, 2007, 46(7): 2054–2063

15 Choi S W, Lee  I B. Nonlinear dynamic process monitoring based on dynamic kernel PCA. Chemical Engineering Science, 2004, 59(24): 5897–5908

16 Zhang Y W, An  J Y, Zhang  H L. Monitoring of time-varying processes using kernel independent component analysis. Chemical Engineering Science, 2013, 88: 23–32

17 Kano M, Tanaka  S, Hasebe S ,  Hashimoto I ,  Ohno H. Monitoring independent components for fault detection. AIChE Journal, 2003, 49(4): 969–976

18 Zhang Y, Zhang  Y. Fault detection of non-Gaussian processes based on modified independent component analysis. Chemical Engineering Science, 2010, 65(16): 4630–4639

19 Ge Z Q, Xie  L, Kruger U ,  Song Z H . Local ICA for multivariate statistical fault diagnosis in systems with unknown signal and error distributions. AIChE Journal, 2012, 58(8): 2357–2372

20 Hsu C C, Chen  M C, Chen  L S. A novel process monitoring approach with dynamic independent component analysis. Control Engineering Practice, 2010, 18(3): 242–253

21 Rashid M M, Yu  J. A new dissimilarity method integrating multidimensional mutual information and independent component analysis for non-Gaussian dynamic process monitoring. Chemometrics and Intelligent Laboratory Systems, 2012, 115: 44–58

22 Costa J, Hero  A O. Geodesic entropic graphs for dimension and entropy estimation in manifold learning. Signal Processing. IEEE Transactions on, 2004, 52(8): 2210–2221

23 Lin T, Zha  H. Riemannian manifold learning. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2008, 30(5): 796–809

24 Tenenbaum J B ,  de Silva V ,  Langford J C . A global geometric framework for nonlinear dimensionality reduction. Science, 2000, 290(5500): 2319–2323

25 Roweis S T, Saul  L K. Nonlinear dimensionality reduction by locally linear embedding. Science, 2000, 290(5500): 2323–2326

26 Zhang Z Y, Zha  H Y. Principal manifolds and nonlinear dimensionality reduction via tangent space alignment. SIAM Journal on Scientific Computing, 2004, 26(1): 313–338

27 He X, Niyogi  P. Locality preserving projections. In: Proceedings of the Neural Information Processing Systems. Neural Information Processing Systems Foundation. Cambridge: MIT Press, 2004, 153

28 Luo L. Process monitoring with global-local preserving projections. Industrial & Engineering Chemistry Research, 2014, 53(18): 7696–7705

29 Yu J, Qin  S J. Multimode process monitoring with Bayesian inference-based finite Gaussian mixture models. AIChE Journal, 2008, 54(7): 1811–1829

30 Fan M, Ge  Z Q, Song  Z H. Adaptive Gaussian mixture model-based relevant sample selection for JITL soft sensor development. Industrial & Engineering Chemistry Research, 2014, 53(51): 19979–19986

31 Yu J. A nonlinear kernel Gaussian mixture model based inferential monitoring approach for fault detection and diagnosis of chemical processes. Chemical Engineering Science, 2012, 68(1): 506–519

32 Wen Q, Ge  Z, Song Z . Data-based linear Gaussian state-space model for dynamic process monitoring. AIChE Journal, 2012, 58(12): 3763–3776

33 Ge Z, Kruger  U, Lamont L ,  Xie L, Song  Z. Fault detection in non-Gaussian vibration systems using dynamic statistical-based approaches. Mechanical Systems and Signal Processing, 2010, 24(8): 2972–2984

34 Hyvarinen A, Oja  E. Independent component analysis: Algorithms and applications. Neural Networks, 2000, 13(4-5): 411–430

35 Zhang M G, Ge  Z Q, Song  Z H, Fu  R W. Global-local structure analysis model and its application for fault detection and identification. Industrial & Engineering Chemistry Research, 2011, 50(11): 6837–6848

36 Figueiredo M A T ,  Jain A K . Unsupervised learning of finite mixture models. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24(3): 381–396

37 Te-Won L, Lewicki  M S, Sejnowski  T J. ICA mixture models for unsupervised classification of non-Gaussian classes and automatic context switching in blind signal separation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000, 22(10): 1078–1089

38 Downs J J, Vogel  E F. A plant-wide industrial process control problem. Computers & Chemical Engineering, 1993, 17(3): 245–255

39 Lee J M, Qin  S J, Lee  I B. Fault detection and diagnosis based on modified independent component analysis. AIChE Journal, 2006, 52(10): 3501–3514