基于Matlab的多尺度主元分析在过程监控中应用

提出一种新的基于Matlab的多尺度主元分析方法(MSPCA)，即综合主元分析去除变量间关联、小波分析提取测量决定性特征和可去除测量自相关性的优势，用于多变量统计过程的监控，用MSPCA进行过程监控，不仅能提高侦察决定性交化的能力，而且能提高自相关测量监控的效率，同时还可以提取反常操作特征信号，算例测试表明，与普通PCA方法相比，MSPCA方法在过程监控中比较有效。     

在线压缩核主元分析的自适应过程监控

对于动态系统,传统的核主元分析(KPCA)方法处理的效果不理想.滑动窗口核主元分析方法能适应动态系统的正常参数漂移,但是该方法处理大量的样本时需要较长的运算时间.因此,提出一种在线压缩核主元分析的自适应过程监控方法.该方法在大量的样本中选定较小的训练集作为初始压缩集进行建模,对在线实时采集的数据进行分析,判断新的样本是否正常.若为正常样本,判断该样本是否加入压缩集中,在加入压缩集的同时自动更新在线KPCA模型.将该方法应用到数值例子和田纳西-伊斯曼(TE)过程,仿真结果验证了该方法的有效性.     

MWMPCA方法及其在间歇过程监控中的应用

针对传统的多向PCA(Principal Component Analysis)模型间歇过程监控的缺点,提出了一种移动窗多向主元分析(MWMPCA:Moving Window Multi-way Principal Component Analysis)模型.与MPCA方法比较,MWMPCA可很好地监控间歇过程操作的稳定性,在实时监控新的间歇过程时,只需利用已收集到的数据信息,同时还可根据实际反应情况调整主元的选取个数,以得到更好的监控性能.     

工业过程核概率主元模型建立及监控指标

概率主元分析(PPCA)能够根据过程变量的预测误差及其主元的白化值实现对过程的监控。但是PPCA只适合线性过程,而对非线性过程的监控效果不理想。为克服上述缺点,提出一种基于核PPCA(KPPCA)的过程监控方法,定性讨论了KPPCA模型的参数和主元个数选择问题,构造了高维空间的SPE和T2监控指标。该方法利用核函数将非线性数据映射到高维空间,去除了过程的非线性,然后利用PPCA对满足线性关系的过程变量映射值进行监控。仿真结果验证了该方法对非线性过程监控的优越性。     

基于主成分分析的数据规约在应急通信监控系统中的应用

对没有引入数据规约的监控系统进行了分析,针对应急通信系统自身的特点,在该系统中提出了基于主成分分析的数据规约方法。通过实例验证了主成分分析法在该系统中进行数据规约的可行性,有效地减少了数据量。     

改进的主元分析法在连铸结晶器过程监测中的应用

将改进的主元分析(PCA)方法应用于连铸结晶器的过程监测.基于板坯连铸结晶器摩擦力实测数据进行仿真分析,结果表明,改进的PCA避免了Q统计量的保守性,从而能够更有效地识别过程故障与工况改变引起的T2统计量的变化.与传统的PCA方法相比,改进PCA具有更强的故障检测能力.     

分批发酵过程统计监控和质量评估

基于多向主元分析，对赖氨酸分批发酵过程进行了在线统计监控的仿真研究，详细介绍了多向主元分析运用于间歇过程的操作程序，并提出了离线质量评估方法．仿真结果表明，该方法可有效判断过程运行状态，并能对产品质量做出正确的评估。     

基于重构法实现故障监控

如何提高生产连续性和提前提供过程故障警告,是当今工业工程和过程控制领域面临的一项重要挑战.建立在主元法(PCA:Principal Components Analysis)基础上的多元统计过程控制,为在线过程监控提供了有利的工具.一些方法例如Hotelling的方法,SPE(Squared Prediction Error),以及综合指数法,被用来识别存在故障的数据;另外通过最优化方法来完成重构,再利用重构法对过程故障进行识别和监控的方法,以及贡献图方法,对找出故障的位置和原因更起到了不可或缺的作用.通过列举拥有完善的人机互动功能及图表表示法的LabVIEW程序对上述理论的实现,更直观地了解并应用了以重构法来实现监控故障.     

智能数据预处理在浮选过程中的应用

针对反浮选过程的被控对象复杂、数学模型不确定以及控制要求高等特点，提出一种基于主元分析和模糊聚类的数据预处理算法。采用模糊C均值聚类算法得到聚类中心，进行线形回归从而对过程变量数据进行了预处理。主元分析法则用采进行辅助变量的选取和输入高维向量的降维简化．针对主元变量采用径向基函数网络建立了系统经济技术指标的预测模型。根据工业实际生产数据进行的模型校验和误差分析表明，能够满足浮选过程控制的精度要求。     

基于核主元分析与支持向量机的监控诊断方法及其应用

为了及时反映密闭鼓风炉冶炼过程状态,实现对密闭鼓风炉炉况的监控与诊断,提出核主元分析和多支持向量机分类的相结合的过程监控与故障诊断方法.其原理是:首先,用核主元分析方法提取过程数据特征,建立核主元分析的监控模型;然后,将代表过程特征的核主元送入多支持向量机分类器中,利用"一对其余"算法对故障进行诊断与分类.实验结果表明,所提出的方法与传统的主元分析方法相比,整个样本集的可分性变大,分类正确率提高,能更准确地诊断炉子的各种故障,可有效地用于密闭鼓风炉冶炼过程的故障诊断.     

基于核函数PCA的非线性过程实时监控方法

为了克服基于主元分析的过程监控方法非线性处理能力弱的缺点和降低基于非线性主元分析的过程监控方法的计算复杂度,提出了将核函数PCA监控方法用于复杂工业过程实时监控系统的开发研究,并讨论了核函数参数选择对系统性能的影响。核函数PCA能有效地提取过程变量的非线性关系,而且计算复杂度低,便于在线实施。仿真结果表明该方法是一种有前途的复杂过程非线性实时监控技术。     

Multivariate Statistical Process Monitoring Using Robust Nonlinear Principal Component Analysis

The principal component analysis （PCA） algorithm is widely applied in a diverse range of fields for performance assessment, fault detection, and diagnosis. However, in the presence of noise and gross errors, the nonlinear PCA （NLPCA） using autoassociative bottle-neck neural networks is so sensitive that the obtained model differs significantly from the underlying system. In this paper, a robust version of NLPCA is introduced by replacing the generally used error criterion mean squared error with a mean log squared error. This is followed by a concise analysis of the corresponding training method. A novel multivariate statistical process monitoring （MSPM） scheme incorporating the proposed robust NLPCA technique is then investigated and its efficiency is assessed through application to an industrial fluidized catalytic cracking plant. The results demonstrate that, compared with NLPCA, the proposed approach can effectively reduce the number of false alarms and is, hence, expected to better monitor real-world processes.     

基于模糊点数据的核主成分分析

在核主成分分析中,给每个训练数据赋予一个置信权重,将训练数据视为样本空间的模糊点,研究了基于模糊点数据的核主成分分析.数值模拟表明,该方法能够有效控制异常点对主成分的影响.同时,该方法也为数据先验信息的利用提供了一个可行的途径.     

Combination Method of Principal Component Analysis and Support Vector Machine for On-line Process Monitoring and Fault Diagnosis

IntroductionOn-line process monitoring and fault diagnosis are keyfactor to ensure product quality and operation safety .Inlastdecade research, the approach of fault detection anddiagnosis could be classified into three categories[1 ,2]:methods based on causal models , methods based onknowledge and methods based on multivariate statistics .Forthe model method ,it is difficult toidentify model parametersand esti mate model states , especially for complex chemicalprocess ; whereas for knowledge …     

基于模糊点数据的主成分分析

主成分分析是数据压缩和特征提取的非常有效的统计方法.在经典的主成分分析中,每个训练数据在构建主成分时的作用是相同的.然而,在许多实际问题中,每个训练数据的意义和作用是不同的,对于重要的数据我们应给予充分的重视,而对于不可信数据(可能是异常数据)应限制其作用.文中给每个训练数据赋予一个置信权重,将训练数据视为样本空间的模糊点,研究了基于模糊点数据的主成分分析.数值实验表明,该方法能够有效控制异常点对主成分的影响,同时,该方法也为数据先验信息的利用提供了一个可行的途径.     

一种非线性主元分析方法在TE过程中的仿真研究

主元分析方法是一种线性的统计方法,对一些线性的问题能给出非常好的监控效果,但大多数工程实际问题都是非线性的,在非线性的问题中用线性的方法有时候会产生适得其反的结果。该文结合了主元分析和神经网络来处理非线性的问题,仿真表明:这种方法能有效地处理一些非线性的问题。     

函数性数据分析中的主成分分析

通过对比多元统计分析方法与函数性数据分析方法,分析函数性主成分分析的原理、方法,并在此基础上通过实例来说明函数性数据分析的应用,其中的数据分析结果使用MATLAB软件编程所得.     

基于函数型主成分分析方法的用水量数据分析

以全国用水量的离散数据为例,根据分析目的把它构造成函数化数据,然后对函数化的数据进行函数型主成分分析,即对全国不同用水量区域进行分析研究,从而得到不同区域的主成分得分,找到用水量不平衡因素所在,为制订政策的决策者提供相应的参考。     

用主成分分析法作综合评价时数据的预处理问题

针对传统的主成分分析在处理数据的多重相关性、无量纲化、线形化等方面存在的缺陷,讨论并改进了主成分分析时对数据多重相关性、无量纲化及线形化等方面的预处理问题。     

Application of Kernel Independent Component Analysis for Multivariate Statistical Process Monitoring

In this research,a new fault detection method based on kernel independent component analysis (kernel ICA) is developed.Kernel ICA is an improvement of independent component analysis (ICA),and is different from kernel principal component analysis (KPCA) proposed for nonlinear process monitoring.The basic idea of our approach is to use the kernel ICA to extract independent components efficiently and to combine the selected essential independent components with process monitoring techniques.I2 (the sum of the ...