基于鲁棒稀疏PCA的工业异常检测

主元分析(principal component analysis, PCA)方法由于原理简单计算方便，被普遍应用于工业无监督异常检测，但具有异常值敏感且所得主元非稀疏等问题。针对传统鲁棒稀疏PCA没有从根本上解决异常值敏感问题且没有给定稀疏度的确定方式，提出了一种改进的工业异常检测方法IRSPCA(improved robust sparse PCA)。具体地，在对L₁范数最大化处理以及L₀范数惩罚项引入的基础上，提出了用于平衡稀疏性和方差的稀疏性准则，基于该准则开发了一种两阶段稀疏度选择策略，并利用遗传算法求得了主元稀疏度的最优解。另外，设计了基于预测误差平方和(squared prediction error, SPE)统计量的异常值剔除策略，用于增强方法的整体鲁棒性。通过数值仿真和真实烟支成品检测两个案例开展了实验验证。结果显示IRSPCA综合性能均优于传统PCA和鲁棒稀疏PCA方法，充分验证了方法的有效性和优越性。

Industrial Anomaly Detection based on Robust Sparse PCA