© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
第 21 卷 第 10 期
Vol. 21 No. 10
控 制 与 决 策
Control and D ecision
2006 年 10 月
O ct. 2006
收稿日期: 2005208222; 修回日期: 2006203207.
基金项目: 国家自然科学基金项目
(
60374003
)
.
作者简介: 杨英华
(
1970—
)
, 男, 辽宁辽阳人, 副教授, 博士, 从事复杂工业过程建模、过程监测及故障诊断的研究;
吴英华
(
1980—
)
, 男, 长春人, 硕士, 从事复杂工业过程建模、过程监测及故障诊断的研究.
文章编号: 100120920
(
2006
)
1021190203
基于独立源分析的过程监测方法
杨英华, 吴英华, 陈晓波, 秦树凯
(
东北大学 信息科学与工程学院, 沈阳 110004
)
摘 要: 多元统计过程控制要求观测数据服从正态分布, 而实际的工业过程数据大都不满足正态分布条件. 独立源
分析
(
ICA
)
是近几年才发展起来的一种新的统计方法, 可以克服对数据分布的依赖性. 对此, 以
ICA
算法为核心, 引
入一种新型的过程监测方法, 应用
ICA
提取独立源, 利用
I
2
图, I
2
e
图和
SPE
图进行故障检测. 最后以 3 水箱系统为例
进行了实验研究, 取得了很好的效果.
关键词: 独立源分析
(
ICA
)
; 过程监测; 故障检测
中图分类号:
TP
277 文献标识码:
A
Process M on itoring Based on Independent Component Analysis
M ethod
YA N G Y ing
2
hua
,
W U Y ing
2
hua
,
CH EN X iao
2
bo
,
Q IN S hu
2
kai
(
College of Info rm ation Science and Engineering
,
Northeastern U niversity
,
Shenyang
110004,
China
.
Correspon2
dent
:
YAN G Ying
2
hua
,
E
2
m ail
:
yhyang
@
m ail
.
neu
.
edu
.
cn
)
Abstract
:
M ultivariate statistical p rocess control
(
M SPC
)
is based upon the assump tion that the observed data m ust
be subject to no rm al p robability distribution
,
w hich som etim es can not be satisfied
.
Independent component analysis
(
ICA
)
is a recently developedm ethod
,
w hich can overcom e the need of the data distribution
.
A new m ethod based on
ICA is introduced to p rocess monito ring
.
Thism ethod uses ICA to extract the independent components
,
and adop ts
I
2
, I
2
e
and SPE charts fo r fault detection
.
The sim ulation results of three w ater tank system show the effectiveness
of this m ethod
.
Key words
:
Independent component analysis
(
ICA
)
;
Process monito ring
;
Fault detection
1
引 言
近年来, 基于主元分析方法
(
PCA
)
的过程性能
监控和故障诊断技术受到了学术界和工业界的广泛
重视, 并在化工生产过程中得到了成功的应用. 人们
采用
PCA
从过程观测数据中提取统计无关主元, 通
过构造各种信息统计量对过程运行状况进行统计分
析, 判断过程运行是否偏离了正常的操作区域, 并诊
断引起状态偏移的原因, 其结论成立的前提是要求
观测数据服从正态分布. 然而, 实际的工业过程数据
大都不满足正态分布条件, 传统的
PCA
必然导致过
程性能分析不准和过程故障的误报、漏报
[1]
. 近几年
发展起来的独立源分析
(
ICA
)
方法能很好地解决这
个问题.
ICA
与
PCA
最大的不同在于:
PCA
仅利用了
原始特征中的二阶信息, 也就是包含在协方差矩阵
中的信息; 而
ICA
则利用了高阶统计信息, 正是高
阶统计信息揭示了随机特征的统计分布. 显然, 在随
机特征为经典正态 2 高斯分布的情况下,
PCA
比较
合适, 但当不满足高斯分布的假设时, 可采用
ICA
方法.
ICA
可以看作是
PCA
在非高斯情况下的推
广, 它考虑的是原始特征的概率分布信息. 其次, 我
们发现
ICA
的子空间投影矢量不是相互正交的, 而
PCA
的投影矢量都是相互正交的, 如图 1 所示, 这