使用全局性-局部性保留投影进行模式转换的非高斯化学过程的性能监控

本文介绍了一种基于改进结构分析和全局性-局部性保留投影（MSAGL）的方法，用于监控具有多操作条件的非高斯化学过程的性能。该方法利用局部性保留投影分析嵌入的几何流形，并通过独立成分分析提取非高斯特征，从而保留了数据的全局和局部结构。这种方法的特点在于能够自适应地调整，以发现揭示隐藏结构方向的最优信息投影。 为了验证所提方法的有效性和实用性，研究人员将其应用于田纳西东部过程（Tennessee Eastman Process）模拟，在多种操作条件下进行了测试。结果表明，该方法相较于传统的基于特征分解的监控方法具有明显的优势。 下面详细阐述文章中所涉及的知识点： 1. 过程监控和故障检测的重要性：过程监控和故障检测对于实现现代化过程系统的运行目标至关重要，它们确保了工厂的安全性、环境的可持续性，同时满足产品品质的要求。文章提到，多变量统计过程监控（MSPM）方法被发展用于解决实际工业过程数据的高度维度化和高度相关特征所带来的问题。 2. 常用的多变量统计过程监控方法：文章指出，主成分分析（PCA）和偏最小二乘（PLS）是处理工业过程数据中常见问题的流行方法。 3. 非高斯过程：非高斯过程指的是概率分布偏离正态分布的过程。在化学工业中，由于多操作条件的影响，过程数据往往会呈现非高斯特性。因此，传统的监控方法可能不适用，需要新的方法来处理这种特性。 4. 全局性-局部性保留投影（MSAGL）：这是本文提出的方法的核心，它结合了独立成分分析（ICA）用于提取非高斯特征，并保留了数据的全局和局部结构。 5. 模式转换：在化学过程中，模式转换通常指过程从一个稳定状态转变为另一个稳定状态，例如，在不同的操作条件下。监控这种模式转换对于确保过程的稳定性和可靠性至关重要。 6. 局部性保留投影（Locality Preserving Projection, LPP）：这是一种用于高维数据降维的技术，旨在保持数据的局部结构特性。LPP通过图拉普拉斯（Graph Laplacian）和特征向量来实现数据的局部性特征保留。 7. 独立成分分析（Independent Component Analysis, ICA）：ICA是分析统计模型的方法，用于将多变量信号分离成加性、非高斯、统计独立的子成分。在监控非高斯过程中，ICA能够有效提取有用的特征。 8. 隐藏结构方向的发现：研究中提到的最优投影方向是指揭示数据潜在结构的特征空间方向。在多维数据中，某些方向可能包含了对过程监控和故障检测更为重要的信息。 9. 模拟与实际应用：在文中，研究者将提出的方法应用于田纳西东部过程模拟，这表明了该方法不仅适用于理论研究，也具有向实际应用转化的潜力。 通过以上知识点的阐述，可以看出本文提供了一种有效监控非高斯化学过程性能的方法，并验证了其在多操作条件下的适用性与优势。这些知识点为过程监控和故障检测的学术研究及工业实践提供了新的视角和工具。