没有合适的资源?快使用搜索试试~ 我知道了~
基于多块修正ICA算法的分散式非高斯过程监测方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 198 浏览量
2022-11-04
16:39:03
上传
评论
收藏 463KB DOCX 举报
温馨提示
![preview](https://dl-preview.csdnimg.cn/86903400/0001-b7dfda56333979100609758337a39fdc_thumbnail-wide.jpeg)
![preview-icon](https://csdnimg.cn/release/downloadcmsfe/public/img/scale.ab9e0183.png)
试读
10页
基于多块修正ICA算法的分散式非高斯过程监测方法.docx
资源推荐
资源详情
资源评论
![txt](https://img-home.csdnimg.cn/images/20210720083642.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083646.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![](https://csdnimg.cn/release/download_crawler_static/86903400/bg1.jpg)
0 引言
监测工业过程的运行状态是确保生产安全与维持产品质量稳定性的主要技术手段,其首要目的在于
及时准确地检测工业生产中出现的故障.随着计算机辅助系统和先进传感器在工业过程领域的广泛应用,
生产过程对象可以采集、存储和处理海量的数据.近十几年来,基于数据驱动的过程监测方法已成为过程
监测领域的研究热点而受到学术界和工业界的广泛关注
[1-5]
,尤其是多元统计过程监测方法(multivariate
statistical process monitoring,MSPM),如主成分分析(principal component analysis,PCA)、独立成分
分析(independent component analysis,ICA)和偏最小二乘算法(partial least square,PLS)等
[3]
.和 PCA
相比,ICA 不仅能从观测数据中提取二阶统计信息,还能提取到高阶统计信息,因此 ICA 可以更有效地刻
画观测数据的本质
[5-6]
.
和传统工业过程不同,大规模工业过程由不同的操作单元、生产车间和制造工厂组成,其中往往涉
及大量的过程测量变量
[7]
.基于多块建模算法的分散式过程监测方法因为可以有效地降低建模的复杂性,通
常将其应用到大规模工业过程的监测中
[7-9]
.文[10]和文[11]系统地分析了多块 PCA(multi-block PCA,
MBPCA)和多块 PLS 算法的有效性,并且论证了多块建模算法的优势.在建模时,分散式过程监测方法一
般需要考虑两个方面的因素:1)如何对过程变量进行有效地分解;2)变量分解后采用什么建模算法.这两个
因素会直接影响模型的最终监测性能.
如果工业过程的拓扑结构或机理知识可用,那么可以直接将其用以分解过程测量变量
[12]
.而对于某些
复杂的工业过程,若其机理知识不可用,则可通过统计分析的方法将过程变量自动地分解成若干个子块
[13-18]
.目前已提出了很多分块方法,如文[14]采用互信息分解过程变量,文[15]提出一种基于 PCA 主元方
向的多块分解方法.此外,近似相关性统计方法
[16]
和 Hellinger 距离
[17]
也能用于变量分块.尽管对过程变量
的分解已经有了很多有效的方法,但在基于 ICA 的多块建模算法方面的研究,目前还不够深入.
文[11]提到的 MBPCA 算法在建模时不仅强调每个子块的局部特征,而且在对整个过程测量变量求
负载向量时还考虑到了各子块间的相互联系.因此,真正的多块建模算法不是简单地组合多个子块监测模
型.本文将分别在各个子块上建立独立监测模型的方法统称为“伪”分散式监测方法.尽管 MBPCA 算法在十
几年前就已经提出,但相对应的多块 ICA 算法却一直没有被研究,这主要是因为 FastICA 迭代求解算法
在提取多个独立成分时,各个独立成分间是并列的,不存在优先排序.因而在利用 ICA 算法实施多块分散
式过程监测时,就只能简单地为各个子块分别建立独立的 ICA 监测模型,即“伪”分散式 ICA 模型
[16-18]
.
因此,在参考 MBPCA 多块建模思想的基础上,提出一种类似的多块 ICA 建模算法,并将之应用于
非高斯的分散式过程监测.首先,对 FastICA 算法的迭代过程进行修正,使修正后的 FastICA(MICA)算法
在提取多个独立成分时,能够根据它们的负熵大小给出优先排序.其次,在 MICA 算法的基础上提出一种
类似于 MBPCA 求解过程的 MBMICA 算法. MBMICA 算法不是简单为各个子块建立 MICA 模型,而是通
过测量变量整体的解混向量引导各个子块中独立成分的分解.最后将通过在 TE 过程的仿真实验来验证基于
MBMICA 算法实施分散式非高斯过程监测的可靠性与优越性.
1 非高斯与分散式过程监测方法 1.1 基于 ICA 的非高斯过程监测
资源评论
![avatar-default](https://csdnimg.cn/release/downloadcmsfe/public/img/lazyLogo2.1882d7f4.png)
![avatar](https://profile-avatar.csdnimg.cn/3f07197aad004e4fa57ac5a008eb6aaf_weixin_57147647.jpg!1)
罗伯特之技术屋
- 粉丝: 4060
- 资源: 1万+
![benefits](https://csdnimg.cn/release/downloadcmsfe/public/img/vip-rights-1.c8e153b4.png)
下载权益
![privilege](https://csdnimg.cn/release/downloadcmsfe/public/img/vip-rights-2.ec46750a.png)
C知道特权
![article](https://csdnimg.cn/release/downloadcmsfe/public/img/vip-rights-3.fc5e5fb6.png)
VIP文章
![course-privilege](https://csdnimg.cn/release/downloadcmsfe/public/img/vip-rights-4.320a6894.png)
课程特权
![rights](https://csdnimg.cn/release/downloadcmsfe/public/img/vip-rights-icon.fe0226a8.png)
开通VIP
上传资源 快速赚钱
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![voice](https://csdnimg.cn/release/downloadcmsfe/public/img/voice.245cc511.png)
![center-task](https://csdnimg.cn/release/downloadcmsfe/public/img/center-task.c2eda91a.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![dialog-icon](https://csdnimg.cn/release/downloadcmsfe/public/img/green-success.6a4acb44.png)