FDA-KDE间歇过程在线监控方法

"基于FDA-KDE间歇过程在线监控" 这篇研究论文主要探讨了一种新的间歇过程在线监控方法，即基于Fisher判别分析（FDA）和核密度估计（KDE）的组合策略，用于改进传统多向主元分析（MPCA）在处理间歇过程监控时的不足。在间歇过程中，传统的MPCA方法需要预先估计未完全反应的数据，这可能导致错误的诊断结果。此外，MPCA依赖于主元得分遵循正态分布的假设，而这个假设在实际应用中并不总是成立。 Fisher判别分析（FDA）是一种数据分类方法，它能够找出区分不同类别的关键特征，这在故障检测中尤其有用。而核密度估计（KDE）是一种非参数统计技术，可以用来估计数据的概率密度函数，对于非正态分布的数据尤为适用。论文中，研究人员将这两种方法结合，首先通过FDA获取正常工况和故障状态的数据特征，然后利用KDE计算Fisher特征向量的相似度，并通过偏平均集成平方误差（BMISE）交叉验证法确定合适的KDE带宽，从而设置统计量控制限。 这种方法的优势在于，它避免了MPCA对新批次未反应完数据的预估，降低了误诊的可能性。通过已有的数据测量值实时监控过程，提高了监控的准确性。在故障诊断阶段，研究者采用了基于Fisher判别向量权重的贡献图方法，能更精确地识别出异常发生的原因。 论文通过青霉素发酵间歇过程的应用案例证明，FDA-KDE方法相比于MPCA，能在更早期发现过程中的异常情况，且能更准确地定位故障来源。这种方法对于过程控制和工业生产中的故障预防具有重要的理论和实践价值。 关键词：Fisher判别分析（FDA）、核密度估计（KDE）、间歇过程、在线监控、多向主元分析（MPCA）、故障诊断