没有合适的资源?快使用搜索试试~ 我知道了~
首页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
资源详情
资源推荐
收稿日期:2014-03-12; 修回日期:2014-05–30
基金项目:国家自然科学基金资助项目(61174123);广东省自然科学基金资助项目(9151063101000043).
作者简介:肖应旺(1970—),男,湖南人,博士,副教授; 刘冬杰(1966—),女,辽宁人,硕士,副教授.
杨军(1976—), 男,湖北人,博士,讲师. 张承忠(1968—),女,湖南人,博士,讲师. 姚美银(1970—),女,湖南人,学士,助教.
联系人:肖应旺,E-mail: ymy19701030@163.com
第 31 卷 第 9 期
2014 年 9 月 28 日
计算机与应用化学
Computers and Applied Chemistry
Vol.31, No.9
September 28, 2014
基于 FDA-KDE 间歇过程在线监控
肖应旺
1
,刘冬杰
2
,杨军
1
,张承忠
1
,姚美银
1
(1. 华南师范大学南海校区信息工程与技术系,广东,佛山,528225
2. 华南师范大学教育信息技术中心,广东,广州,510631)
摘要:针对基于传统的多向主元分析(Multiway Principal Component Analysis, MPCA)方法用于间歇过程在线监控时需要对新批次
未反应完的数据进行预估,从而易导致误诊断,且统计量控制限的确定是以主元得分呈正态分布为假设前提的缺陷,结合 Fisher
判别分析(Fisher Discriminant Analysis, FDA)在数据分类及非参数统计方法核密度估计(Kernel Density Estimation, KDE)在计算概
率密度函数方面的优势,提出了一种 FDA-KDE 的间歇过程监控方法。该方法首先利用 FDA 求取正常工况数据和故障数据的
Fisher 特征向量和判别向量,获得 Fisher 特征向量的相似度;然后在提出偏平均集成平方误差(Biased Mean Integrated Squared
Error, BMISE)交叉验证法确定 KDE 的带宽从而获得相似度统计量控制限的基础上,利用已获得的数据测量值对过程进行监控,
避免了基于 MPCA 方法对未来测量值的预估;最后采用基于 Fisher 判别向量权重的贡献图方法来进行故障诊断。通过对青霉素
发酵间歇过程应用表明,所提出的方法比传统的 MPCA 方法能更及时地监测出过程异常情况,更准确地判断异常发生的原因。
关键词:FDA-KDE;间歇过程;过程监测;故障诊断
中图分类号:TP301.6 文献标识码:A 文章编号:1001-4160(2014)09-1075-1079
DOI: 10.11719/com.app.chem20140912
1 引言
建立间歇过程精确的数学模型实施监控很困难。由
于基于数据驱动的多元统计监控方法,不需要过程数学
模型,因此用途十分广泛
[1]
,近年来成为过程控制领域的
研究热点
[2]
。
目前应用最广泛的间歇过程多元统计监控法为基于
多向主元分析(Multiway Principal Component Analysis,
MPCA)方法。然而一方面,基于 MPCA 方法在线监控时
需要对未来测量值进行预估。尽管 Cho 和 Kim
[3]
提出一
种新的预测方法,利用历史间歇过程数据来提高未来测
量值的预估精度;Lu
[4]
将间歇过程分成若干个子操作时
段,建立每个子操作时段的 MPCA 模型,这样可减少需
要预测的未来数据的个数。然而,无论是传统的还是改
进的间歇监控算法,在线监控时都需要对未来测量值做
估计,而不可避免的预估误差会使得监控结果很不可靠。
另一方面,基于 MPCA 的方法定义正常运行范围或
控制限的时候,假设过程数据或主元得分的概率密度函
数服从正态分布,当过程数据不能满足这个条件时,利
用基于 MPCA 的方法便不能正确地对过程进行监控,否
则会严重影响算法的精度
[5]
。
Fisher 判别分析(Fisher Discriminant Analysis, FDA)
方法不仅可对数据进行线性降维而且可以把各类数据之
间最大程度的分离,是一种最优的分类方法。核密度估
计(Kernel Density Estimation, KDE)在对数据进行概率密
度估计时不需要数据满足特定的分布条件,可有效地解
决数据不呈正态分布时统计量控制限的确定问题。在
KDE 中,一般核函数选择高斯核函数,在给定样本及选
取了核函数后,KDE 的精度取决于带宽的选取。目前较
多地应用于带宽的选取方法为平均集成平方误差(Mean
Integrated Squared Error, MISE)交叉验证法
[6]
。但它由于
计算量很大,实施起来较难,只适用于简单的要求和很
简单的情况。
因此,为克服基于 MPCA 方法以上 2 个缺陷并结合
FDA 在数据分类及 KDE 在计算概率密度函数方面的优
势,本文提出一种 FDA-KDE 的间歇过程监控方法。
2 Fisher 判别分析
假设把所有类的训练数据放入矩阵
nm
XR
×
∈ 中,其
中
n
为观测值的个数,
m
为测量变量的个数。那么 X 的
第
i 行的转置就是列向量
i
x
。为了理解 Fisher 判别分析,
这里定义以下几个矩阵:总体离散度矩阵,类内离散度
矩阵以及类间离散度矩阵。总体离散度矩阵为:
1
()()
n
T
tii
i
Sxxxx
=
=−−
∑
(1)
其中
x
为总体样本的平均值向量:
1
1
n
i
i
x
x
n
=
=
∑
。
定义
j
X 是属于第
j
类的向量
i
x
的集合,则第
j
类的
类内离散度矩阵
j
S 为:
()()
ij
T
jijij
xx
Sxxxx
∈
=−−
∑
(2)
其中
j
x
为第
j
类的总体样本平均值向量:
1
ij
ji
xx
j
x
x
n
∈
=
∑
。其中
j
n 是第
j
类中观测值的个数。假设
p
下载后可阅读完整内容,剩余5页未读,立即下载
weixin_38743737
- 粉丝: 376
- 资源: 2万+
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
最新资源
- 批量文件重命名神器:HaoZipRename使用技巧
- 简洁注册登录界面设计与代码实现
- 掌握Python字符串处理与正则表达式技巧
- YOLOv5模块改进 - C3与RFAConv融合增强空间特征
- 基于EasyX的C语言打字小游戏开发教程
- 前端项目作业资源包:完整可复现的开发经验分享
- 三菱PLC与组态王实现加热炉温度智能控制
- 使用Go语言通过Consul实现Prometheus监控服务自动注册
- 深入解析Python进程与线程的并发机制
- 小波神经网络均衡算法:MATLAB仿真及信道模型对比
- PHP 8.3 中文版官方手册(CHM格式)
- SSM框架+Layuimini的酒店管理系统开发教程
- 基于SpringBoot和Vue的招聘平台完整设计与实现教程
- 移动商品推荐系统:APP设计与实现
- JAVA代码生成器:一站式后台系统快速搭建解决方案
- JSP驾校预约管理系统设计与SSM框架结合案例解析
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功