非線性PCA方法及其在過程監(jiān)控中的應(yīng)用.pdf

1、應(yīng)用數(shù)學(xué)統(tǒng)計(jì)分析理論對生產(chǎn)過程進(jìn)行產(chǎn)品質(zhì)量監(jiān)視和控制的方法稱為統(tǒng)計(jì)過程控制(Statistic Process Control，SPC)。統(tǒng)計(jì)過程控制是獲得合格產(chǎn)品質(zhì)量的有效工具，同時(shí)也是過程性能監(jiān)視和過程故障診斷的基礎(chǔ)。SPC中應(yīng)用較廣泛的兩種方法有主元分析(Principal component analysis，PCA)和Karmer提出的基于神經(jīng)元網(wǎng)絡(luò)的非線性PCA(Nonlinear PCA，NL,PCA.)。這兩種方法都存在

2、模型固定化、單尺度監(jiān)控等問題。此外Karmer提出的方法中難以確定神經(jīng)元個(gè)數(shù)。針對以上問題，本文做了以下工作： 1、基于主元分析和遞歸主元分析的過程監(jiān)控及故障檢測方法研究。借助Matlab語言完成了主元分析算法，包括模型的建立及過程監(jiān)控。在此基礎(chǔ)上，針對PCA方法模型固定化的問題，引入了主元模型在線更新算法一遞歸主元分析Recursive PCA方法，并且完成該法中協(xié)方差矩陣的遞推計(jì)算，利用秩-1修正法進(jìn)行主元和負(fù)荷向量的遞推計(jì)

3、算，主元個(gè)數(shù)與控制限的遞推計(jì)算等等。最后將兩種方法用于聚酯生產(chǎn)過程監(jiān)控，并比較了兩種方法的監(jiān)控效果。 2、針對Kramer提出的基于自相關(guān)神經(jīng)元網(wǎng)絡(luò)方法的不足，研究了一種改進(jìn)的多尺度非線性主元分析(MSNLPCA)方法。該方法有兩點(diǎn)改進(jìn)之處：第一，在非線性主元分析方法中引入獨(dú)立元分析(Independent component analysis，ICA)模塊，使得所求出的非線性主元互不相關(guān)而且統(tǒng)計(jì)獨(dú)立。不僅解決了Kramer方法

4、中無法確定映射層、瓶頸層、逆映射層的神經(jīng)元個(gè)數(shù)的問題，而且也明確了中間層的物理意義。第二，結(jié)合小波分析多分辨率的特點(diǎn)，對多個(gè)尺度進(jìn)行監(jiān)控，能識別各種幅值的故障，提高了監(jiān)控效率。最后，通過對聚酯生產(chǎn)過程的仿真，表明改進(jìn)后的方法在過程監(jiān)控中的有效性。 3、雖然改進(jìn)后的方法能很好地對生產(chǎn)過程進(jìn)行監(jiān)控，但它仍然是一種離線的建模方法，不能有效獲取過程的時(shí)變特性，在線監(jiān)測過程時(shí)很難達(dá)到滿意的監(jiān)測效果。針對上述算法存在的缺點(diǎn)，研究了基于特征