面向統(tǒng)計(jì)過程控制的成分提取技術(shù)研究與應(yīng)用.pdf

1、統(tǒng)計(jì)過程控制(SPC)借助統(tǒng)計(jì)成分提取技術(shù)監(jiān)測(cè)生產(chǎn)過程的穩(wěn)定性，是先進(jìn)制造系統(tǒng)的重要組成部分，也是先進(jìn)質(zhì)量控制的重要工具。成分提取技術(shù)是一類研究多變量數(shù)據(jù)內(nèi)部統(tǒng)計(jì)規(guī)律，揭示數(shù)據(jù)內(nèi)在低維本質(zhì)信息的統(tǒng)計(jì)分析技術(shù)，更是統(tǒng)計(jì)過程控制的關(guān)鍵支撐技術(shù)。本文以統(tǒng)計(jì)過程控制為應(yīng)用背景，深入研究了以二階統(tǒng)計(jì)量方差和高階統(tǒng)計(jì)量為算法性能指標(biāo)的主成分和獨(dú)立成分提取技術(shù)，并應(yīng)用于化工過程和半導(dǎo)體封裝過程的監(jiān)控、故障診斷和系統(tǒng)降維等方面。 論文首先分析了

2、在高斯分布下經(jīng)典主成分分析(MSE-PCA)建立的主成分模型具有最小均方誤差和最小殘差熵性質(zhì)。熵是比方差更通用的系統(tǒng)不確定性度量，最大熵原理要求系統(tǒng)主成分模型應(yīng)該具有最小殘差熵，但MSE-PCA對(duì)非高斯數(shù)據(jù)所建立的主成分模型不具有最小殘差熵。依據(jù)最大熵原理，論文提出了一種主成分模型具有最小殘差熵的改進(jìn)型主成分提取方法(MEE-PCA)。MEE-PCA先以MSE-PCA確定基本主成分模型，再利用遺傳算法優(yōu)化所保留的主特征向量，使得主成分模

3、型的殘差熵最小。并以多變量四水箱過程為實(shí)例，描述了MEE-PCA在統(tǒng)計(jì)過程監(jiān)控及故障診斷中的應(yīng)用，驗(yàn)證了MEE-PCA方法比MSE-PCA的優(yōu)越性。 依據(jù)隨機(jī)逼近理論和Hebb學(xué)習(xí)規(guī)則，論文深入分析了以神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)主成分提取的算法，論述了具有更強(qiáng)非線性數(shù)據(jù)降維能力的非線性主成神經(jīng)網(wǎng)絡(luò)算法。結(jié)合自關(guān)聯(lián)線性主成分提取神經(jīng)網(wǎng)絡(luò)(MSE-PCNN)和非線性主成分提取思想，提出一種以最小殘差熵為指標(biāo)的自關(guān)聯(lián)非線性主成分提取神經(jīng)網(wǎng)絡(luò)(MEE

4、-PCNN)，給出基于Parzen窗口密度函數(shù)估計(jì)的微分熵近似計(jì)算方法?；谛畔⒆畲蠡?Infomax)原理，論證了MSE-PCNN方法和MEE-PCNN方法在高斯分布情況下的等價(jià)性。以四水箱過程為實(shí)例，對(duì)比分析了經(jīng)典PCA和非線性主成分神經(jīng)網(wǎng)絡(luò)的降維能力。用非高斯數(shù)據(jù)仿真驗(yàn)證了MEE-PCNN方法能有效地進(jìn)行非高斯數(shù)據(jù)降維和信號(hào)盲源提取。 針對(duì)獨(dú)立非高斯性信號(hào)混和數(shù)據(jù)的壓縮降維與盲源提取問題，總結(jié)了幾種基于最大非高斯性或信息熵

5、度量指標(biāo)的獨(dú)立成分分析(ICA)算法，論證了最大似然估計(jì)ICA算法、最大負(fù)熵ICA算法和最小互信息ICA算法之間的等價(jià)性。結(jié)合非線性主成分提取網(wǎng)絡(luò)的降維思想和信息最大化(Infomax)原則，論文提出一種以Renyi熵最大化作為指標(biāo)的主獨(dú)立成分提取網(wǎng)絡(luò)(PICNN)算法，用于同時(shí)對(duì)非高斯混和數(shù)據(jù)降維壓縮和獨(dú)立成分提取。以田納西-伊斯曼過程為應(yīng)用實(shí)例，驗(yàn)證了ICA算法在過程故障檢測(cè)和診斷中應(yīng)用的優(yōu)越性。用非高斯數(shù)據(jù)仿真分析了PICNN算法

6、在信號(hào)降維和盲信號(hào)重構(gòu)中應(yīng)用的有效性。 統(tǒng)計(jì)成分提取技術(shù)常被用于基于知識(shí)或信號(hào)的數(shù)值分析類故障診斷方法中，卻難以被用于基于模型的數(shù)學(xué)解析類故障診斷方法中。論文提出一種高維隨機(jī)動(dòng)態(tài)系統(tǒng)降維和基于觀測(cè)器的故障診斷算法。該算法首先用成分提取技術(shù)對(duì)高維解析模型降維逼近，然后設(shè)計(jì)狀態(tài)觀察器，通過選擇適當(dāng)?shù)淖赃m應(yīng)調(diào)節(jié)規(guī)律，保證所選擇的李亞普諾夫函數(shù)能單調(diào)遞減，從而實(shí)現(xiàn)對(duì)系統(tǒng)故障的穩(wěn)定跟蹤和診斷。仿真實(shí)驗(yàn)驗(yàn)證了該算法的有效性。 最后，