基于局部特征強(qiáng)化的過程監(jiān)測(cè)方法研究.pdf

1、本文主要的研究工作是建立在對(duì)現(xiàn)有多變量統(tǒng)計(jì)過程監(jiān)測(cè)方法進(jìn)行仔細(xì)深入分析的基礎(chǔ)之上的。針對(duì)現(xiàn)有方法存在的缺點(diǎn)和不足，本文基于局部特征強(qiáng)化對(duì)多變量統(tǒng)計(jì)過程監(jiān)測(cè)方法進(jìn)行了以下幾個(gè)方面的研究：
　　1.基于非負(fù)矩陣分解的局部（部分）組成特征強(qiáng)化及故障檢測(cè)
　　非負(fù)矩陣分解（Nonnegative Matrix Factorization，NMF）是一種基于“局部（部分）構(gòu)成整體”思想的特征提取方法，能夠產(chǎn)生基于局部（部分）的數(shù)據(jù)表示

2、。與基于整體的方法相比，NMF能夠很好地反映數(shù)據(jù)或被研究對(duì)象內(nèi)在隱含的組成結(jié)構(gòu)特征，并且還可以避免引入過多無關(guān)的信息，抑制許多外界不利的影響。在基于NMF的故障檢測(cè)研究中，本文首先從兩個(gè)方面改進(jìn)了 NMF不具有良好統(tǒng)計(jì)特性的缺點(diǎn)，然后分別驗(yàn)證了各自的故障檢測(cè)效果。
　　(1)本文對(duì) NMF的第一項(xiàng)改進(jìn)是使得 NMF能夠具有一定的保持?jǐn)?shù)據(jù)方差信息的能力。為了實(shí)現(xiàn)這一目的，本文提出了一種基于方差保持正則項(xiàng)的方差保持非負(fù)矩陣分解（Var

3、iance-preserved Nonnegative Matrix Factorization，VNMF）模型，給出了求解該模型的數(shù)值迭代算法，并通過給出的定理與證明說明了該算法的有效性?；诖四Ｐ?，本文設(shè)計(jì)了相應(yīng)的故障檢測(cè)策略，仿真實(shí)驗(yàn)的結(jié)果證明了 VNMF在多變量過程監(jiān)測(cè)中的性能。
　　(2)本文對(duì) NMF的另外一項(xiàng)改進(jìn)是使得 NMF能夠在一定程度上降低低維數(shù)據(jù)變量之間的相關(guān)性。為了實(shí)現(xiàn)這一目標(biāo)，本文提出了一種低相關(guān)非負(fù)矩陣

4、分解（Low-correlated NMF，LNMF）的模型。該模型利用本文設(shè)計(jì)的一種名為非負(fù)矩陣欠近似（Nonnegative Matrix Underapproximation，NMU）的低秩近似分解算法來求解非負(fù)矩陣分解問題。實(shí)驗(yàn)結(jié)果表明 LNMF不僅可以使低維數(shù)據(jù)的變量之間始終具有比較低的相關(guān)性，而且還可以使分解得到基矩陣具有更高的正交性和稀疏性?；诖四Ｐ?，本文也設(shè)計(jì)了相應(yīng)的故障檢測(cè)策略，仿真結(jié)果證明了低相關(guān) LNMF在多變量

5、監(jiān)測(cè)中的性能，也進(jìn)一步說明了NMF用于過程監(jiān)測(cè)的可行性。
　　2.基于集成核方法的局部非線性特征強(qiáng)化及過程監(jiān)測(cè)
　　現(xiàn)有基于核方法的過程監(jiān)測(cè)方法存在一定的“局部特征”問題，即單一的核函數(shù)模型并不能較為全面地揭示所關(guān)心的非線性特征。針對(duì)這一問題，本文以KPCA作為研究特例，將集成學(xué)習(xí)方法和貝葉斯推理策略與基于KPCA的過程監(jiān)測(cè)方法結(jié)合到了一起。首先利用集成學(xué)習(xí)的思想，選取一系列高斯核函數(shù)訓(xùn)練得到多個(gè) KPCA模型，然后在實(shí)時(shí)監(jiān)

6、測(cè)的時(shí)候?qū)鹘y(tǒng)的監(jiān)測(cè)結(jié)果轉(zhuǎn)化成故障后驗(yàn)概率，最后通過一種能夠強(qiáng)化報(bào)警模型結(jié)果的加權(quán)策略將多個(gè)模型的結(jié)果合成一個(gè)最終的結(jié)果。這樣做帶來的好處是監(jiān)測(cè)性能不僅對(duì)核參數(shù)的選擇更魯棒，而且還能夠在某些情況下顯著地提升基于核方法的非線性過程監(jiān)測(cè)方法的性能，仿真實(shí)驗(yàn)的結(jié)果充分證明了這一點(diǎn)。
　　3.基于空間-統(tǒng)計(jì)局部方法的空間局部特征強(qiáng)化及過程監(jiān)測(cè)
　　現(xiàn)有的基于流形學(xué)習(xí)的過程監(jiān)測(cè)方法并沒有充分利用新數(shù)據(jù)的局部信息而且還不能對(duì)數(shù)據(jù)局部結(jié)構(gòu)

7、特征的變化進(jìn)行檢測(cè)。為了處理這些問題，本文以鄰域保持映射（Neighborhood preserving embedding，NPE）作為研究特例，提出一種新的基于流形學(xué)習(xí)的過程監(jiān)測(cè)方案，把統(tǒng)計(jì)局部方法（Statistical local approach，SLA）結(jié)合到了NPE中。該方案不僅繼承了 NPE發(fā)掘數(shù)據(jù)局部結(jié)構(gòu)的能力，而且能夠通過檢測(cè)新數(shù)據(jù)的局部鄰域信息的變化實(shí)現(xiàn)在線故障檢測(cè)。此外，統(tǒng)計(jì)局部方法的引入使得我們不需要對(duì)數(shù)據(jù)分布