基于秩-1矩阵摄动的递归主元分析算法

针对传统主元分析（PCA）算法仅适用于定常系统监测的不足,提出了一种基于秩-1矩阵摄动的递归主元分析（RPCA）算法以适应实际工业过程的时变特性.RPCA算法首先对初始化样本协方差矩阵进行特征值分解,得到特征向量矩阵与特征值矩阵;然后在各时刻采用秩-1矩阵摄动算法对这两个矩阵递归更新并对其各向量与各元素排序,同时以累计方差百分比（CPV）为标准选取主元数目,从而显著降低了运算复杂度,节省了存储量.青霉素间歇发酵过程在线监测的仿真结果表明,RPCA算法大大降低了系统的误警率,并及时监测出过程中存在的故障.     

基于多阶段动态PCA的发酵过程故障监测

针对间隙发酵过程具有多阶段、批次不等长,且过程动态非线性往往与发酵阶段密切相关等特点,提出一种基于多阶段动态主元分析(principal component analysis,PCA)的故障监测策略.该方法采用高斯混合模型(Gaussian mixture model,GMM)对过程数据进行聚类,能客观反映不同阶段操作模态的数据分布特点,可实现子阶段划分.针对各批次阶段划分后存在的不同步问题,采用动态时间错位(dynamic time warping,DTW)方法对各阶段进行轨迹同步,对同步后的子阶段建立动态PCA模型.最后以工业青霉素发酵过程和重组大肠杆菌制备白介素-2发酵过程为背景,采用多阶段动态PCA策略对其进行故障监测,发现算法能有效降低运行过程的漏报和误报率,验证了算法的有效性。     

SKPCA⁃LSSVM模型在汽油干点预测中的应用

常压塔塔顶汽油干点与产品质量密切相关,因为常减压蒸馏工艺流程和变量相关性均复杂,所以汽油干点预测很难在线进行。软测量方法是解决这类变量估计和控制预测问题的一种技术途径。在核主元分析（KPCA）算法中引入稀疏主元分析（SPCA）思想,采用稀疏核主元分析（SKPCA）算法对模型的输入变量进行选择,实现了数据的非线性降维,简化了主元结构,增加了主元变量的稀疏性。将选择的稀疏主成分作为最小二乘支持向量机（LSSVM）的输入,建立常压塔塔顶干点软测量预测模型。仿真结果表明,SKPCA?LSSVM模型相对于传统PCA?LSSVM、KPCA?LSSVM方法具有较高的预测精度和性能优越性。     

间歇过程子阶段PCA建模和在线监测

针对间歇过程的多阶段特性,提出一种新的子阶段主元分析(principal component analysis,PCA)监测方法.首先,将间歇过程三维数据沿时间片展开,采用模糊模式识别方法计算相邻时间片负载矩阵变量方向重心的格贴近度,以最小贴近度为原则,根据格贴近度的变化,实现子阶段的划分;然后,在划分的子阶段内采用一种先沿批次后沿变量的改进展开方式建立PCA监控模型;最后,将该算法应用于青霉素发酵仿真系统的在线监测.结果表明该方法在监控过程中能够有效降低误报和漏报.     

一种基于RBF神经网络的非线性PCA故障检测方法

针对传统PCA(主元分析)故障诊断方法在非线性过程应用中存在的缺点,提出了一种基于RBF(径向基)神经网络的非线性PCA故障检测方法。首先,提出一个由两个RBF网络构成的非线性统计模型,其中第一个网络用于建立输入变量到主元的非线性映射,第二个网络实现逆映射来重构原始数据。其次,用主元曲线算法来解决网络训练数据的获取问题。最后,给出了使用基于RBF网络的非线性PCA方法进行故障检测的步骤,并通过一个三阶非线性系统的仿真实例验证了该方法的有效性。     

数据驱动PCA、ICA和KICA故障检测仿真比较

针对同一非线性过程数据,分别应用多元统计过程监控技术中的主元分析（Principal Component Analysis,PCA）、独立元分析（Independent Component Analysis,ICA）和核独立元分析（Kernel Independent Component Analysis,KICA）三种方法进行了故障检测建模,并进行了仿真比较研究。通过田纳西-伊斯曼过程（Tennessee Eastman Process,TE）仿真结果表明：在处理实际工业生产中非线性、非高斯的数据方面,KICA方法具有更强的故障监测能力。     

基于DKPCA的聚合釜故障诊断研究

针对聚合釜聚合生产聚氯乙烯过程的故障种类较多、故障类型复杂等特点,同时生产过程存在严重的非线性、动态性,提出一种基于DKPCA的故障诊断算法.过程中分别采用主元分析、核主元分析和动态核主元分析分别对PVC聚合过程进行故障诊断,其中主元分析和核主元分析的错报率较高,而动态核主元分析对PVC聚合过程能够得到较好的诊断结果,从而可以对实际的PVC聚合生产过程进行监测.     

CPV（1）分段法在间歇过程中的应用

研究一种批次过程阶段划分方法．首先,将间歇过程数据按照批次方向展开成二维数据,某采样时刻到末采样时刻的数据构成对应于该时刻的数据段．然后对每一数据段进行主元分析,获得第一主元贡献率．最后,采用第一主元贡献率的变化来表征批次内部阶段的转变,对批次过程划分阶段．将该方法应用于青霉素仿真发酵过程,分段结果明显与实际菌体生长阶段一致．将该方法应用于实际的半导体生产过程数据中,分段结果验证了分段理论的有效性．     

基于多约束DTW的MPCA间歇过程监测方法

针对间歇过程固有的批次不等长问题,也为了克服传统解决批次间同步问题方法存在的数据浪费、扭曲原始过程变量的自相关及交叉相关关系的严重缺陷,提出基于多约束的动态时间规整(dynamic time warping,DTW)方法,按照轨迹中点与点的模式进行动态匹配解决的同步问题.同时,引入了全局路径限制和失真度阈值限制对DTW方法进行改进,解决了传统DTW方法长时间运行造成的故障监测严重滞后的问题,同时克服了其处理过程的复杂性与其离线性导致其实际应用的困难.用多向主元分析(multiway principal component analysis,MPCA)方法将多约束DTW处理过的数据进行建模.将该方法应用到青霉素发酵过程仿真实验中,结果表明:该方法能够快速准确地对不等长批次进行规整,与传统方法相比,故障的误报率、漏报率明显降低.     

不同展开方法在间歇过程故障检测中的应用

间歇过程数据是一个典型的三维数据形式,数据的展开方法在一定程度上影响了所建立的统计模型的精确度。针对这一问题,提出了基于不同展开方式上的核独立元分析（KernelICA）的在线故障检测方法,并应用于青霉素生产过程的数据分析中。仿真结果表明,与传统的在批次方向展开的建模方法相比,所提出的方法大大降低了故障的漏报率,具有更好的故障检测性能。     

基于多尺度主元分析方法的统计过程监视

基于主元分析和小波变换结合的基本理论，对Bakshi提出的MSPCA算法进行改进，提出一种新的多尺度主元分析方法（MSPCA）．MSPCA应用小波变换将每个变量信号依次分解成逼近系数和多个尺度的细节系数，把各个尺度的系数聚集在单独的矩阵中，在各个尺度建立相应的PCA模型，进行多尺度过程监视．针对TE过程的两种干扰，分别应用PCA和MSPCA两种方法做仿真试验．仿真实验结果表明：与PCA相比，MSPCA能有效地检测和识别过程中不同频率故障，减少误报警，提高了过程监视的可靠性．     

基于核主元分析和模式匹配的非线性性能监控和故障诊断

利用核主元分析非线性性能监控的优势,并将相似度分析引入故障诊断领域,提出了基于核主元分析和模式匹配技术相结合的性能监控和故障诊断方法。针对PCA相似度分析存在的问题,对该方法进行了改进。由于KPCA方法具有较好的非线性特性提取能力,因此首先利用KPCA法计算数据的非线性主元,然后计算不同数据集之间的非线性主元相似度;并将主元相似度、非线性主元相似度和基于距离的相似度赋予不同的权值构成综合相似度指标来进行模式匹配。TE过程仿真试验验证了该方法在非线性性能监控与故障诊断中的有效性。     

基于集成主成分分析的故障检测方法

针对核主成分分析(KPCA)和主成分分析(PCA)的一些不足,提出一种基于集成主成分分析的故障检测方法。该方法将PCA与KPCA结合,利用KPCA描述过程的非线性信息并提取核主成分,再利用PCA对原始信息和核主成分一同提取线性主成分,通过构造统计量T2和SPE(或Q)进行故障检测。在TE(Tennessee-Eastman)过程上的仿真研究表明,本文提出的方法较PCA和KPCA有更高的故障检测精度。     

非线性PCA方法在间歇过程性能监视和故障诊断中的应用

针对间歇生产过程的特点,基于多方向主元分析方法（ＭＰＣＡ）和非线性理论,提出具有实时性的非线性最小窗口ＰＣＡ方法,分析复杂非线性间歇过程的性能,诊断异常事件的原因,讨论最小窗口ＰＣＡ方法的建模方法,过程性能监视和故障诊断基本原理,仿真实例验证该方法的有效性,最小窗口ＰＣＡ方法突破ＭＰＣＡＹ一性化的建模方式,创新性地构造了适合间歇生产过程特点的多模型结构非线性建模方法,并侧重于在线间歇过程性能监视和     

基于可变遗忘因子的改进RPCA方法及其在自适应故障监测中的应用

针对现有监测方法对时变过程易产生误警且对微弱故障的检测能力不足等问题,提出一种基于可变遗忘因子的改进递归主元分析(recursive principal component analysis,RPCA)方法用于自适应故障监测。在主元模型的在线更新中引入一种可变遗忘因子,并为不同的模型参数设置不同的遗忘因子;在相关矩阵的递归分解中引入部分奇异值分解的思想,递归计算负荷矩阵和特征值对角矩阵;提出一种控制限递归更新方法,实现控制限的自适应更新。对某型雷达发射机工作过程的监测结果表明,改进的RPCA方法能自适应地跟踪过程的时变,有效地减少了对正常工况调整的误警和对微弱故障的漏报。     

串联机器人机构分析和综合同步方法的应用

为揭示机器人机构综合性能与机构类型和尺寸之间的映射规律,基于机器人机构单一性能指标的相关性和多样性,引入统计学原理,依据线性降维与非线性降维原则,应用主成分分析法(principal component analysis,PCA)和核主成分分析法(kernel principal component analysis,KPCA),对典型串联机器人——不同构型和不同尺度的平面串联机械臂进行综合性能评价,从而选择综合性能最优的机构构型和尺度.计算结果表明:KPCA方法较PCA方法有更好的降维效果,更能有效地处理多个单一性指标间的非线性关系,提供更多的综合性能评价信息,可为建立机器人机构综合性能与其机构类型和尺寸之间的数值计算关系,并进行机构构型和尺度同步综合提供科学的参考依据.     

一种基于KPCA的非线性故障诊断方法

介绍了一种非线性故障检测方法———核主元分析法(KPCA),通过核函数来完成非线性变换,将变量由非线性的输入空间转换到线性的特征空间.在特征空间中使用PCA计算主元,构造T2和SPE统计量检测过程故障的发生.提出了一种KPCA贡献图计算方法,根据测量变量和非线性主元的相关性,计算测量变量的贡献量绘制贡献图,用于故障变量的分离.仿真结果表明,KPCA方法可以比PCA方法更加迅速的检测到故障的发生,利用KPCA贡献图可以较好的辨识出故障变量.     

基于主成分分析法和核主成分分析法的机器人全域性能综合评价

在机器人运动学和动力学性能评价中,表示机器人运动学和动力学性能的指标众多,全域性能指标是其中一项重要的评价指标,而全域性能指标又包括:线速度全域性能指标、角速度全域性能指标等指标.不同指标间往往存在不同程度的相关性,其中有些相关性非常显著,这使它们提供的信息有可能发生重叠.引入统计学原理,依据线性降维与非线性降维原则,应用主成分分析法(principal component analysis,PCA)和核主成分分析法(kernel principal component analysis,KPCA)对不同尺度的PUMA560机器人的全域性能进行综合评价,从而选择综合全域性能最优的机器人.计算结果表明:KPCA方法较PCA方法有更好的降维效果,能够更有效地处理多个单一性指标间的非线性关系,提供更多的综合全域性能评价信息,可为建立机器人综合全域性能与其尺度之间的数值计算关系,为基于综合全域性能指标最佳尺度选取的研究提供科学的参考依据.