自动编码器与典型相关分析方法联合驱动的工业过程质量监测

本文将自动编码器(AE)特征提取方法和典型相关分析方法(CCA)有机结合,提出了一种联合驱动的质量监测模型及其质量相关的故障检测方法.首先,利用AE算法对输入样本进行无监督自动学习和重构,实现数据的特征提取和降维;其次,利用CCA算法实现特征与质量变量关联最大化,建立质量变量与特征变量的关系模型;根据监测模型的潜结构投影,构建T2统计量和SPE统计量及其相应控制限.将提出的方法用于分析带钢热连轧过程现场实际数据,结果表明,基于自动编码器-典型相关分析方法(AE-CCA)的质量监测方法能够准确的检测出故障,并且检测效果优于传统的核典型相关分析(KCCA)算法.     

基于核熵成分分析的电梯故障识别方法研究

电梯作为复杂且重要的城市运输工具,对其故障类型检测判别一直是市场监管部门的重点关注对象。提出一种基于核熵成分分析(KECA)的电梯故障识别和判断方法,KECA具有较好的非线性处理能力及聚类能力,适用于电梯不同类型故障数据的降维聚类分析。通过KECA将采集的钢丝绳滑移量、安全钳的提拉力、限速器的转速、抱闸拉力、上下行电流、上下行速度等电梯特征数据进行降维和聚类分析,通过计算样本与各聚类中心的距离,从而来判断电梯的故障类型。通过实验数据分析,证明KECA模型对电梯故障的诊断具有很好的正确率,可以作为电梯运行过程风险识别的重要参考。     

基于自适应混合核典型变量分析的工业过程质量相关故障检测

质量相关故障检测技术是保障工业过程安全顺行和质量稳定的重要手段,是当前流程工业过程控制领域的研究热点.针对工业过程的非线性与动态特性及其质量相关故障的时变特性,提出一种基于自适应混合核典型变量分析(AMKCVA)的质量相关故障检测方法.该方法通过设计合理的混合核函数和自适应监测统计量,提升了工业过程质量相关故障的检测性...     

基于核熵成分分析的数据降维?

针对高维数据的维灾问题,采用核熵成分分析方法降维数据,并与主成分分析及核主成分分析方法进行对比。降维后的数据利用支持向量机算法进行分类,以验证算法有效性。实验结果表明,KECA在较低的维数时仍然能获得较好的分类精度,可以减少后续的处理复杂度和运行时间,适用于机器学习、模式识别等领域。     

核熵成分分析算法及其在化工过程监控中的应用研究

针对化工过程监测数据复杂、非线性等特点,本文将一种新的降维算法一核熵成分分析算法应用到化工过程监控。与其他的多元统计分析方法相比,核熵成分分析算法可以保证数据降维过程中的信息损失最小从而建立更加可靠的统计模型,进而提高故障检测的检出率。与核主成分分析相似,核熵成分分析也是将数据映射到一个高维空间,在高维空间中进行主元分析,不同之处是KECA在选取主元时采用了信息保有量较大的主元,使得数据在降维后的信息损失量更少。本文使用某石化企业的润滑油重质过程的数据测试算法监控效果,核熵成分分析算法的故障检出率为98.2%,比核主成分分析算法(69.706%)要高。实验结果显示,核熵成分分析算法的化工过程监控效果优于核主成分分析算法。     

核主成分分析与典型相关分析相融合的人脸识别

人脸识别具有小样本、高维等特性。典型相关分析算法(CCA)无法准确提取人脸识别特征,不能准确刻画人脸图像的局部变化,导致人脸识别率低。为提高人脸识别率,提出一种核主成分分析与典型相关分析相融合的人脸识别算法(KPCA-CCA)。首先将人脸图像划分多个子模块,然后提取局部特征,同时采用KPCA提取全局特征,并采用CCA将两种特征进行融合,降低特征向量的维数,最后采用子模式进行人脸识别,以投票方式确定人脸的类别。采用AR与Yale数据集对KPCA-CC性能进行测试,仿真结果表明,相对于对比模型,KPCA-CCA提高了人脸识别的识别率。     

基于独立成分分析与核典型相关分析的WLAN室内定位方法*

接收信号强度(Received Signal Strength, RSS)在WLAN室内定位环境中存在时变特性,降低了WLAN定位环境中RSS信号和位置信息之间的相关性,致使定位精度降低。针对这一问题,该文提出通过利用独立成分分析(Independent Component Analysis, ICA)对RSS信号进行数据降维和去相关处理,提取独立分量;然后采用核典型相关分析(Kernel Canonical Correlation Analysis, KCCA)来提取独立分量与位置信息之间的典型相关特征;最后结合传统定位算法如加权K近邻法(Weighted K Nearest Neighbors, WKNN)、支持向量机(Support Vector Machine, SVM)算法实现定位。实验结果表明,传统定位算法WKNN算法、SVM算法通过运用ICA与KCCA特征提取后再进行定位其定位精度得到提高。     

核典型相关性鉴别分析

提出一种新的基于典型相关性的核鉴别分析,以图片集为基础的人脸识别算法。把每个图片集映射到一个高维特征空间,然后通过核线性鉴别分析(KLDA)处理,得到相应的核子空间。通过计算两典型向量的典型差来估计两个子空间的相似度。根据核Fisher准则,基于类间典型差与类内典型差的比率建立核子空间的相关性来得到核典型相关性鉴别分析(KDCC)算法。在ORL、NUST603、FERNT和XM2VTS人脸库上的实验结果表明,该算法能够更有效提取样本特征,在识别率上要优于典型相关性鉴别分析(DCC)和核鉴别转换(KDT)算法。     

基于多尺度核主元分析的非线性过程监控方法研究

针对化工过程数据的多尺度性和非线性特性,提出了一种多尺度核主元分析方法(MSKPCA)监控过程的运行状态。使用小波变换在不同尺度下分解测量信号．然后借助于核函数对分解后的数据进行非线性变换,在变换后的线性空间中用主元分析(PCA)提取过程数据的主要特征,构造监控统计量T2和Q来检测故障。在此基础上,提出了一种贡献图方法．计算过程变量对故障的贡献量,用于故障变量的分离。在TE过程上的监控结果表明,MSKPCA可以比PCA和动态PCA更迅速地检测到过程故障,贡献图方法能够正确地分离故障变量。     

基于核独立成分分析的声信号去噪方法

野外环境无线传感侦查网络中的声识别技术面临着复杂的自然环境噪声的挑战,尤其是由强风噪声造成的影响.独立成分分析(ICA)方法是一种能够较好地解决这种复杂环境去噪的方法.引入一种基于核方法的非线性ICA方法一核独立成分分析(KICA).基于该算法,针对强风噪声的特性,设计一种应用于单声传感器降噪的方案.通过降噪仿真实验,...     

Nonlinear process monitoring based on kernel dissimilarity analysis

To overcome the disadvantage of linear dissimilarity analysis (DISSIM) when monitoring nonlinear processes, a kernel dissimilarity analysis algorithm, termed KDISSIM here, is presented, which is the nonlinear version of DISSIM algorithm. A kernel dissimilarity index is introduced to quantitatively evaluate the differences between nonlinear data distribution structures, which can reflect the changes of nonlinear process correlations and operating conditions. In KDISSIM algorithm, the input space is first nonlinearly mapped into a high-dimensional feature space, where the initial nonlinear correlations are changed into linear ones. Then the process operating condition can be effectively tracked by investigating the linear data distributions in the feature space. The idea and effectiveness of the proposed algorithm are illustrated with respect to the simulated data collected from one typical nonlinear numerical process and the well-known Tennessee Eastman benchmark chemical process. Both the results show that the proposed method works well to capture the underlying nonlinear process correlations thus providing a feasible and promising solution for nonlinear process monitoring.     

Concurrent quality and process monitoring with canonical correlation analysis

Canonical correlation analysis (CCA) is a well-known data analysis technique that extracts multidimensional correlation structure between two sets of variables. CCA focuses on maximizing the correlation between quality and process data, which leads to the efficient use of latent dimensions. However, CCA does not focus on exploiting the variance or the magnitude of variations in the data, making it rarely used for quality and process monitoring. In addition, it suffers from collinearity problems that often exist in the process data. To overcome this shortcoming of CCA, a modified CCA method with regularization is developed to extract correlation between process variables and quality variables. Next, to handle the issue that CCA focuses only on correlation but ignores variance information, a new concurrent CCA (CCCA) modeling method with regularization is proposed to exploit the variance and covariance in the process-specific and quality-specific spaces. The CCCA method retains the CCA's efficiency in predicting the quality while exploiting the variance structure for quality and process monitoring using subsequent principal component decompositions. The corresponding monitoring statistics and control limits are then developed in the decomposed subspaces. Numerical simulation examples and the Tennessee Eastman process are used to demonstrate the effectiveness of the CCCA-based monitoring method.     

基于核主成分分析的步态识别方法

为了从多帧步态序列中更有效地提取步态特征并实时性地进行身份识别,提出一种有效的基于平均步态能量图(MGEI)的核主成分分析(KPCA)的身份识别方法。通过预处理技术提取出运动人体的侧面轮廓,根据步态下肢的摆动距离统计出步态周期,得到MGEI。KPCA采用非线性方法提取主成分,描述待识别图像中多个像素之间的相关性。利用KPCA的方法在高维空间对MGEI提取特征,选择合适的核函数,用方差倒数加权欧氏距离进行身份识别。实验结果表明,该算法具有较好的识别性能,并且耗时大大缩短。     

基于递推规范变量残差和核主元分析的微小故障检测

微小故障由于故障征兆不明显从而很难在故障发生早期对其进行检测. 针对该问题, 本文提出了一种基于递推规范变量残差和核主元分析(RCVD–KPCA)的微小故障检测方法. 首先构造规范变量残差, 从中提取数据的线性特征. 利用指数加权滑动平均法对规范变量残差进行递推滤波处理, 提高规范变量残差对微小故障的敏感程度;然后使用KPCA提取规范变量残差中的非线性主成分作为非线性特征, 根据提取的特征提出了两个新的故障检测统计量; 此外, 利用核密度估计确定故障检测统计量的控制限. 由于同时提取了过程数据的线性和非线性特征, 有效地提高了非线性动态过程中微小故障的可检测性. 以闭环连续搅拌釜式反应器过程为例进行了仿真分析, 仿真结果表明本文所提方法具有较好的故障检测性能.     

基于独立成分分析及其扩展模型的工业过程监测方法综述

独立成分分析(independent component analysis,ICA)是一种多变量统计分析方法,常用于非高斯过程监测,它能够有效利用信号的高阶统计信息(三阶以上)提取相互独立的独立成分,在工业过程监测中得到了广泛的应用,是当前国际过程监测领域的研究热点.鉴于此,介绍经典ICA模型、改进ICA模型及其在工业...