面向統(tǒng)計過程控制的成分提取技術研究與應用.pdf

1、統(tǒng)計過程控制(SPC)借助統(tǒng)計成分提取技術監(jiān)測生產(chǎn)過程的穩(wěn)定性，是先進制造系統(tǒng)的重要組成部分，也是先進質量控制的重要工具。成分提取技術是一類研究多變量數(shù)據(jù)內部統(tǒng)計規(guī)律，揭示數(shù)據(jù)內在低維本質信息的統(tǒng)計分析技術，更是統(tǒng)計過程控制的關鍵支撐技術。本文以統(tǒng)計過程控制為應用背景，深入研究了以二階統(tǒng)計量方差和高階統(tǒng)計量為算法性能指標的主成分和獨立成分提取技術，并應用于化工過程和半導體封裝過程的監(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。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)主成分模型應該具有最小殘差熵，但MSE-PCA對非高斯數(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例，描述了MEE-PCA在統(tǒng)計過程監(jiān)控及故障診斷中的應用，驗證了MEE-PCA方法比MSE-PCA的優(yōu)越性。 依據(jù)隨機逼近理論和Hebb學習規(guī)則，論文深入分析了以神經(jīng)網(wǎng)絡實現(xiàn)主成分提取的算法，論述了具有更強非線性數(shù)據(jù)降維能力的非線性主成神經(jīng)網(wǎng)絡算法。結合自關聯(lián)線性主成分提取神經(jīng)網(wǎng)絡(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的自關聯(lián)非線性主成分提取神經(jīng)網(wǎng)絡(MEE

4、-PCNN)，給出基于Parzen窗口密度函數(shù)估計的微分熵近似計算方法?；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性。以四水箱過程為實例，對比分析了經(jīng)典PCA和非線性主成分神經(jīng)網(wǎng)絡的降維能力。用非高斯數(shù)據(jù)仿真驗證了MEE-PCNN方法能有效地進行非高斯數(shù)據(jù)降維和信號盲源提取。 針對獨立非高斯性信號混和數(shù)據(jù)的壓縮降維與盲源提取問題，總結了幾種基于最大非高斯性或信息熵

5、度量指標的獨立成分分析(ICA)算法，論證了最大似然估計ICA算法、最大負熵ICA算法和最小互信息ICA算法之間的等價性。結合非線性主成分提取網(wǎng)絡的降維思想和信息最大化(Infomax)原則，論文提出一種以Renyi熵最大化作為指標的主獨立成分提取網(wǎng)絡(PICNN)算法，用于同時對非高斯混和數(shù)據(jù)降維壓縮和獨立成分提取。以田納西-伊斯曼過程為應用實例，驗證了ICA算法在過程故障檢測和診斷中應用的優(yōu)越性。用非高斯數(shù)據(jù)仿真分析了PICNN算法

6、在信號降維和盲信號重構中應用的有效性。 統(tǒng)計成分提取技術常被用于基于知識或信號的數(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)學解析類故障診斷方法中。論文提出一種高維隨機動態(tài)系統(tǒng)降維和基于觀測器的故障診斷算法。該算法首先用成分提取技術對高維解析模型降維逼近，然后設計狀態(tài)觀察器，通過選擇適當?shù)淖赃m應調節(jié)規(guī)律，保證所選擇的李亞普諾夫函數(shù)能單調遞減，從而實現(xiàn)對系統(tǒng)故障的穩(wěn)定跟蹤和診斷。仿真實驗驗證了該算法的有效性。 最后，