資源描述：
《基于pca統(tǒng)計過程監(jiān)控的若干問題研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學術(shù)論文-天天文庫。
1、江南大學博士學位論文基于PCA統(tǒng)計過程監(jiān)控的若干問題研究姓名：趙忠蓋申請學位級別：博士專業(yè)：輕工信息技術(shù)與工程指導(dǎo)教師：劉飛20070601摘要面對激烈的市場競爭，企業(yè)對生產(chǎn)過程的控制和管理提出了更高的要求，完全依靠人力的傳統(tǒng)監(jiān)控方法已不足以解決復(fù)雜的質(zhì)量控制問題。基于主元分析(PCA)的統(tǒng)計監(jiān)控方法不需要復(fù)雜的機理模型，通過統(tǒng)計方法提取出過程數(shù)據(jù)的重要信息，并將其量化成幾個統(tǒng)計監(jiān)控指標值便可實現(xiàn)對過程的監(jiān)控，充分利用了過程的已有信息，可實現(xiàn)性強，且大大簡化了過程監(jiān)控程序，因此得到了工業(yè)界和學術(shù)界的廣泛關(guān)注。在歐美發(fā)達國家，該方法已經(jīng)被逐步引入工業(yè)過程生產(chǎn)中
2、，對降低生產(chǎn)成本，提高產(chǎn)品質(zhì)量有著非常重要的意義。傳統(tǒng)PCA算法是一種線性方法，應(yīng)用的
3、j{『提條件是變量滿足正態(tài)分布，且不存在自相關(guān)的情況。但是大多數(shù)實際工業(yè)過程往往無法滿足這些條件，使用基于PCA的監(jiān)控方法得不到理想的效果。另外，PCA監(jiān)控方法還存在以下局限：監(jiān)控指標量度不一致；監(jiān)控指標控制限的計算局限在其滿足一定的概率分布：基于PCA的監(jiān)控建立在過程數(shù)據(jù)完整的基礎(chǔ)上，但是實際工業(yè)過程卻存在數(shù)據(jù)遺失現(xiàn)象，常用的數(shù)據(jù)重構(gòu)方法是一種基于SPE指標最小化原則的線性方法。本課題針對基于PCA過程監(jiān)控的缺點，主要有以下幾個方面的創(chuàng)新和貢獻：11PCA監(jiān)控的擴展。P
4、CA和概率主元分析(PPCA)都是因子分析(FA)的一種特殊形式，PCA和PPCA應(yīng)用的普遍性不及FA。詳細分析了PCA監(jiān)控的本質(zhì)，提出了更具廣泛意義的基于FA的監(jiān)控方法。2)改進監(jiān)控指標并給出一種非參數(shù)控制限算法。提出基于馬氏距離的改進SPE指標，統(tǒng)一了其與T2的量度，改善了監(jiān)控效果，并將其與T2合并組成一個綜合指標，減少了過程監(jiān)控量。根據(jù)高維空間良好的分類特性，提出一種基于核PCA(KPCA)的監(jiān)控指標控制限計算方法，將監(jiān)控指標值映射到高維空間，在高維空間中對其映射數(shù)據(jù)進行監(jiān)控，避免了控制限的復(fù)雜計算和不確定性，實現(xiàn)了控制限的問接求取。31擴展遺失數(shù)據(jù)重
5、構(gòu)方法。提出基于改進SPE監(jiān)控指標的遺失數(shù)據(jù)重構(gòu)方法，改善了遺失數(shù)據(jù)重構(gòu)的效果。提出一種部分輸入自調(diào)整神經(jīng)網(wǎng)絡(luò)，以待求的重構(gòu)變量作為要調(diào)整的網(wǎng)絡(luò)輸入，與傳統(tǒng)網(wǎng)絡(luò)不同的是，該網(wǎng)絡(luò)的權(quán)值和閾值由另外的神經(jīng)網(wǎng)絡(luò)訓(xùn)練求得，只利用后向傳遞算法對網(wǎng)絡(luò)的部分輸入值進行訓(xùn)練，解決了非線性數(shù)據(jù)重構(gòu)問題。另外，鑒于FA比PCA更具普遍性，提出了一種基于FA的數(shù)據(jù)重構(gòu)方法，并將數(shù)據(jù)重構(gòu)方法應(yīng)用到軟測量中。4)解決非高斯分布過程的監(jiān)控問題。對混合PPCA(MPPCA)算法進行了改進，分兩步建立模型：先求出混合高斯模型，然后利用PPCA建立每個高斯子模江南大學博士學位論文型中的主元模
6、型，考慮了各子模型內(nèi)部主元對過程變量的解釋率。在各子模型中引進了基于PPCA的監(jiān)控方法，保證了監(jiān)控指標的一致性；進一步，將每個子模型的監(jiān)控指標按照概率融合在一起，提出一個綜合指標，通過檢測這個監(jiān)控指標，即可實現(xiàn)對所有子模型的監(jiān)控，減少了監(jiān)控工作量。提出一種基于核ICA(KICA)的監(jiān)控方法，解決了在過程變量同時滿足非高斯分布和非線性情況下的監(jiān)控問題。5)在非線性過程的監(jiān)控方面。提出了一種分級輸入自調(diào)整神經(jīng)網(wǎng)絡(luò)，解決了基于輸入自調(diào)整神經(jīng)網(wǎng)絡(luò)的非線性PCA中非線性主元個數(shù)和主元次序沒法確定的問題。針對KPCA算法計算量大、無法實現(xiàn)在線監(jiān)控的缺點，提出采用神經(jīng)網(wǎng)絡(luò)
7、擬合非線性主元模型和稀疏KPCA稀化建模數(shù)據(jù)兩種可行性方法。將核PPCA算法引入過程監(jiān)控，在高維空間使用基于PPCA的監(jiān)控，建立起映射數(shù)據(jù)的概率模型。最后，在本文研究的基礎(chǔ)上，提出了一些建設(shè)性的思考或亟待解決的問題。關(guān)鍵詞：PCA；過程監(jiān)控；監(jiān)控指標；非高斯分布；非線性過程；遺失數(shù)據(jù)重構(gòu)VlAbstractInfaceofthedrasticmarketcompetition，corporationsimprovethedemandforprocesscontrolandmanagement．Therefore，thetraditionalmethodsen
8、tirelybasedonmanpowerareoutdatedandCannotsatisfythecomplicateddesireofqualitycontr01．Havingnouseforcomplexmechanismmodel，statisticalprocessmonitoringmethodbasedonprincipalcomponentanalysis(PCA)canmonitorprocessthroughextractingimportantinformationfromlawdatausingstatisticalmethodan
9、dthentransformingthemintos
