基于局部特征強化的過程監(jiān)測方法研究.pdf

1、本文主要的研究工作是建立在對現(xiàn)有多變量統(tǒng)計過程監(jiān)測方法進行仔細深入分析的基礎之上的。針對現(xiàn)有方法存在的缺點和不足，本文基于局部特征強化對多變量統(tǒng)計過程監(jiān)測方法進行了以下幾個方面的研究：
　　1.基于非負矩陣分解的局部（部分）組成特征強化及故障檢測
　　非負矩陣分解（Nonnegative Matrix Factorization，NMF）是一種基于“局部（部分）構成整體”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)或被研究對象內在隱含的組成結構特征，并且還可以避免引入過多無關的信息，抑制許多外界不利的影響。在基于NMF的故障檢測研究中，本文首先從兩個方面改進了 NMF不具有良好統(tǒng)計特性的缺點，然后分別驗證了各自的故障檢測效果。
　　(1)本文對 NMF的第一項改進是使得 NMF能夠具有一定的保持數(shù)據(jù)方差信息的能力。為了實現(xiàn)這一目的，本文提出了一種基于方差保持正則項的方差保持非負矩陣分解（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。基于此模型，本文設計了相應的故障檢測策略，仿真實驗的結果證明了 VNMF在多變量過程監(jiān)測中的性能。
　　(2)本文對 NMF的另外一項改進是使得 NMF能夠在一定程度上降低低維數(shù)據(jù)變量之間的相關性。為了實現(xiàn)這一目標，本文提出了一種低相關非負矩陣

4、分解（Low-correlated NMF，LNMF）的模型。該模型利用本文設計的一種名為非負矩陣欠近似（Nonnegative Matrix Underapproximation，NMU）的低秩近似分解算法來求解非負矩陣分解問題。實驗結果表明 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。基于此模型，本文也設計了相應的故障檢測策略，仿真結果證明了低相關 LNMF在多變量

5、監(jiān)測中的性能，也進一步說明了NMF用于過程監(jiān)測的可行性。
　　2.基于集成核方法的局部非線性特征強化及過程監(jiān)測
　　現(xiàn)有基于核方法的過程監(jiān)測方法存在一定的“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心的非線性特征。針對這一問題，本文以KPCA作為研究特例，將集成學習方法和貝葉斯推理策略與基于KPCA的過程監(jiān)測方法結合到了一起。首先利用集成學習的思想，選取一系列高斯核函數(shù)訓練得到多個 KPCA模型，然后在實時監(jiān)

6、測的時候將傳統(tǒng)的監(jiān)測結果轉化成故障后驗概率，最后通過一種能夠強化報警模型結果的加權策略將多個模型的結果合成一個最終的結果。這樣做帶來的好處是監(jiān)測性能不僅對核參數(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)測方法的性能，仿真實驗的結果充分證明了這一點。
　　3.基于空間-統(tǒng)計局部方法的空間局部特征強化及過程監(jiān)測
　　現(xiàn)有的基于流形學習的過程監(jiān)測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數(shù)據(jù)局部結構

7、特征的變化進行檢測。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習的過程監(jiān)測方案，把統(tǒng)計局部方法（Statistical local approach，SLA）結合到了NPE中。該方案不僅繼承了 NPE發(fā)掘數(shù)據(jù)局部結構的能力，而且能夠通過檢測新數(shù)據(jù)的局部鄰域信息的變化實現(xiàn)在線故障檢測。此外，統(tǒng)計局部方法的引入使得我們不需要對數(shù)據(jù)分布