本文選題：過程系統(tǒng) + 過程控制��； 參考：《化工學報》2017年04期

【摘要】：傳統(tǒng)的主成分分析(principal component analysis,PCA)算法選取包含大部分方差信息的成分作為主元,并將其應用到過程監(jiān)控中。但是故障信息不一定會投影到方差較大的成分上,使用方差貢獻度挑選主元會導致嚴重的信息丟失和監(jiān)控效果的惡化。因此使用ReliefF-PCA算法,其中ReliefF算法從故障角度出發(fā),挑選出在區(qū)分正常樣本和故障樣本上權重更高,效果相對更好的成分作為主元。這樣挑選出的主元避免了傳統(tǒng)PCA算法在主元挑選過程中出現(xiàn)的主觀性、盲目性以及重要信息的丟失。ReliefF-PCA算法在過程監(jiān)控中主要有兩個優(yōu)勢,第1,監(jiān)控效果更好;第2,對原始數(shù)據(jù)降維效果更好。隨后,基于ReliefF-PCA算法,提出一種加權的故障變量貢獻圖方法。最后,通過Tennessee Eastman(TE)仿真實驗測試,ReliefF-PCA算法達到了預期效果。
[Abstract]:The traditional principal component analysis (PCA) algorithm selects components containing most variance information as principal components and applies them to process monitoring.However, the fault information may not be projected to the components with large variance, and the selection of principal components with variance contribution will lead to serious information loss and deterioration of monitoring effect.Therefore, using ReliefF-PCA algorithm, where ReliefF algorithm from the fault point of view, pick out the normal samples and fault samples in the higher weight, the effect is relatively better as the principal component.In this way, the selected principal components avoid the subjectivity, blindness and the loss of important information of the traditional PCA algorithm in the process of principal component selection. There are two main advantages in the process monitoring. The first, the monitoring effect is better;Second, the dimension reduction effect on the original data is better.Then, based on ReliefF-PCA algorithm, a weighted method of fault variable contribution graph is proposed.Finally, the simulation experiment of Tennessee Eastman test shows that the reliefF-PCA algorithm achieves the desired results.
【作者單位】： 華東理工大學化工過程先進控制和優(yōu)化技術教育部重點實驗室;
【基金】：國家自然科學基金項目(61374140,61673173) 中央高�；究蒲袠I(yè)務費專項資金(222201714031) 中央高校基本科研業(yè)務費重點科研基地創(chuàng)新基金(222201717006)~~
【分類號】：TP277

【參考文獻】

相關期刊論文 前2條

1 宋冰;馬玉鑫;侍洪波;;利用挑選關鍵主元以改善過程監(jiān)控性能的方法研究（英文）[J];Chinese Journal of Chemical Engineering;2015年12期

2 葛志強;宋執(zhí)環(huán);;一種新的多工況過程在線監(jiān)測方法[J];化工學報;2008年01期

【共引文獻】

相關期刊論文 前6條

1 陶陽;王帆;侍洪波;宋冰;;基于ReliefF的主元挑選算法在過程監(jiān)控中的應用[J];化工學報;2017年04期

2 馮凱;盧建剛;陳金水;;基于最小二乘支持向量機的MIMO線性參數(shù)變化模型辨識及預測控制[J];化工學報;2015年01期

3 王麗;侍洪波;;基于核獨立元分析的間歇過程在線監(jiān)控[J];化工學報;2010年05期

4 郭輝;;連續(xù)聚合反應的ICA故障診斷方法研究[J];化學工程與裝備;2010年01期

5 孫美紅;孫巍;趙勁松;張浩;張佳;;多變量統(tǒng)計方法監(jiān)測化工過程的緩變故障[J];計算機與應用化學;2009年10期

6 祝志博;宋執(zhí)環(huán);;故障分離——一種基于FDA-SVDD的模式分類算法[J];化工學報;2009年08期

【二級參考文獻】

相關期刊論文 前1條

1 陳國金,梁軍,錢積新;獨立元分析方法(ICA)及其在化工過程監(jiān)控和故障診斷中的應用[J];化工學報;2003年10期

【相似文獻】

相關期刊論文 前10條

1 谷壽元;;主元定向交換法布局[J];計算機工程與科學;1981年01期

2 鐘百僻 ,王鳴強;改進節(jié)點分析避免零對角主元的一個新算法[J];黃石師院學報(自然科學版);1984年01期

3 云昌欽,鐘百僻,王鳴強;改進節(jié)點法避免零主元問題[J];黃石師院學報(自然科學版);1983年02期

4 談根林;改進節(jié)點法避免零主元的算法[J];電子學報;1985年06期

5 劉耀年;避免改進節(jié)點法方程中主元出現(xiàn)零元素的一種方法[J];電工教學;1992年04期

6 王曉初,榮岡;改進主元法在故障檢測中的應用[J];江南大學學報;2003年03期

7 王海清,蔣寧;主元空間中的故障重構方法研究[J];化工學報;2004年08期

8 熊麗,梁軍;基于PCA的系統(tǒng)故障監(jiān)測方法及其三相異步電動機仿真研究[J];機電工程;2003年05期

9 郭振華;岳紅;王宏;;用于非高斯系統(tǒng)降維的最小殘差熵主元網(wǎng)絡[J];計算機仿真;2005年11期

10 王大堅;稀疏矩陣技術中一種選主元的新方案[J];北京工業(yè)學院學報;1984年01期

相關碩士學位論文 前5條

1 郭家豪;基于可解釋變異性的主元選取方法[D];華北電力大學(北京);2016年

2 薛正林;基于主元加權的病態(tài)線性方程組算法研究[D];四川師范大學;2016年

3 王曉;基于非線性主元提取的增強型極限學習機模型及其在化工領域中的應用[D];北京化工大學;2016年

4 劉偉鋒;水利水電工程施工系統(tǒng)分析與動態(tài)模擬[D];西安理工大學;2000年

5 劉志鵬;基于振動信號的滾動軸承狀態(tài)監(jiān)測與診斷方法研究[D];沈陽航空航天大學;2015年

，

本文編號：1740208