AutocorrelatedandCyclicChemicalProcessData.pptVIP

包含 为每个k从2到 个解法的一个随机非层次的整体解法产生 来自一个操作m的非层次解法的解法被存储在N×k二值矩阵 如果窗口w在m操作时被标记到r类，元素 为1 n个解法的整体被表示在一个矩阵： n=（kmax－1）nruns 距离矩阵为： 低频 高频 自相关和循环化学过程的聚类分析 刘宁 一、介绍 1、基于主元分析聚类算法： 聚类自相关 典型连续化学过程循环数据集合 2、移动窗判断解法的时间特性： 取不同参数可以分离高频和低频的时间序列测量常量 3、把不同的时间尺度分离的聚类分析组合成一个整体： 辨识所有的过程状态 准确监测出状态间的转换点 4、PCA贡献量分析 诊断出不同操作方法的性质 聚类分析的故障辨识 聚类分析 1、聚类分析作为一个整体用历史时间序列数据同时： 辨识系统状态 标记他们发生的时间 2、特点： （1）测量方法本身的自相关特性，这种特性可以代表事件在多种时间尺度发生 （2）一个循环部分至少代表一个过程变量 二、提出的方法的整体观点 1、用移动窗把原始时间序列数据分割成N个等长L的样本子集 2、用非层级k-PCA模型算法在k类中优化N个数据窗口的分割 3 、k-PCA模型框架类似于一个盖然PCA模型的混合 4、通过聚合大量k-PCA模型算法的独立操作结果得到组合问题的整体优化的一致估计 移动窗长度L决定聚类解法的时间特性，影响任何检测模式的时间尺度 通过设定L=混合循环的周期，周期偏差能被从聚类标记中平均掉，同时也把比混合循环周期短的期间发生的事件平均掉 因此，这种移动窗参数智能无偏差的指出时间序列的低频量 而更小的L能指出高频量，但偏差却污染聚类标记 所以提出一种把分开的高/低频聚类分析组合到一起得到一个在所有的时间尺度描述过程状态最终的解法，而阻止偏差却污染聚类标记 三、理论 1、PCA 2、 k-PCA模型算法 3、非层级方法的层级聚合 4、聚类标记的置信 5、多种时间尺度的聚类 6、 k-PCA模型参数估计 2、 k-PCA模型算法 得到PCA模型 发生时间短于L的事件被平均掉 定义窗口长度L和窗口间隔R 分成k个不相关聚类 N个窗口集合，分别被标记从1到N 任何窗口被重新标记到的一个新累被认为是一个整体 当没有类包含一个少于L个样本的观察量集合 R决定时间分辨率 初始k和k个标记类别的不重叠数据窗口 用迭代法更改聚类标记优化在k个类中N个窗口的结构 每次迭代产生一个原形PCA模型Pr 用 统计量决定每类的迭代的完成 J决定分类完成 3、非层级方法的层级聚合 用来增长更大kmax’产生距离矩阵差 传统层级聚类算法 估计kmax作为kmax’值的最小值 产生最终 的树状图 适合的分割（决定kmax的值） 4、聚类标记的置信 成员概率密度 表示窗口密度 如果成员密度为1表示系统状态被辨识出，如果成员密度为0表示无此状态 聚类成员密度也被用来时间序列算法的表现 大比例的被标记样本处于低的置信度说明产生统计结果的聚类算法失败 这种不好的表现可能由于算法本身缺少辨识特征 也可能是由于算法参数的选择问题（例如q或L的坏的选择） 5、多种时间尺度的聚类 T混合循环的周期 当过程状态的持续时间小于T认为是高频量，大于T则为低频量 定义低频量过程状态至少存在T个样本，因此包含循环变量，从低频量中分离循环变量得到真正的低频量 高频量包括：已辨识的低频状态间的转换；在低频分析以后仍然没被检测出来的或者不能很好地解决的状态 低频量聚类分析时窗口长度L应被设为T的整数倍以防止周期偏差污染低频聚类解法 高频量聚类分析时，窗口长度只能设为2≤T ≤T/2,最佳L值依赖实际存在在数据中任何高频状态的时间尺度 L的变化决定于产生清晰的聚类成员的可能性集合 把高频解法和低频解法组合在一起以确保低频状态不被两次计数，高频解的余项表示真正的高频事件 6、 k-PCA模型参数估计 依据期望的高/低频分析，当系统不发生变化时使用者可以提出合适的移动窗参数值L和R，但这种发放也要求指定两个其他参数q和kmax，它们不能优先确定，但必须从数据集合中估计出来 主元数q必须通过试验和误差去估计，而kmax通过3、进行估计 因为在低频分析中使用大的窗口长度对聚类转换点的时间分辨率内在的限制，小的窗口移动率的使用只增加低频聚类分析的计算要求而不增加时间分辨率。 因此低频聚类分析应该用低的窗口密度。这个参数尽可能的为给定的L产生最小的窗口数量，快速的执行聚类算法，并且让使用者尽可能的决定一个合适的q值 如果原型PCA得到期望的变量水平，q’取代q,低频聚类分析完成。如果得到不足够的变量，q’值增加，程序重复进行直到可接受的低频方法产生。q一旦产生仔细检查聚类模型以确保在期望