一种基于EMD和PCA的数据预处理建模方法.pdfVIP

2008 年中国过程系统工程年会会议论文集 一种基于EMD和PCA的数据预处理建模方法 成亮铖，杨慧中 (江南大学通信与控制工程学院，江苏 无锡 214122) 摘要：工业现场数据常带有噪声及冗余度，这种数据特性对软测量模型的精度会产生不利影响。针对此问题，本文提出 一种经验模态分解(EMD)和主元分析(PCA)相结合的数据预处理方法，先利用 EMD 将现场数据分解为若干基本模式分量 (IMF)，再对 IMF 进行主元分析，去除冗余分量，而后进行数据重构，将重构后的数据用于软测量建模。仿真结果表明 本文提出的数据预处理方法有助于模型精度的提高。 关键词：经验模态分解，主元分析，数据预处理，软测量 中图分类号：TP273 文献标识码：A A Method of Data Preprocessing Based on EMD and PCA Cheng Liangcheng, Yang Huizhong (School of Communication Control Engineering, Jiangnan University, Wuxi 214122, China) Abstract: The noise and redundancy of industrial process data have negative impact on soft sensing models. To solve this problem, this paper proposes a new method for data preprocessing combining empirical mode decomposition (EMD) and principal component analysis (PCA). The data are firstly decomposed into several intrinsic mode functions (IMF) and then the redundancy among IMF is eliminated by PCA. Data reconstruction is then conducted and the reconstructed data are used for soft sensing. Simulations show that this method can help improve the performance of soft sensing models. Key Words: EMD, PCA, Data Preprocessing, Soft Sensing 2 本文将EMD和PCA方法的优势相结合，先采 引言 软测量技术可有效解决工业生产过程中无法 用EMD将工业现场数据分解为若干IMF，再使用 或难以直接测量的变量估计和控制问题，其核心 PCA方法对IMF进行相关性分析，保留有效信息， 是软测量模型的建立，而模型性能很大程度上取 去除冗余分量。而后进行数据重构，将重构后的 决于现场数据的准确性和有效性。在工业现场由 数据用于软测量建模。 于操作环境的扰动等原因，所得到的数据往往含 1 经验模态分解 有噪声和存在信息冗余，对模型性能造成不利影 经验模态分解（EMD ）是1998年由美国航天 响，因此建模之前进行数据预处理尤为重要。 局的Huang等人提出来的非线性、非平稳信号分解 经验模态分解（Empirical Mode 方法，它将待分解信号相邻峰值点之间的时延定 Decomposition, EMD) 是一种分析非线性、非平稳 义为时间尺度, 由此把原始信号分解为包含不同 时间序列的新方法，它以瞬时频率的概念为基础，