一种指数加权主元分析算法的研究.pdfVIP

周游车元 (沈阳化工学院110142) [摘要]丰文在深^研究7基本PCA理论应用于过程监视和故障诊断的墓础上．进一步研究7指最加 权PCA理论的应用。多变量坑计过程已经广迁应用于针对过程性能监测曲化工生产过程中．它的目标是 作为一种监测方法来桂测并克厦过程性能方面的改变对控制过程的彩响．大多数实际过程显示动寿特性， 一些不可避免的固素如设定点改变，周围温度的变化、连规操作及设备老化等也对系统的稳定运行产生显 著的影响。递归指数加权主元舟析算法对大多数过程状态参鼓的估计方法提出7较好的改进．每得到一个 新采样数据时通过指数加权法更新相关炬阵来监视生产过程十的超时趋势和设定点改变莓情况，通过对化 I过程中实际数据进行处理比较来体现递归指散加杈主元分折算法的实时性和是敏度 [关键词]指数加扳主元分析 1．引言 化工生产过程中．若控制不当则将导致生产出走最不合格的产品，使得工作重复和产品浪费．增加了 能源消耗．因此迅建检测出过程中的变化和扰动，加强宴时方面的信息将是提高制造效率的关键所在。对 于生产性能监测来说，多元统计过程控制是一项受到广泛认可的方法．它的且标是作为一种监澍工具，对 不正常的或不想得到的过程变化进行早期报警，提高生产质量。另一种方法是基于主元分析(PCA)和部 分最Jl、乘(PLS)的，通过对过程中数据的采集分析来在线监测和识剐过程的异常工况。 主元分析已经成功的应用于化工连续制造过程的监测中。大多数实际过程显示动态特性，一些不可避 免的因素如设定点改变、周田温度的变化、违规操作或设备老化等也对系统的稳定运行产生显著的影响。 为了对生产过程进行更好的监控-当每次得到一个新的测量向量时．过程模型就枝正一次。由于过程测量 中旧的向量是按时指数加权的一所以太多数最近的测量产生的影响是最大的。通过这种方式来减少错误报 警的数量和增加模型的曼敬度，从而提高生产质量。 2．主元分析 在大多数化工过程中，多个被测变量通常是相关联的。利用PCA方法将过程数据和质量分析散据等 所组成的高维数据空问投影到低维特征空问，使特征空问中的主元变量保留了原始变量的特征信息而消除 了冗泉信息。当数据矩阵技标准化．可以根据它的P个特征值计算和分解相关矩阵，p是m和n中的最小 值，m足样本个数，n是变量个敫。为了使散据设定维数变得更少，我们仅保持模型中a个特征向量(与 前a个特征值相对应)，这自个特征向量来自于载荷矩阵P．作为主元加权，剩余的(p—a)个特征向量 用作解释过程于扰．即主元分析有效地将干扰信号从过程中分离出来。主元数目可以通过累计方差的贡献 率米确定： 第t个主元的方差贡献翠z0- (1) ∑^ ∑^． 累计方差贡献率一半一≥85％ (2) ∑^ p 特征值的个散 2 k——数据矩阵的协方差矩阵的特征值 下一步要定义操作和警告限。HotellingT2和平方预测误差(SPE)用于过程监视的两个典型统计量。 HotellingT2统计量是得分向量(Score)的标准平方和，指示每个采样在时间变化和幅值上偏离模型的程 度，表征了PCA模型内部变化的一种测度，定义为： T．2=XPX一1PTXT (3) P——载荷向量 入——前a个主元所对应的特征值所组成的对角矩阵 T2统计量的控制限为： (a，n—a) (4) T．012=}蒜蓦业F。 a——保持在模型中的主元数目 n_变量个数 F。(a，m—a)——对应检验水平为a，自由度分别为fl、n--k