基于可解释变异性的主元选取方法-控制科学与工程；检测技术与自动化装置专业论文.docxVIP

摘要摘 摘要 摘 要 主元分析(principal component analysis，PCA)是一种多元统计分析建模方 法，在工业过程中，它经常被应用于状态监测与故障诊断等方面。研究表明，主 元个数作为PCA过程监测模型中最重要的参数，直接决定了PCA的过程监测性 能。在建模过程中，选择正确的主元个数能够有效地提取出数据中的主要信息， 排除噪声的干扰，提高状态监测的效果和故障诊断的精度。常用的几种主元选取 方法有：主元累计贡献率(cumulative perCem variance，CPV)，平均特征值(average eigenvalue，AE)，交叉验证法(cross．validation，CV)，重构误差方差法(variance ofthe reconstruction error，VRE)，故障信噪比(fault signal．to．noise ratio，SNR) 盘蟹守0 本文提出了一种新的主元选取方法，叫做基于可解释变异性的主元选取方法 (variability explained by principal component，VEPC)。通过计算每个变量的变异 性能够被各个主成分解释的百分比，分别选取各个变量满足相应条件的主元，并 且求出它们的合集，就可以得到最终选取的主元。本文首先详细介绍了可解释变 异性主元选取方法的定义及计算方法，接着引出了可解释变异性主元选取方法中 所用到的两种法则：可解释性累计贡献率法和可解释性平均贡献率法，并且对两 种法则的特性进行了详细分析，得出可解释性平均贡献率适应性更强的结论。接 着，本文通过一个蒙特卡洛仿真模型和一个四容水箱仿真模型对可解释变异性主 元选取方法的可行性进行了验证，并且常规主元选取方法CPV与可解释变异性 主元选取方法进行了对比，证明了可解释变异性主元选取方法在主元选取方面的 优越性。 关键词：主元分析；主元选取；基于主元的可解释性；故障检测 万方数据 摘要Abstract 摘要 Abstract Principal component analysis(PCA)finds wide application in chemical monitoring and fault isolation as a data-driven modeling method．Current studies show that PCA combined with data filters Can effectively enhance the detectability for incipient faults．Research shows that the number of principal component,as the most important parameters in the process monitoring model，directly determines the detection performance of the process monitoring．In the process of modeling， selecting the correct number of data Can effectively extract the main information from the data,eliminate the interference of the noise，and improve the effect of condition monitoring and the accuracy of fault diagnosis．There are several methods about the number selection of the principal component，such as，cumulative percent variance， average eigenvalue，cross-validation，variance of the reconstruction error,fault signal-to—noise ratio and SO on． A novel method for selecting the number of PCs is proposed in this paper,which called variability explained by principal component．By calculating the variability of each variable that can be explained by every PC，we can obtain the