資源描述：
《基于粒子群優(yōu)化MICA的間歇過程故障監(jiān)測(cè)-論文.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、第36卷第1期儀器儀表學(xué)報(bào)Vo1．36No．12015年1月ChineseJournalofScientificInstrumentJan．2015基于粒子群優(yōu)化MICA的間歇過程故障監(jiān)測(cè)高學(xué)金，崔寧，張亞潮，齊詠生，王普(1．北京工業(yè)大學(xué)電子信息與控制工程學(xué)院北京100124；2．內(nèi)蒙古工業(yè)大學(xué)電力學(xué)院呼和浩特010051)摘要：多向獨(dú)立成分分析(MICA)能夠獲取信號(hào)的高階統(tǒng)計(jì)量信息，在問歇過程故障監(jiān)測(cè)中得到長足發(fā)展。針對(duì)FastICA算法提取非高斯獨(dú)立成分時(shí)，易受初始點(diǎn)的影響，梯度下降無法收斂到極小點(diǎn)以及算法運(yùn)行前獨(dú)立主元個(gè)數(shù)未知的不足，提出基于粒子群優(yōu)化的MICA算法。并引入支
2、持向量數(shù)據(jù)描述(SVDD)算法確定過程監(jiān)控統(tǒng)計(jì)量的置信限，避免了核密度估計(jì)帶來的“維數(shù)災(zāi)難”等問題。實(shí)驗(yàn)設(shè)計(jì)由青霉素發(fā)酵仿真平臺(tái)完成，結(jié)果顯示了本文方法優(yōu)越于傳統(tǒng)MICA方法，能夠保證獲取非高斯性最大的獨(dú)立成分，使得對(duì)故障的監(jiān)測(cè)更加及時(shí)有效。關(guān)鍵詞：多向獨(dú)立成分分析；間歇過程；粒子群；支持向量數(shù)據(jù)描述；故障監(jiān)測(cè)中圖分類號(hào)：TH165．3文獻(xiàn)標(biāo)識(shí)碼：A國家標(biāo)準(zhǔn)學(xué)科分類代碼：510．8010FaultDetectionofbatchprocessesbasedonMICAOptimizedwithPSOGaoXuejin，CuiNing，ZhangYachao，QiYongsheng，Wa
3、ngPu(．SchoolofElectronicInformation．a(chǎn)ndControlEngineering，BeringUnive~ityofTechnology，Beifing100124，China；2。SchoolofElectricPower，InnerMongoliaUniversityofTechnology，Huhhot010051，China)Abstract：Multi—wayIndependentComponentAnalysiscanobtainhigherorderstatisticsofthesignal，whichhasgot—tengreatpro
4、gressforfaultdetectionofbatchprocesses．FastICAalgorithmeasilyaffectsbytheinitialpointwhensol—ringnon—gaussianindependentingredients，whichcannotconvergencetotheminimumpointandhasnoideafortheprincipalindependentcomponentnumberbeforerunningit．Tosolvetheabovementionedproblems，aparticleswarlTloptimiz
5、ationbasedonMICAalgorithmisproposed．Also，supportvectordatadescriptionmethodisintroducedtodeterminethecontrollimitofmonitoringstatistics，avoidingthe‘‘dimensiondisaster”problemcausedbykerneldensityestimation．Designofexperimentshasperformedbypenicillinfermentationsimulationplatform．Theresultshowsth
6、attheproposedmethodissuperiortotraditionalMICA，whichcanmaximizethenon—gaussiancharacteristicoftheextractedindependentcomponents，andmakefaultdetectionmoretimelyandeffectively．Keywords：MICA；batchprocesses；PSO；SVDD；faultdetection究尤為重要。多向主成分分析(MPCA)和多向偏最小二1引言乘(MPLS)等均是現(xiàn)階段運(yùn)用于間歇過程領(lǐng)域典型的信號(hào)提取方法，但此類方法只能描述
7、變量的二階統(tǒng)計(jì)信息，隨著現(xiàn)代流程工業(yè)的進(jìn)步，間歇過程逐漸扮演著愈且須滿足正態(tài)分布的要求。多向獨(dú)立成分分析?(multi—發(fā)重要的角色。工業(yè)過程生產(chǎn)對(duì)于操作安全性及質(zhì)量的wayindependentcomponentanalysis，MICA)則無需要求變高標(biāo)準(zhǔn)要求使得問歇過程實(shí)時(shí)的在線監(jiān)控及故障監(jiān)測(cè)研量服從正態(tài)分布，是基于ICA基本原理、專門適用于三維收稿日期：2014-08ReceivedDate：2014-08基金項(xiàng)目：國家自然科學(xué)基金(6
