【正文】 一方面， ICA 不需要變換后的獨(dú)立成分滿足正交條件；另一方面， ICA 不僅去除了變量之 間的相關(guān)性而且包含了過程觀測變量的高階統(tǒng)計(jì)特性 , 能更好的 刻畫變量的概率統(tǒng)計(jì)特性，抑制高斯噪聲 ，同時(shí)通過 ICA 方法得到的獨(dú)立成分分量滿足統(tǒng)計(jì)意義上的獨(dú)立性特點(diǎn)。天津大學(xué)仁愛學(xué)院 2020 屆本科生畢業(yè)設(shè)計(jì)（論文） 7 第二章 獨(dú)立成分分析法監(jiān)控理論 多數(shù)工業(yè)生產(chǎn)中，過程觀測信息很難完全服從高斯分布，針對(duì)傳統(tǒng)多變量統(tǒng)計(jì)過程監(jiān)控技術(shù)要求過程信息服從正態(tài)分布的約束性，本文提出基于獨(dú)立成分分析 (Independent Component Analysis, ICA )的過程 監(jiān)控方法，該方法不要求數(shù)據(jù)服從一定的分布條件，主要按照統(tǒng)計(jì)獨(dú)立的原則，從過程觀測信號(hào)中分離出統(tǒng)計(jì)獨(dú)立成分。 第四章 建立小波分析和獨(dú)立成分分析相結(jié)合的基于小波降噪 獨(dú)立成分分析的過程監(jiān)控方法和過程監(jiān)控仿真模型，并在 MATLAB 中仿真分析。 根據(jù)以上內(nèi)容，本文安排如下： 第二章 基于獨(dú)立成分分析的過程監(jiān)控理論：主要介紹和分析了獨(dú)立分量分析方法的基本模型、約束條件，估計(jì)原理，通過對(duì)獨(dú)立成分分析估計(jì)原理的介紹，本文選取非高斯最大化中的近似負(fù)熵作為目標(biāo)函數(shù)，完成目標(biāo)函數(shù)的確立，提出改進(jìn)的快速 ICA 算法，解決了快速 ICA 算法中初值選擇的敏感性問題。 (2) 以 MATLAB 為過程監(jiān)控平臺(tái)。 本文主要研究內(nèi)容 本文以 多變量統(tǒng)計(jì)過程控制理論 、小波變換為基礎(chǔ)，在此基礎(chǔ)上結(jié)合獨(dú)立成分分析的建模原理建立基于 ICA 的典型生產(chǎn)流程過程監(jiān)控系統(tǒng)。 ICA 方法是 基于過程數(shù)據(jù)高階統(tǒng)計(jì)特性 的分析方法，可以有效的處理服從非高斯分布的過程數(shù)據(jù)，使得變換以后的各分量之間不僅互不相關(guān)，而且還盡可能地統(tǒng)計(jì)獨(dú)立，更好的 刻畫變量的概 率統(tǒng)計(jì)特性，抑制高斯噪聲 ， 展示了 ICA 方法在故障早期偵破中良好的應(yīng)用前景 [9]。與PCA 相比，具有更高的通用性和適應(yīng)能力，符合實(shí)際過程的需要 ,具有更高的普遍意義。 PCA 方法在統(tǒng)計(jì)過程控制領(lǐng)域中應(yīng)用已經(jīng)較為普遍，并取得了良好的成果，但 PCA 只針對(duì)過程數(shù)據(jù)的二階統(tǒng)計(jì)特性，不能很好的刻畫過程數(shù)據(jù)的特征信息，所以基于主元分析的多元統(tǒng)計(jì)過程監(jiān)控方法在某些工業(yè)過程中的應(yīng)用不是很理想。投影算法的 基本思想是將由大量測量變量所張成的高維空間投影到低維主元變量或者隱變量模型空間，以便用更少的維數(shù)來描述整個(gè)過程的主要特征。多變量過程統(tǒng)計(jì)方法是在單變量統(tǒng)計(jì)的基礎(chǔ)上發(fā)展起來的，近幾年來多變量過程監(jiān)控方法在生產(chǎn)過程中得到了廣泛的研究與成功的應(yīng)用 [8]。 基于多變量統(tǒng)計(jì)方法的過程監(jiān)控的研究現(xiàn)狀 流程工業(yè)中生產(chǎn)過程復(fù)雜，規(guī)模大，難以建立準(zhǔn)確的數(shù)學(xué)模型。與此同時(shí)，在分析過程數(shù)據(jù)的同時(shí)我們也必須要考慮其過程數(shù)據(jù)質(zhì)量，大小，數(shù)據(jù)的時(shí)變性，數(shù)據(jù)的多尺度性，數(shù)據(jù)的非線性，數(shù)據(jù)的動(dòng)態(tài)特征等問題。 基于數(shù)據(jù)驅(qū)動(dòng)的過程監(jiān)控方法不需要過程的精確解析模型，所獲得的理論成果和方法能夠較快地應(yīng)用于實(shí)際工業(yè)生產(chǎn)中。 數(shù)據(jù)驅(qū)動(dòng)方法是建立在嚴(yán)格的統(tǒng)計(jì)研究基礎(chǔ)上的，其優(yōu)勢(shì)在 于它們能夠把 過程數(shù)據(jù)從高維空間投影到低維空間，并從中獲取重要的過程特征信息。由于故障與過程特征信息之間存在內(nèi)在關(guān)系，當(dāng)故障發(fā) 生時(shí)，將會(huì)引起過程特征信息 在幅值和結(jié)構(gòu)等方面的變化，進(jìn)而在監(jiān)控模型中體現(xiàn)出與過程正常運(yùn)行狀況不同的性狀，由此完成對(duì)過程性能的監(jiān)控。 基于數(shù)據(jù)驅(qū)動(dòng)的方法利用多變量統(tǒng)計(jì)過程控制技術(shù)將過程信息數(shù)據(jù)空間劃分為過程特征信息子空間以及殘差空間 [7]。但是，用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷也存在一定的缺陷，該方法難以利用經(jīng)驗(yàn)知識(shí)進(jìn)行診斷，網(wǎng)絡(luò)結(jié)構(gòu)和規(guī)模的選取存有未知性，算法的收斂性、實(shí)時(shí)性、快速性難以保證等。 ? 基于神經(jīng)網(wǎng)絡(luò)的方法 人工神經(jīng)網(wǎng)絡(luò)（ ANN） 用于故障診斷主要有以下 4種形式 :(1)用神經(jīng)網(wǎng)絡(luò)產(chǎn)生殘差信號(hào)； (2)用神經(jīng)網(wǎng)絡(luò)進(jìn)行殘差評(píng)價(jià)分析； (3)利用神經(jīng)網(wǎng)絡(luò)作自適應(yīng)誤差補(bǔ)償； (4)直接利用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷推理。 它首先選擇出對(duì)故障敏感的特征參數(shù)進(jìn)行訓(xùn)練處理，提取關(guān)鍵信息，以建立各種故障的基準(zhǔn)模式集，再由實(shí)測的信息采用模式匹配算法與已建立的故障基準(zhǔn)模式集進(jìn)行模式匹配，從而檢測和分離出故障?；谀：碚摰姆椒ㄟm用于測量值較少，含有模糊現(xiàn)象和不確定信息且無法獲取精確數(shù)學(xué)模型的系統(tǒng)，由于該方法不具備自學(xué)習(xí)能力，模糊規(guī)則過多 依賴于經(jīng)驗(yàn)等諸多原因，致使它對(duì)和模糊規(guī)則接近的故障診斷結(jié)果較為準(zhǔn)確，而對(duì)新穎的故障診斷效果則較差 [6]。另外在自適應(yīng)能力、學(xué)習(xí)能力及實(shí)時(shí)性方面也都存在不同程度的局限性。 天津大學(xué)仁愛學(xué)院 2020 屆本科生畢業(yè)設(shè)計(jì)（論文） 4 目前研究的比較深入也比較廣泛的基于知識(shí)的故障診斷方法是基于癥狀的方法，主要有以下幾種 : ? 基于專家系統(tǒng)的智能診斷方法 專家系統(tǒng)的故障診斷方法，是指計(jì)算機(jī)在采集被監(jiān)控對(duì)象的過程信息后，在一定推理機(jī)制指導(dǎo)下，綜合各種規(guī)則，進(jìn)行一系列的推理判斷，快速的找到最終故障或者最有可能的故障 的過程，目前已廣泛用于工業(yè)過程監(jiān)控系統(tǒng)中。參數(shù)估計(jì)方法要求找出模型參數(shù)和故障參數(shù)之間的一一對(duì)應(yīng)關(guān)系 ，將參數(shù)估計(jì)法和其他基于解析模型的方法結(jié)合起來，能更好的故障檢測和分離。因此可以根據(jù)模型參數(shù)及其相應(yīng)的故障參數(shù)變化來檢測和分離故障。 該方法是一種無閾值的方法，特別適用于維數(shù)較低的被測量變量的冗余信號(hào)的優(yōu)劣判斷。 等價(jià)空間法 等價(jià)空間方法最早是由 Chow 等利用動(dòng)態(tài)系統(tǒng)的暫時(shí)冗余關(guān)系而總結(jié)出來的，其基本思想是通過系統(tǒng)的輸入輸出（或部分輸出）的實(shí)際值檢驗(yàn)被監(jiān)控對(duì)象數(shù)學(xué)模型的一致性（等價(jià)性），從而達(dá)到檢測和分離故障的目的。在能夠得到系統(tǒng)的精確數(shù)學(xué)模型的情況下，狀態(tài)估計(jì)的方法是最為直接有效的。 根據(jù)殘差產(chǎn)生形式的不同，基于模型的故障診斷方法又可細(xì)分為狀態(tài)估計(jì)方法、參數(shù)估計(jì)方法和等價(jià)空間方法，三種方法之間又存在著獨(dú)立統(tǒng)一的關(guān)系。 天津大學(xué)仁愛學(xué)院 2020 屆本科生畢業(yè)設(shè)計(jì)（論文） 3 基于解析模型的方法 基于解析模型的故障診斷方法主要依賴于精確的過程模型，通過將被監(jiān)控對(duì)象的可測信息和由數(shù)學(xué)模型重構(gòu)的過程特征信息進(jìn)行比較，從而產(chǎn)生殘差，并通過對(duì)殘差的統(tǒng)計(jì)分析和處理而實(shí)現(xiàn)故障檢測和故障識(shí)別 的技術(shù) [5]。 到目前為止，隨著統(tǒng)計(jì)學(xué)、信號(hào)處理、智能理論的引入，故障診斷技術(shù)得到了極大的發(fā)展，故障診斷方法也有了不同的分類。 1971年，美國學(xué)者 Beard首次提出用解析冗余代替硬件冗余故障檢測和診斷的思想，為過程監(jiān)控理論的發(fā)展奠定了基礎(chǔ)，同時(shí)，也促進(jìn)了過程監(jiān)控體系的完善。偏差檢測直接依賴于模型的準(zhǔn)確性，模型的不準(zhǔn)確在實(shí)際中是不可避免的。但是當(dāng)系統(tǒng)的狀態(tài)變化時(shí)，對(duì) 應(yīng)原閾值就不再適用，另外，它沒有考慮過程變量之間的相互作用，它對(duì)過程的干擾缺乏靈敏性。如果觀測值超過預(yù)定義的閾值，即產(chǎn)生報(bào)警。 過程故障評(píng)價(jià)與決策：判斷故障的發(fā)展趨勢(shì)以及對(duì)監(jiān)控對(duì)象的影響，并針對(duì)不同的工況采取不同的措施，確保過程的正常運(yùn)行。 過程故障識(shí)別：根據(jù)檢測到的故障信息，識(shí)別出與故障最密切相關(guān)的觀測變量，以便更好的分析故障的成因，減少恢復(fù)受控運(yùn)行狀況的時(shí)間。 過程故障檢測：通過對(duì)生產(chǎn)過程特征信息進(jìn)行分析，判別其是否超出預(yù)定的范圍，確定系統(tǒng)是否有故障發(fā)生。 過程監(jiān)控的核心為過程故障檢測。過程監(jiān)控的目標(biāo)就是推導(dǎo)出對(duì)所有可能的故障都具有最大靈敏度和魯棒性的量度，通過對(duì)過程的異常變化進(jìn)行分析，判別系統(tǒng)是否發(fā)生故障，并對(duì)故障幅度進(jìn)行定量分析，確定故障類型、位置、量級(jí)和時(shí)間。過程監(jiān)控系統(tǒng)主要對(duì)生產(chǎn)過程的運(yùn)行狀態(tài)進(jìn)行監(jiān)督，不 斷檢測過程的變化和故障信息，以防止災(zāi)難性事故的發(fā)生，同時(shí)減少產(chǎn)品質(zhì)量的波動(dòng)等 [2]。 從廣義上講，過程監(jiān)控就是對(duì)過程監(jiān)控系統(tǒng)運(yùn)行中的各種狀態(tài)信息和已有知識(shí)信息進(jìn)行綜合處理、最終得到關(guān)于系統(tǒng)運(yùn)行狀態(tài)和故障狀況的綜合評(píng)價(jià)過程。為了保證生產(chǎn)的穩(wěn)定、高效、安全運(yùn)行和產(chǎn)品質(zhì)量的一致性，對(duì)流程工業(yè)的復(fù)雜生產(chǎn)過程進(jìn)行快速有效的實(shí)時(shí)監(jiān)控顯得越來越重要，作為其中一個(gè)可靠的解決手段，工業(yè)過程性能監(jiān)控和故障診斷逐步成為過程控制領(lǐng)域的研究熱點(diǎn)，并成為構(gòu)成系統(tǒng)可靠性、安全性、維修性等學(xué)科的關(guān)鍵技術(shù)之一，在現(xiàn)代化生產(chǎn)過程中不僅有著深刻的理論價(jià)值，更具有 不容忽視的現(xiàn)實(shí)指導(dǎo)意義。 隨著計(jì)算機(jī)科學(xué)的發(fā)展，尤其是計(jì)算機(jī)技術(shù)、自動(dòng)控制技術(shù)、通信技術(shù)水平的日益提高，流程工業(yè)不斷的向大型化、集成化、復(fù)雜化和精細(xì)化的方向發(fā)展，故障發(fā)生的可能性也隨之增加；同 時(shí)，市場競爭的加劇，能源、環(huán)保要求的提高，迫使人們不得不考慮工業(yè)設(shè)備及控制系統(tǒng)的可靠性和安全性。ICA。小波分析 。 關(guān)鍵詞： 過程監(jiān)控 。檢測到異常變化時(shí)，使用變量貢獻(xiàn)圖確定故障源，實(shí)現(xiàn)故障的分離。 針對(duì)傳統(tǒng)多變量統(tǒng)計(jì)過程監(jiān)控技 術(shù)要求過程信息服從正態(tài)分布的約束性，應(yīng)用基于獨(dú)立成分分析方法的過程監(jiān)控方法對(duì)過程監(jiān)控與故障診斷的研究。 Sons, New York,1991. [20]J. E. Jackson and G. S. Mudholkar. Control procedures for residuals associated with principal ponent analysis. Technometrics, 21:341349,1979. [21]R. A. Johnson and D. W. Wichern. Applied Multivariate Statistical Analysis. Prentice Hall, New Jersey, 3rd edition, 1992. [22]J. Kresta, J. F. MacGregor, and T. Marlin. Multivariate statistical monitoring of process operating performance. Can. J. Chem. Eng. ,69:3547,1991. [23]S. Wold, K, Esbensen, and P. Geladi. Principal ponents analysis. Chemometriics and Intelligent Laboratory Systems, 2:37, 1987. [24]B. M. Wise, N. L. Ricker, and D. . Upset and sensor failure detection in multivariate processes. Technical report, Eigenvector Research, Manson, Washington,1989. [25]W. W. Hines and D. C. Montgomery. Probability and Statistics in Engineering and Management Science. John Wiley amp。 二、參考文獻(xiàn) [1]劉磊 ,張宇明 ,錢積新 .統(tǒng)計(jì)過程在連續(xù) 生產(chǎn)中的應(yīng)用 [J].化工自動(dòng)化及儀表 ,第 24 卷，1995. [2]于俊英 ,連岳 .SPC 在柔性設(shè)計(jì)制造中心生產(chǎn)加工中的應(yīng)用 [J].航空制造技術(shù) , 2020. [3]張公緒 ,孫靜 .統(tǒng)計(jì)過程控制與診斷 [J].質(zhì)量與可靠性 ,2020. [4]劉階萍 ,羅振璧 ,陳禹六 .工序能力指數(shù)的統(tǒng)計(jì)分析與改進(jìn) [J].北京科技大學(xué)學(xué)報(bào) ,第 26 卷第 2 期 ,2020. [5]高巖 ,楊慧中 .一種主元分析方法在聚合生產(chǎn)過程故障檢測與診斷中的應(yīng)用 [J].江南大學(xué)學(xué)報(bào)（自然科學(xué)版） , 2020. [6]王海清 ,宋執(zhí)環(huán) ,李平 .改進(jìn) PCA 及其在過程監(jiān)控與故障診斷中的應(yīng)用 [J].化工學(xué)報(bào) , 第 52 卷第 6 期 , 2020 年 6 月 . [7] and ,Statistic Process Control of Multivariate Processes [J], Control Practice, , , 403414. [8]R. Isermann and P. Ball. Trends in the application of model based fault detection and diagnosis of technical processes. In Proc. of the 13th IFAC World Congress, volume N, pages 112, Piscataway, New Jersey, 1996. IEEE Press. [9]P. Kesavan and J. H. Lee. Diagnostic tools for multivariable modelbased control systems. Ind. Eng. Chem. Res. , 36: 27252738, 1997. [10]J. E. Jackson. Quality control methods for two related variables. Industrial Quality Control, 7:26, 1956. [11]J. E. Jackson. Quality control methods for several related variables. Technometrics, 1:359377,1959. [12]R. O. Duda and P. E. Hart. Pattern Classification and