【正文】 Scene Analysis. John Wiley amp。 — 系統(tǒng)分析 ICA 應(yīng)用的多尺度分解 與離線建模。 — 掌握 MATLAB 的 M 文件編程。了解 獨立成分分析 (ICA)的基本概念。應(yīng)用優(yōu)化的 ICA 模型對仿真實時數(shù)據(jù)進行在線監(jiān)測，采用 DDE 動態(tài)數(shù)據(jù)交換的方法將實時數(shù)據(jù)傳送到 MATLAB 后臺服務(wù)器程序計算 SPE 統(tǒng)計量、 2dI 統(tǒng)計量和 2eI 統(tǒng)計量實時值，并將與相應(yīng)的控制限相比判斷系統(tǒng)是否發(fā)生故障；使用變量貢獻圖確定故障變量，完成過程在線監(jiān)測與故障診斷。 五、研究方法與手段 (1) 將 作為后臺服務(wù)程序完成對離線過程信息的降噪分析及優(yōu)化的 ICA 模型的建立，將仿真實時數(shù)據(jù)投影到該模型，采用 SPE 統(tǒng)計量、 2dI 統(tǒng)計量和 2eI 統(tǒng)計量完成生產(chǎn)過程故障的檢測。對生產(chǎn)過程正常運行狀態(tài)下的歷史數(shù)據(jù)進行小波降噪和獨立成分分析，建 立優(yōu)化的獨立元模型，利用獨立元模型對生產(chǎn)過程仿真實時數(shù)據(jù)進行在線監(jiān)控，采用 SPE 統(tǒng)計量、 2dI 統(tǒng)計量和 2eI 統(tǒng)計量判斷系統(tǒng)是否發(fā)生故障。在這種情況下，用傳統(tǒng)的多變量統(tǒng)計過程技術(shù)（如 PCA）對過程進行監(jiān)控，勢必會導(dǎo)致過程性能分析不準和過程故障的誤報、漏報。以主元分析（ PCA）和偏最小二乘（ PLS）為代表的多元統(tǒng)計方法事先假定測量數(shù)據(jù)服從同一正態(tài)分布，而且來自單一的穩(wěn)定工況，事實上，對于實際 的化 工過程而言，大多數(shù)變量并不服從正態(tài)分布，實際的過程信息是高斯信息和非高斯信息的混合體。 自 20 世紀 90 年代以來，基于多元統(tǒng)計投影理論的過程性能監(jiān)控和故障診斷技術(shù)受到了學(xué)術(shù)界和工業(yè)界的廣泛重視，并在化工生產(chǎn)過程得到了成功應(yīng)用。 二、國內(nèi)外發(fā)展現(xiàn)狀 獨立成分分析（ ICA）作為近年來發(fā)展起來的一種新的統(tǒng)計信號處理方法，與傳統(tǒng)的 PCA 方法相比，它更有效的利用了高價信息統(tǒng)計量和非高斯信息，并能對數(shù)據(jù)的獨立性問題作出 分析。在現(xiàn)代化生產(chǎn)過程中，過程故障檢測及其相關(guān)技術(shù)的研究有著深刻的理論價值和不容忽視的重要性。目前比較流行的 ICA 算法有 Infomax 算法（信息最大化）、 FastICA算法（定點算法， Fixedpoint、快速 ICA 算法），犯非法分類的依據(jù)主要是求取分離矩陣 W 的方法不同。 指導(dǎo)教師（簽字） 年 月 日 審題小組組長（簽字） 年 月 日 天津大學(xué)仁愛學(xué)院本科生畢業(yè)設(shè)計（論文）開題報告 課題名稱 基于 ICA 的流程工業(yè)故障診斷系統(tǒng)的研究 系 名 信息工程系 專 業(yè) 自動化 學(xué)生姓名 楊俊敏 指導(dǎo)教師 扈書亮 一、課題來源及意義 獨立陳分分析（ Independent Component Analysis），最早應(yīng) 用于盲源信號分離（ Blind Source Separation）。 研究基于 ICA 方法的故障診斷 的方法和程序?qū)崿F(xiàn)。 二、參考文獻 [1]劉磊 ,張宇明 ,錢積新 .統(tǒng)計過程在連續(xù)生產(chǎn)中的應(yīng)用 [J].化工自動化及儀表 ,第 24 卷， 1995. [2]于俊英 ,連岳 .SPC 在柔性設(shè)計制造中心生產(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)計分析與改進 [J].北京科技大學(xué)學(xué)報 ,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（自然科學(xué)版） , 2020. [6]王海清 ,宋執(zhí)環(huán) ,李平 .改進 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 , 第 52 卷第 6 期 , 2020 年 6 月 . [7] and ,Statistic Process Control of Multivariate Processes [J], Control Practice, , , 403414. 三、設(shè)計（研究）內(nèi)容和要求（包括設(shè)計或研究內(nèi)容、主要指標與技術(shù)參數(shù)，并根據(jù)課題性質(zhì)對學(xué)生提出具體要求。 研究條件： 利用 MATLAB 實現(xiàn)基于獨立成分分析的流程工業(yè)過程監(jiān)控方法的研究與仿真。 一、原始依據(jù)（包括設(shè)計或論文的工作基礎(chǔ)、研究條件、應(yīng)用環(huán)境、工作目的等。） 工作基礎(chǔ)：了解數(shù)據(jù)挖掘技術(shù)的基本方法，能熟練使用 MATLAB 軟件。 應(yīng)用環(huán)境：基于獨立分分析法的數(shù)據(jù)信息挖掘技術(shù)的研究 工作目的：熟練掌握 MATLAB 的 M 文件編程 掌握故障診斷技術(shù)的基本分類以及基于信號處理的方法的基本步驟。） 掌握 MATLAB 的基本使用方法，能夠獨立完成基本的算法設(shè)計。 對實際的診斷效果做出相應(yīng)的評價。 ICA 方法最早是由法國的 和 于 80年代中期提出來的，現(xiàn)在常稱他們的方法為 HJ 算法，可以說是最經(jīng)典的 ICA算法之一。 隨著科技的發(fā)展，過程工業(yè)系統(tǒng)的規(guī)模在逐漸擴張，工藝也越來越復(fù)雜，使得人們不得不將過程的可靠性以及安全性能重視起來； 此外，過程工業(yè)通常對生產(chǎn)環(huán)境的要求亦非常嚴格，尤其是在石油煉制、化工、電力、鋼鐵、冶金等流程工業(yè)生產(chǎn)過程中極為突出。幾年來，過程監(jiān)控已經(jīng)成為過程自動化和過程控制領(lǐng)域的重要研究方向，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。 ICA 在生物醫(yī)學(xué)信號處理、混合語音分離、盲源信號分離、圖像處理以及人臉識別領(lǐng)域已獲得了成功的應(yīng)用，但在化工過程性能監(jiān)控方面的應(yīng)用還很少。 三、研究內(nèi)容 利用 MATLAB 實現(xiàn)基于獨立成分分析的流程工業(yè)過程監(jiān)控方法的研究與仿真。另外，大部分工業(yè)過程都不是運行在單一的工況下，相反，在各種工業(yè)生產(chǎn)過程中，普遍存在著工況的切換問題。 針對傳統(tǒng)多變量統(tǒng)計過程監(jiān)控技術(shù)要求過程信息服從正態(tài)分布的約束性，應(yīng)用基于獨立成分分析方法的過程監(jiān)控方法對典型生產(chǎn)過程監(jiān)控與故障診斷的研究。檢測到異常變化時，使用變量貢獻圖確定故障源，實現(xiàn)故障的分離。 (2) 以 MATLAB 為過程監(jiān)控平臺。 六、進度安排 — 查找資料，通過書籍和視頻學(xué)習(xí)小波 分析和主元分析法的基本理論，初步 練習(xí)使用 MATLAB 軟件。完 成開題報告。 — 編寫程序，完成 MATLAB 中的算例 仿真。 — 撰寫論文，準備答辯。 Sons, New York, 1973. [13] Seongkyu Yoon , MacGregor J F. Statistical and causal modelbased approaches to fault detection and isolation [J] . AIChE J , 2020, 46( 9):18131824. [14]M. J. Piovoso, K. A. Kosanovich, and R. K. Pearson. Monitoring process performance in real time. In Proc. of the American Control Conf. ,pages 23592363, Piscataway, New Jersey, 1992. IEEE Press. [15]E. W. Jacobsen. Studies on Dynamics and Control of Distillation thesis, University of Trondheim, Trondheim, Norway, 1991. [16]B. M. Wise, N. L. Ricker, D. J. Velkamp, and B. R. Kowalski. A theoretical basis for the use of principal ponent models for monitoring multivariate processes. Technnical report, Eigenvector Research, Manson, Washington,1989. [17]S. Wold. Crossvalidatory estimation of ponents in factor and principal ponents models. Technometrics, 20:397405. [18]J. F. MacGregor and T. Kourti. Statistical process control of multivariate processes. Control Engineering Practice, 3:403414,1995. [19] J. E. Jackson. A User’s Guide to Principal Components. John Wiley amp。 Sons, New York, 3rd edition,1990. 選題是否合適： 是□ 否□ 課題能否實現(xiàn)： 能□ 不能□ 指導(dǎo)教師（簽字） 年 月 日 選題是否合適： 是□ 否□ 課題能否實現(xiàn)： 能□ 不能□ 審題小組組長（簽字） 年 月 日 摘 要 多變量統(tǒng)計過程控制理論、小波分析理論為基礎(chǔ)，結(jié)合獨立成分分析 (ICA, Independent Component Analysis )的建模原理，建立基于 ICA 的生產(chǎn)過程監(jiān)控系統(tǒng)。本文以過程監(jiān)控變量為研究對象，通過對歷史數(shù)據(jù)進行小波降噪和獨立成分分析，建立優(yōu)化的獨立元模型，利用獨立元模型對 “生產(chǎn)模擬控制系統(tǒng) ”的仿真實時數(shù)據(jù)進行在線監(jiān)控，采用 SPE 統(tǒng)計量、 2dI 統(tǒng)計量和 2eI 統(tǒng)計量判斷系統(tǒng)是否發(fā)生故障。研究結(jié)果表明：對于受噪聲污染的過程信息，與傳統(tǒng) 獨立成分分析方法相比，基于小波降噪 獨立成分分析方的過程監(jiān)控方法具有更低的誤報率和漏報率，提高了過程性能監(jiān)控和故障診斷的準確性，從而進一步證實了此方法的有效性。ICA。 ABSTRACT The process monitoring and fault diagnosis is one of the most impotant problem in the process industry. Through monitoring the state of the production process,detecting the fault,process upsets and other abnormal events promptly,locating and removing the factors causing such event,the safety of production process will be assured and the quality of the product will be improved. With the development of Production Process Technology, Process performance monitoring is an important development direction and this paper analyses the current situation of multivariate statistical process monitoring control (MSPC) method and the technology in the field of process monitoring. Based on the theory of MSPC and wavelet analysis， building up the independent ponent analysis(ICA) modeling theory. For the limitation of traditional MSPC method’s assumption that process information must be subjected to normal distribution, ICA is applied to fault diagnosis. This paper for process monitoring variables as research object, building up through