基于ICA的工业过程监控技术研究
(4)在分析了传统的多聚合过程的监控进行了初步的研究
,工业实例表明了该方法的有效性。
本文链接:/Thesis_Y1267211.aspx
授权使用:中国科技大学(wfzykjdx),授权号:287b3e08-01c3-474f-b466-9de60164d80c
下载时间:2010年9月3日
(1)介绍了工业过程建模与监控的有关知识;引入了主成分分析与偏最小二乘回归等多元统计与回归方法,并分析了其基本思想与优缺点。
(2)针对丙烯聚合过程的强非线性、多变量相关性以及多尺度特性,提出将主成分分析、多尺度系统理论和人工神经元网络相结合的PCA-MSA-RBF模型,用于熔融指数的预报,取得了较好的效果。
在过程建模方面,本文利用九十年代中期发展起来的新技术——支持向量机(SVM)进行回归建模。作为一种基于统计学习理论的学习机器,支持向量机表现出良好的泛化能力和学习性能。对于轧钢加热炉这样一个工艺过程复杂,具有非线性和滞后性特点的系统,本文通过仿真研究表明,支持向量机对出炉钢温建模表现出很好的逼近能力,可以满足工程精度要求,达到了对出炉钢温进行预报的目的。
北京化工大学
硕士学位论文
基于ICA的工业过程监控技术研究
姓名:滕建
申请学位级别:硕士
专业:控制理论与控制工程
指导教师:李宏光
20080606
基于ICA的工业过程监控技术研究
通过对三容水箱系统的仿真研究,证明该系统框架具有良好的监控性能,可以获得比较理想的故障诊断结果。
最后,在总结全文的基础上,提出了有待于进一步研究的方向
2.学位论文施健工业过程统计建模与监控方法研究2006
工业过程系统建模与监控是正确指导生产、保证安全生产的重要手段,也是进行过程优化与控制、保障生产过程平稳运行的基础。工业生产过程通常都存在着高度非线性与不确定性,工艺机理复杂,设备工段繁多,因此采用机理建模方法以及基于数学模型的监控方法来研究这些过程都存在相当大的难度。由于目前底层基本控制系统及数据库技术的普及,生产过程的数据很丰富,故常可以考虑建立描述对象外特性的统计模型。统计建模与监控方法一般对系统内部机理的了解要求很少,甚至可以在完全不了解系统内部结构和机理的情况下建立模型。丙烯聚合过程机理复杂,生产工艺多样。熔融指数(MI)是确定产品牌号的重要指标,由于缺乏在线分析仪表,测量间隔和迟延很大,给质量控制带来了不利的影响,特别是在产品牌号切换过程中会产生大量的不合格料,带来了经济上的损失。本文的研究正是着眼于统计方法在工业过程特别是丙烯聚合过程中的应用,主要的工作与成果有:
在故障诊断方面,本文提出了一种基于独立成分分析(ICA)与支持向量机(SVM)对系统性能进行监控的整体框架。这一框架包括两个方面:
(1)通过ICA进行特征提取,对监测系统进行降维,得到主要特征统计量。利用核密度估计方法确定控制限,从而建立起在线监测模型。
(2)利用SVM训练多故障分类器,当监测到故障发生时,通过SVM故障分类器检验确认是否为故障,并且辨识出是哪一类故障。
作者:滕建
学位授予单位:北京化工大学
1.学位论文杨劭伟基于SVM、ICA方法的过程建模与故障诊断研究2007
随着计算机技术在工业过程控制中的广泛应用,大量的过程数据被采集并存储下来,但是这些包含过程运行状态信息的数据并没有被有效地利用
,以致出现了所谓的“数据丰富,信息匮乏”的现象。本文以多变量统计过程控制领域为研究背景,从这些存储的数据中挖掘出过程运行的深层次信息,充分利用这些信息进行过程建模和故障诊断。
基于核独立元分析的间歇过程在线监控
摘 要 ：针 对 间 歇 过 程 独 特 的数 据 特 点 ，提 出 了一 种 基 于 核 独 立 元 分 析 （ ｅｎ ｌ Ｃ ｋ ｒｅ Ｉ Ａ） 的 局 部 在 线 建 模 监 控 方 法 。 核 独 立 元 分 析 通 过 规 范 相 关 性 将 比较 函数 扩 展 到 一 个 再 生 的核 希 尔 伯 特 空 间 ，并 用 核 的 方 法 在 此 空 间 对 比 较 函
在mica的监控图中只有12监控图能监测到故障的发生而基于kernelica方法的监控如图5bc所示两个统计量在150速上升超过99的控制限能准确及时地检测到故障说明了kernelica算法是一种比传统的ica算法更有效的特征提取方法并且对源数据的分布有较宽的适应性在间歇过程监测中有更好的监控效果
第６卷 １
Ｔｅ ｈ ｏ ｏ ｃ ｎ ｌ ｇｙ， Ｓ ａ ｇ ａ ０ ２ ７ Ｃ ｉ ａ） ｈ ｎ ｈ ｉ２ ０ ３ ， ｈ ｎ
Ａｂ ｔ ａ ｔ Ａ ｏ ｅ ｂ ｔ ｈ ｐ ｏ ｅ ｓ ｍｏ ｉ ｒｎ ｐ ｒ ａ ｈ ｂ ｓ ｄ ｏ ｅ ｎ ｌｉ ｄ ｐ ｎ ｅ ｔ ｃ ｍｐ ｎ ｎ ｎ ｌ ｓｓ ｓｒ ｃ ： ｎ ｖ ｌ ａ ｃ ｒ ｃ ｓ ｎ ｔ ｉ ｇ ａ ｐ ｏ ｃ ａ ｅ ｎ ｋ ｒ ｅ ｎ ｅ ｅ ｄ ｎ ｏ ｏ ｅ ｔ ａ ａ ｙ ｉ ｏ （ ｅ ｎ ｌ ＣＡ ） ａ ｄ ｏ ａ ｍ ｏ ｅ ｉ ｇ ｋｒｅ Ｉ ｎ ｌ ｃ ｌ ｄ ｌ ｗａ ｐ ｏ ｏ ｅ ． ｒ ｅ ＣＡ ｉ ｎ ｍｐ ｏ ｅ ｉ ｄ ｐ ｎ ｅ ｔ ｏ ｏ ｅ ｔ ｎ ｓ ｒ ｐ ｓ ｄ Ｋｅ ｎ ｌ Ｉ ｓ ａ ｉ ｒ ｖ ｄ ｎ ｅ ｅ ｄ ｎ ｃ ｍｐ ｎ ｎ ａ ａ ｙ ｉ （ ＣＡ ） Ｉ ｓ ｓ ｃ ｎ ｒ ｓ ｕ ｃ ｉ ｎ ａ ｅ ｎ ｃ ｎ ｎ ｃ ｌ ｏ ｒ ｌ ｔ ｎ ｎ ａ ｒ ｐ ｏ ｕ ｉ ｇ ｋ ｒ ｅ ｉ ｅ ｔ ｎ ｌ ｓｓ Ｉ ． ｔｕ ｅ ｏ ｔ ａ ｔｆ ｎ ｔｏ ｓ ｂ ｓ ｄ ｏ ａ ｏ ｉａ ｒ ｅ ａ ｉ ｓ ｉ ｅ ｒ ｄ ｃｎ ｅ ｎ ｌＨ ｌ ｒ ｃ ｏ ｂ
ICA介绍以及背景
独立分量分析(independentcomponentanalysis,ICA)方法是从一组观测信号中提取统计独立分量的方法。
因为用这种方法分解出的各信号分量之间是相互独立的,而测得的脑电信号往往包含若干相对独立的成分,所以用它来分解脑电信号,所得的结果更具有生理意义,有利于去除干扰和伪差。
本文简要地回顾了ICA的发展历史和主要算法,综述了它在脑电信号处理中的应用及研究进展,并指出了需要进一步研究解决的问题。
独立成分分析(ICA)是一项把混合信号分解成具有统计独立性成分的新技术。
ICA近年已在生物医学和雷达等领域的信号分离中展示了很好的应用前景。
我们比较系统地介绍了ICA 的基本原理、主要算法、应用和将来ICA研究的发展方向,旨在进一步推动有关的理论与应用研究工作ICA(独立成分分析)是一种将混合信息分解为几个统计独立成分的线性组合的新方法,它能够有效地提取混合信息的主要特征。
通过对过程数据进行ICA分析,确定独立元,建立独立成分模型,利用统计量控制界限值和变量对统计量的贡献率监测生产过程状态,并对于异常状态给出引起异常的原因。
在聚合反应过程中的应用说明了该方法用于对生产过程进行监控与故障诊断的有效性。
独立成分分析(ICA)是一项把混合信号分解成具有统计独立性成分的新技术.ICA近年已在生物医学和雷达等领域的信号分离中展示了很好的应用前景.我们比较系统地介绍了ICA的基本原理、主要算法、应用和将来ICA研究的发展方向, 旨在进一步推动有关的理论与应用研究工作.摘要人类对技术的追求永无止境，保障生产安全和减小产品质量波动一直是工业生产过程的两大追求目标。
在工业生产过程中，及时有效地发现、检测和修复过程故障是提供性能优良、品质一致产品的先决条件，这也是进行工业过程监控的目的和动机。
工业过程监控技术从单变量过程监控算起，已有近七十多年的历史，但基于多变量信息的过程监控技术至今也不过十几年的时间。
在此领域虽已获得了大量成果，但研究基本上是在过程检测数据服从多元正态分布和独立同分布的两个假设下进行的。
基于最小均方误差准则的ICA过程监控方法
第42卷第11期2013年11月热力发电T H E R M A L P O W ER G E N E R A T l0NV01．42N o．1lN O v．2013巷于最小t多方误夏l；压则钐I C A@哥霉监棺方占乏王靖程，任志文，舒西安热工研究院有限公司，陕进，周西西安昭亮710043[摘要]独立成分分析(I C A)近年来在过程监控领域获得广泛关注。
针对I C A的数据降维问题，提出了一种基于最小均方误差准则的I C A降维算法(M SE—I C A)并给出了数学证明。
该算法按照最小均方误差估算独立成分的重要性进行排序，能够准确选择影响过程状态的关键隐变量，有效增加基于I C A的过程监控算法的鲁棒性，集中监控对过程状态变化起决定作用的成分，从而有效提高了过程监控算法的性能。
仿真试验和某电厂制粉系统故障数据测试均表明，该方法能够显著降低过程监控方法的漏检率，提高检测的可靠性。
[关键词]锅炉；制粉系统；过程监控；最小均方误差；I C A；M SE-I C A[中图分类号]T P277r[文献标识码]A[文章编号]1002—3364(2013)11一0121一06[D oI编号]10．3969／j．i s sn．1002—3364．2013．11．121A m i ni m umm e an s quar e e r r or bas e d noV el pr oces s m O ni t or i ngm et hO d w i t h i ndependent cO m ponent ana l ys i sW A N G J i ngcheng，R E N Z hi w en X i，a n T her m al P ow e r R e s ear c h I ns t i t ut e Co．，Ltd．，S H U J i n，Z H O U Z ha01i a ng ，C hi n a H uane ng G r oup，X i，an710032，C hi naA bst隐c t：R e cent l y，i ndependent com ponent ana l ys i s(I C A)has at t r ac t ed w i de at t ent i on i n pr oc es s m oni t or i ng．T hi s ar t i cl e pr oposed a novel di m ens i on r educ t i on m e t hod of I C Af or pr oc es s m oni t o—r i ng，on t he basi s of m i ni m um m ean squar e er r or(M SE)，and t he m at hem at i cal pr oof w a s pr esen—t e d．T he or der of t he i ndependent com ponent s(I C s)w a s r anked a cc or di ng t o t hei r i m por t ance e s—t i m a t e d by t he M SE，and co r r ec t l at ent va r i abl es w er e se l ect e d t o i m pr ove t he per f o r m ance of pr oc es s m oni t or i ng bas ed on I C A．T he pr oposed di m ens i on r educ t i on m et hod w as appl i ed t o f aul t de t ect i on i n a pr oc es s si m ul at i on and t he da t a of pul ve r i z i ng s ys t em i n pow er pl ant under f aul t condi t i on．T he r esul t s ver i f i ed t hat t hi s m et hod c oul d decr e ase t he m i s s de t ect i on r at e and enhance t he de t e ct i on re l i a bi l i t y．K e y w or ds：i nde pendent com ponent ana l ysi s；pr ocess m oni t or i ng；m i ni m um m e a n s qua r e er r or；pu卜ver i z i ng s yst em电力工业向高参数、大容量机组的发展要求生产过程更加稳定、可靠，因此及早发现系统异常和准确判断故障区域尤为重要。
211086671_厂级监控信息系统(SIS)在热电厂自动化系统中的应用
110研究与探索Research and Exploration ·工艺流程与应用中国设备工程 2023.04 （下）1 概述SIS 系统应单独组成独立网络，并与生产自动控制系统（如DCS、辅控等）和热电厂管理系统实行连接。
SIS 与管理信息系统的信息流向应单向设计，实行单向物理隔离，只允许SIS 向管理信息系统发送数据。
对于SIS 需要向DCS 发送开关、启停数字量指令或模拟量指令（如设定压力、温度值）时，应采用接硬线方式进行连接。
SIS 网络安全装置（含软、硬件，如单向物理隔离装置）应符合国家标准，并通过国家认证。
能有效防止病毒和非法入侵，保证热电厂各个系统的正常运行。
2 SIS 系统总设计原则 SIS 系统总设计应符合本热电厂现场具体条件、实际需要、相关技术规范要求，符合国内外最新规范、标准。
在保证系统能正常运行的前提下，保证系统安全稳定、适用可靠，并具有一定的可扩充能力。
（1）一致性。
SIS 系统生产过程画面完全按照DCS 系统画面、流程图进行设计，使SIS 系统界面与DCS 画面一致，便于工作人员查看和操作。
（2）安全可靠性。
设计方案所用软件应安全可靠。
（3）技术成熟先进性。
设计方案所用技术应成熟先进，不仅能满足热电厂当前需求，还应考虑到长远规划，以获得更大的经济效益。
（4）标准性和开放性。
方案尽量选用标准和开放的技术和软件，同时，应保证系统有较好的互操作性。
（5）可扩展性和可管理性。
设计方案时，应考虑使用单位应用需求的变化，使系统能方便地扩充和升级并始终处于可管理状态。
3 SIS 系统软件配置原则（1）SIS 系统所用全部软件应具有良好的兼容性，并应具备兼容认证文件。
（2）SIS 系统中数据可以被系统中各种应用使用。
当多个用户同时共用同一组数据时，数据应正确、一致和唯一。
（3）SIS 系统应能单点登录，当需要查看某个单点厂级监控信息系统(SIS)在热电厂自动化系统中的应用梁海娟，崔国中（山东滨海能源有限公司，山东 潍坊 262737）摘要：iCanSis 厂级监控信息系统(SIS) 是集过程监视、控制、优化和生产管理为一体的系统。
ica概念 -回复
ica概念-回复ICA（Independent Component Analysis，独立分量分析）是一种多变量统计方法，旨在从多个输入信号中提取独立的源信号。
这项技术最早由芬兰科学家Aapo Hyvärinen于1997年提出，被广泛应用于信号处理、图像处理、脑电图分析等领域。
本文将以ICA概念为主题，逐步回答有关ICA的相关问题。
第一部分：ICA是什么？ICA是一种基于统计独立性原理的信号处理方法，旨在从混合信号中分离出独立的成分。
它与常见的信号处理方法（如傅里叶变换、小波变换等）不同，ICA不仅可以解决线性信号的分离问题，还可以处理混合信号具有非线性关系的情况。
第二部分：ICA的原理是什么？ICA的原理基于统计独立性的概念，假设混合信号可以表示为独立成分的线性组合。
首先，ICA会对混合信号进行预处理，以消除可能的尺度差异和均值偏移等影响。
然后，ICA采用统计学方法，通过估计数据的概率分布来找到最大独立性。
具体地说，ICA利用高阶统计信息（如高阶矩、高阶累积量等）来估计独立成分的参数，并使用迭代算法或最大似然估计等方法来求解估计问题。
第三部分：ICA的应用领域有哪些？ICA在信号处理和模式识别领域有广泛的应用。
其中，音频处理是ICA应用的一个重要领域，例如在语音分离、语音增强、音乐分析等方面可以得到良好的效果。
另外，ICA还被广泛应用于图像处理领域，如图像分割、图像检索等。
此外，ICA还可以用于脑电图(EEG)分析、心电图(ECG)分析等生物医学信号处理领域。
最近，ICA还被应用于神经影像数据的处理，如功能性磁共振成像(fMRI)。
第四部分：ICA的优点和局限是什么？ICA具有以下几个优点：首先，ICA能够提取出混合信号中的独立成分，使得信号的各个成分可以得到更好的理解和研究。
其次，ICA不需要对混合信号的数据进行先验知识的约束，可以直接从原始数据中提取信息。
此外，ICA还可以处理非高斯分布的信号，这在很多实际应用中具有重要意义。
计算机视觉技术在工业检测与质量控制中的应用案例分享
计算机视觉技术在工业检测与质量控制中的应用案例分享随着科技的不断进步，计算机视觉技术在工业检测与质量控制中的应用越来越广泛。
计算机视觉技术利用数字图像处理及模式识别等方法，能够对工业产品进行自动检测和质量控制，提高生产效率和降低成本。
本文将分享两个计算机视觉技术在工业检测与质量控制中的经典应用案例。
第一个案例是在电子制造业中的焊接质量控制。
焊接是电子制造中常见的连接方法，焊接质量直接影响到产品的可靠性和性能。
传统方法需要依靠人工进行焊接质量的检测，费时费力且误差率较高。
而借助计算机视觉技术，可以实现自动化的焊接质量检测。
在这个案例中，计算机视觉系统通过摄像头捕获焊接过程中的图像，并通过图像处理算法提取焊缝形状、焊接温度等关键参数。
然后，计算机视觉系统利用先进的模式识别技术和机器学习算法，对焊接质量进行评估。
如果检测到焊接缺陷，系统将自动发出报警信号，通知工人进行修补或更换焊接位置。
这种计算机视觉技术在焊接质量控制中的应用，有效减少了人工检测带来的工时和错误率，并提高了焊接质量的稳定性和一致性。
同时，通过实时监测焊接过程，还可以及时发现潜在的问题并采取相应措施，从而提高了制造效率和降低了不良品的产生率。
第二个案例是在制药行业中的药片质检。
药片是制药行业中常见的产品，保证药片质量的稳定性和一致性对于药物疗效和安全性至关重要。
传统的药片质检需要依靠人工进行目视检查，不仅费时费力，而且容易出现漏检和误判的情况。
利用计算机视觉技术可以实现快速、准确的药片质检。
在这个案例中，计算机视觉系统通过高分辨率的图像传感器获取药片的图像，并利用图像处理算法提取药片的形状、颜色、纹理等特征。
然后，系统根据预先训练好的模型和算法，对药片的各项质量指标进行评估。
如果检测到质量异常的药片，系统会自动将其分离出来，以确保只有合格的药片进入市场。
计算机视觉技术在药片质检中的应用大大提高了质检的效率和准确性。
相比传统的人工质检，计算机视觉系统可以更快速地完成质检过程，并减少了由于人为因素而引入的错误和漏检率。
基于I 2C总线的CPU温度监控系统
１ １Ｃ主设 备 首 先 启 动 一 次 写 周 期 ， 据 线 上 的 ）２ 数 第一 个 字节将 被 默认 地写 入地 址 寄存器 。
２ 在 第二 个 数据 周 期 ， ） 主设 备 将 控 制命 令 写 入 配
置寄 存器 。
３ Ａ Ｔ４ １开始工 作 ， 集 本 地 或 远程 温度 值 并 ） Ｄ ７６ 采
第４卷 ２
第 ４期
航 空 计 算 技 术
Ａｅ ｏ ａ ｔｃ ｌＣｏ ｕｔ ｃ ｉ ｕ ｒ ｎ ｕ ｉａ ｍｐ ｉ Ｔｅ ｈｎ ｑ ｅ ｎｇ
Ｖ０ ＿ ｌ４２ Ｎｏ． ４
２１ ０２年 ７月
Ｊ １２ １ ｕ． ０ ２
基 于 Ｉ Ｃ总 线 的 Ｃ Ｕ温 度 监 控 系 统 ２ Ｐ
图 １ Ａ Ｔ ４ １内部 结 构 图 Ｄ ７６
从 设 备 反 馈 应 答 信 号 Ａ Ｋ， 接 到 应 答 信 号 后 ， 设 Ｃ 再 主
８ Ｊ ｌ ９
Ｓ Ａ ｆ Ｏ ｊ Ａ Ａ Ａ Ａ Ａ 州 Ｉ 』 ×Ｉ ×Ｊ ０Ｊ １ ２ ３ ４ ５ ６Ｉ ７ Ｄ Ｉ Ａ Ａ１Ｉ ２Ｉ ３ｌ ４Ｉ ５Ｉ ６Ｊ × ｘ Ｄ Ｄ Ｉ Ｉ ｌ Ｉ Ｒ Ｄ Ｉ Ｄ Ｄ Ｄ Ｄ Ｄ
存 于温度 寄存 器 中。 ４ 温度寄存 器与温度 界限寄存器 中的值进 行 比较 。 ） ５ 如 果温 度超 过 阈值则 产 生报 警信 号 Ａ Ｅ Ｔ ） ＬＲ 。 ６ ＩＣ主设 备 通 过 读 取 Ａ Ｔ ４ １设 备 地 址／ 空 ） Ｄ ７６ 清
过 １Ｃ总 线 ， 成 Ｃ Ｕ与 Ａ Ｔ４ １的互 联 ， ２ 完 Ｐ Ｄ ７６ 实现 处 理
木
。
．
ｃ ￣ Ｐ ｕ
１
川门 皿 不
２１ ０ ２年 ７月
基于独立成分分析(ICA)的分类研究及在蛋白分类中的应用
共获得 ７ ６组 不 同种类 的嗜热 蛋 白序列 。然后 再寻
独 立 成 分 分 析 方 法 （Ｃ ） 近 几 年 才 发 展 起 来 ＩＡ 是
的一种新 的统计方法。应用该方法 的 目的是将观察
找其 对应 的常温蛋 白 ， 共计 ７ ６组 ， 取其 中的 ６ Ｏ条常 温数据用于测试 。另外 的 ２ ０组嗜热和 ２ ０组 常温蛋 白的 Ｐ ＢＩ 源于文献 ［ ］ 根据 Ｉ Ｄ Ｄ来 ４， Ｄ号从 Ｐ Ｂ下 Ｄ
． （ ）＝ ［ ｛ （ ） 一Ｅｌ （） ］ ， Ｇ甜 ｝ ｝ Ｇ （） １
方法 ， 并具体将该方法用于蛋 白的分类。 蛋 白质的热稳定性一直是生物物理和生物技术
领域研 究的热点 ， 嗜热酶作 为生物 催化剂 有许 多 而
优 势 ， 而它 成 为 相 关 研 究 的一 个 重 点 。很 多 文 献 因
载其 序列 ， 见表 １ 。
３ Ｉ Ａ算 法 及 应 用 Ｃ
３ １ Ｉ Ａ 原 理 ． Ｃ
到的数据进行某种线性 分解 ， 其分解成 统计 独立 使 的成分 。与 Ｐ Ａ 相 比 ， Ａ能更 本 质地描 述过 程 Ｃ Ｉ Ｃ
特征且需处理的独立元数 目较 主元数 目更少。该方
法在特征提取 、 过程监控 、 盲源信 号分 离 、 生理学 数
报道了此类研究工作 ， 但大 多采用 比较传统 的统计 分类方 法。例如 ： 文献 ［ ］ ２ 利用 了 Ｐ Ａ、 最小二乘 Ｃ 偏 回归和 Ｂ Ｐ神经网络三种方法进行分类 ； 文献 ［ ］ ３ 用
支持向量机进行分类 。本文研究 了基 于 ＩＡ方法 的 Ｃ 蛋 白分类 问题 。为 了便于开 展工作 ， 文首先 建立 本
研 究 与 应 用
化 动 及仪 ２１ ３（ ） ６ ８ 工自 化 表，０ ，７１ ： ～９ ０ ２８
aigc 在工业中的应用
AIGC在工业中的应用应用背景人工智能（Artificial Intelligence, AI）是一项涉及模拟、推理和学习人类智能的科学与工程领域。
随着技术的不断发展，AI在各个领域中得到了广泛应用，其中包括工业领域。
AI在工业中的应用可以提高生产效率、降低成本、改善产品质量以及优化供应链等方面发挥重要作用。
AIGC（AI in General Control）作为一种通用控制技术，可以帮助实现自动化控制和决策，极大地推动了工业生产的发展。
应用过程AIGC在工业中的应用过程包括数据采集、数据分析和智能决策三个关键步骤。
数据采集数据采集是AIGC应用过程中的第一步。
传感器和物联网设备被广泛应用于生产现场，实时收集各种参数数据，如温度、湿度、压力、振动等。
通过这些设备收集到的海量数据提供了基础信息。
数据分析数据分析是AIGC应用过程中的核心环节。
通过使用机器学习算法和深度学习模型，对采集到的数据进行处理和分析，提取出有价值的信息。
这些数据可以包括生产过程中的异常情况、设备故障、产品质量问题等。
通过数据分析，可以实现对生产过程的实时监控和预测，为后续的智能决策提供依据。
智能决策基于数据分析的结果，AIGC可以做出智能决策。
这些决策可以包括设备维护计划、生产调度安排、产品质量控制等。
AIGC可以根据实时情况作出快速响应，并通过不断学习和优化来提升决策的准确性和效率。
应用效果AIGC在工业中的应用带来了许多显著效果：生产效率提升AIGC通过实时监控生产过程中各个环节的状态，并根据数据分析结果做出相应调整，从而有效地提高了生产效率。
例如，在制造业中，AIGC可以根据订单需求和设备状态自动调整生产线速度和产品切换时间，避免了人工操作带来的延误。
成本降低AIGC在工业中还可以帮助降低成本。
通过对设备状态的实时监测和预测，可以实现设备维护的精确计划，避免因设备故障带来的停机时间和生产损失。
此外，AIGC 还可以通过优化生产调度、减少废品率等方式降低生产成本。
基于ICA和LOF的故障检测
第34卷第3期2022年6月沈阳大学学报(自然科学版)J o u r n a l o f S h e n y a n g U n i v e r s i t y(N a t u r a l S c i e n c e)V o l.34,N o.3J u n.2022文章编号:2095-5456(2022)03-0197-08基于I C A和L O F的故障检测郭金玉,王霞,李元(沈阳化工大学信息工程学院,辽宁沈阳110142)摘要:针对实际工业过程中的高斯与非高斯变量同时存在的问题,提出一种基于独立元分析(i n d e p e n d e n t c o m p o n e n t a n a l y s i s,I C A)和局部离群因子(l o c a lo u t l i e r f a c t o r,L O F)的故障检测方案㊂利用I C A算法提取数据独立元,加入独立元的时滞输入特性和时差输入特性构建成增广矩阵㊂运用L O F算法剔除训练数据增广矩阵中的离群点,排除离群点对建模的影响㊂用剩余数据建立L O F模型,并计算检测指标L O F的值,通过核密度估计计算控制限㊂将检测指标与控制限做对比,确定检测数据是否正常㊂将该方案用于田纳西伊斯曼过程,并分别与传统的I C A和L O F方法比较,仿真结果说明该方法通过构建独立元空间增广矩阵和剔除离群点,有效地提高了L O F的故障检测率,同时也降低了误报率㊂关键词:故障检测;独立元分析;增广矩阵;局部离群因子;田纳西伊斯曼过程中图分类号:T P277文献标志码:AF a u l t D e t e c t i o n B a s e d o n L O F o f A u g m e n t e d M a t r i x i n I n d e p e n d e n t C o m p o n e n t S p a c eG U OJ i n y u,WA N G X i a,L IY u a n(C o l l e g e o f I n f o r m a t i o nE n g i n e e r i n g,S h e n y a n g U n i v e r s i t y o f C h e m i c a l T e c h n o l o g y,S h e n y a n g110142,C h i n a)A b s t r a c t:C o n s i d e r i n g t h ec o n c u r r e n c e i s s u eo fG a u s s i a na n dn o n-G a u s s i a nv a r i a b l e s i nt h ep r a c t u a l i n d u s t r i a l p r o c e s s,a f a u l t d e t e c t i o ns c h e m eb a s e do nI C Aa n dL O F w a s p r o p o s e d.I n d e p e n d e n tc o m p o n e n ta n a l y s i s(I C A)a l g o r i t h m w a s u s e dt o e x t r a c tt h ei n d e p e n d e n t c o m p o n e n t s o f d a t a.T h e t i m e d e l a y a n d t i m e d i f f e r e n c e i n p u t c h a r a c t e r i s t i c s o f i n d e p e n d e n t c o m p o n e n t sw e r e a d d e d t o c o n s t r u c t t h e a u g m e n t e dm a t r i x.T h e l o c a l o u t l i e r f a c t o r(L O F) a l g o r i t h m w a s u s e d t oe l i m i n a t e t h eo u t l i e r s i na u g m e n t e d m a t r i xo f t h e t r a i n i n g d a t a,a n d e l i m i n a t e t h e i n f l u e n c e o f o u t l i e r s o n t h em o d e l i n g.T h e r e m a i n i n g d a t aw a s u s e d t o b u i l d t h e L O Fm o d e l,a n d t h e v a l u e s o f t h e d e t e c t i o n i n d e xL O Fw e r e c a l c u l a t e d.T h e c o n t r o l l i m i t o f L O Fw a s c a l c u l a t e db y k e r n e l d e n s i t y e s t i m a t i o n.T h ed e t e c t i o n i n d e x w a sc o m p a r e d w i t h t h e c o n t r o l l i m i t t o d e t e r m i n ew h e t h e r t h e d e t e c t i o nd a t aw a s n o r m a l.T h i s s c h e m ew a s u s e d i n t h eT e n n e s s e e-E a s t m a n p r o c e s s a n d c o m p a r e dw i t h t h e t r a d i t i o n a l I C Aa n dL O F m e t h o d s r e s p e c t i v e l y.T h es i m u l a t i o nr e s u l t ss h o wt h a tt h i s m e t h o de f f e c t i v e l y i m p r o v e st h ef a u l t d e t e c t i o n r a t e o fL O Fa n d r e d u c e s t h e f a l s e a l a r mr a t eb y c o n s t r u c t i n g a u g m e n t e dm a t r i x i n i n d e p e n d e n t c o m p o n e n t s p a c e a n d e l i m i n a t i n g o u t l i e r s.K e y w o r d s:f a u l td e t e c t i o n;i n d e p e n d e n tc o m p o n e n ta n a l y s i s;a u g m e n t e d m a t r i x;l o c a lo u t l i e r f a c t o r;T e n n e s s e e-E a s t m a n p r o c e s s在现代工业生产高度智能化的时代背景下,我国致力于先进科学技术的发展与工业生产自动化的提升,现代化的工业过程普遍向智能化㊁多维度㊁大规模和高自动化水平方向靠拢㊂这些特点是提高控制系统稳定性的关键,为工业生产过程的安全性提供保障㊂近几年,基于数据驱动的多元统计分析方法被国内外许多学者深入研究,并且在工业过程领域取得快速发展[14]㊂在我国,大多数行业通过将设备状态监控与故障诊断手段相结合运用到实际生产过程中㊂如今故障检测(f a u l t d e t e c t i o n,F D)已经成为收稿日期:20210829基金项目:辽宁省教育厅项目(L2019007)㊂作者简介:郭金玉(1975),女,山东高唐人,副教授,博士;李元(1964),女,辽宁沈阳人,教授,博士生导师㊂工业生产过程监控必不可少的手段,故障诊断方法通常可分为4类,即基于数学模型㊁基于知识㊁基于数据驱动和基于集合型故障诊断方法㊂其中数据驱动方法[5]采用统计分析㊁机器学习和深度学习建立故障诊断模型㊂这些方法大大提升了自动控制系统的稳定性,确保工业生产过程稳定运行㊂非线性已经成为现代实际生产过程的一个普遍且明显的特征,这使得如何有效地提取工业过程中的非线性信息成为故障诊断技术的重要内容㊂其中多元统计过程控制(m u l t i v a r i a t e s t a t i s t i c a l p r o c e s sc o n t r o l ,M S P C )是计算机辅助在线过程监控进行故障检测的基本工具之一[6]㊂M S P C 通常通过整合技术来降低数据维数,如主元分析(p r i n c i p a lc o m p o n e n ta n a l y s i s ,P C A )和独立元分析(i n d e pe n d e n t c o m p o n e n t a n a l y s i s ,I C A )㊂主元分析将原始数据转换为主元,并使用T 2和Q 等统计数据来监测该过程㊂K r e s t a 等[7]证明了主元分析和偏最小二乘法的有效性,并且对核主元分析(k e r n e l p r i n c i pa l c o m p o n e n t a n a l ys i s ,K P C A )无需进行非线性优化做出相关说明㊂主元分析不可避免地存在局限性,因为主元分析关于数据分布的的假设不适用于实际的工业过程㊂基于这样的假设,主元分析提取的变量符合高斯分布,而许多实际工业过程中主元分析提取的变量很少符合高斯分布㊂为了提高非高斯过程的故障检测效果,K a n o 等[8]将独立元分析应用于故障检测领域㊂I C A 算法主要思想是假设原始样本之间相互独立,不要求数据服从高斯分布,使每个分量最大化独立,便于提取非高斯过程的隐藏信息,以此来提高故障检测的性能㊂近年来,有研究者提出几种使用独立元分析进行过程监控的方法,如动态独立元分析和核独立元分析㊂动态独立元分析考虑过程的动态性,而核独立元分析[9]被用来处理非线性过程㊂关于独立元分析的大多数研究都假设该过程仅由非高斯潜在变量驱动㊂然而,G e 等[10]提出实际过程总是同时存在高斯和非高斯变量㊂总之,独立元分析也有局限性,它假设提取的变量服从非高斯分布㊂主元分析和独立元分析都有一个共同的限制,即假设特定的数据分布很难满足实际工业中的数据分布特征㊂本文为了克服现有方法存在的数据分布假设不当而造成的局限性,提出一种新的过程监控方案,该方案将I C A 和局部离群因子(l o c a l o u t l i e r f a c t o r ,L O F )相结合,以提高工业过程监控的故障诊断性能㊂所提出的方案具有以下优点:它不必假设监控变量的具体分布,因此它可以处理高斯和非高斯混合分布的潜在变量;由于L O F 可以在潜在变量空间中确定非线性决策边界以及无控点,所以与现有方法相比可以更精确地估计控制限,从而可以减少第2类误差㊂1 基于I C A 和L O F 的故障检测1.1 独立元分析算法(I C A )提到独立元分析(I C A )算法就会想到著名的 鸡尾酒会 问题,K i m 等[11]首先提出I C A 的相关概念,并且简单地对I C A 进行了一系列的描述,认为I C A 是从复杂的线性混合变量中分离出原始的独立潜变量㊂如果用X 和S 分别表示混合变量和原始的独立潜变量,它们的关系可以表示为X =A S =A s T(1)︙s T(m éëêêêùûúúú)㊂(1)式中,A 是未知的混合矩阵㊂原始自变量s T (1), ,s T(N )可以通过计算分离矩阵W 来估计,W 是A 的逆矩阵,F a s t I C A 是基于非高斯最大化原理计算W 的最广泛使用的算法㊂算法的细节可参见文献[12]㊂重构的独立潜在变量^S 为^S =W X =^s T (1)︙^s T (m éëêêêùûúúú)ʈS ㊂(2) 独立元分析已被引入过程监控领域的降维㊂自从K a n o 等[8]在过程监控中引入独立元分析以来,已经出现了与独立元分析结合用于过程监控的各种措施㊂L e e 等[13]为基于独立元分析的M S P C 提出3个监测统计量I 2d ㊁I 2e 和Q ㊂通过选择降序排列的系数和的几行,将W 分为主要部分W d 和排除部分W e ㊂I 2d 用于监测独立元内部的变化,其定义为I 2d =^s T d^s d ㊂(3)式中,^s d =W d x ㊂^s d 是用主要部分W d 重构的独立潜变量㊂Q 用于监测残差的变化,其定义如下:891沈阳大学学报(自然科学版) 第34卷Q =e Te ㊂(4)式中,e =x -^x ㊂I 2e 与排除的独立元部分的变化相对应,其定义如下:I 2e =^s T e^s e ㊂(5)1.2 局部离群因子算法(L O F)本文采用L O F 值(V L O F )作为基于I C A 和L O F 的监测统计量,以实现更优的效果㊂由于V L O F 的计算与数据的分布或聚类无关,因此它对于高斯和非高斯混合潜在变量的过程监控更为稳健㊂因为V L O F决定控制限以及观测值中潜变量的非线性边界,所以可以减小第2类误差,这样L O F 就比马氏距离更适合与基于I C A 的过程监测相结合㊂大部分的离群点检测算法都是通过密度㊁夹角㊁距离或者划分超平面来决定异常点㊂这些方法都是从度量数据点相似度的角度出发来判断哪些数据是异常值㊂L O F 算法是建立在数据点密度基础之上的一种离群点检测算法,准确度高[14]㊂B r e u n i n g 等[15]最早提出局部离群因子的概念,通过给每个数据点分配一个依赖于邻域密度的离群因子来定量分析其离群程度,进而有效地判断样本中数据点是否为离群点㊂L O F 方法的优点在于通过近邻距离的计算,能够消除非线性㊁多模态特性等对数据的影响,使数据集融合为单模态数据;相对密度的计算能够调整数据的疏密程度使各模态数据的方差近似相等[16]㊂L O F 算法的具体步骤如下㊂1)计算k -距离㊂计算第k 个最近的物体与物体p 的欧几里德距离并定义为k -距离,其中参数k 是近邻的数量㊂2)构造p 的k -近邻集㊂集合T k N N (p )由距离p 的k -距离内的对象构造㊂3)计算p 的可达距离㊂T k N N (p )中p 到对象o 的可达性距离计算为r d k (p ,o )=m a x {k d (o ),d (p ,o )},式中,d (p ,o )是p 到o 的欧几里德距离㊂4)计算p 的局部可达性密度(l o c a l r e a c h a b i l i t y d e n s i t y ,L R D )㊂定义为D L R k (p),D L R k (p)=k ðo ɪT k N N (p)r d k (p ,o )㊂(6) 5)计算p 的L O F 值㊂p 的L O F 值定义为V L O F (p ),V L O F (p )=1/kðo ɪT k N N (p)D L R k(o )D L R k(p )㊂(7)式中,V L O F (p )是T k N N (p )的平均密度与p 的密度之比,当其值小于1时,p 不是孤立的离群点,反之,p 是一个孤立的离群点㊂L a z a r e v i c 等[17]比较了包括L O F ㊁最近邻法㊁马哈拉诺比斯法和无监督支持向量机算法(s u p po r t v e c t o rm a c h i n e ,S VM )在内的离群点检测算法的能力,表明L O F 算法最好㊂1.3 基于I C A 和L O F 的故障检测基于I C A 和L O F 的故障检测包括2个部分:离线建模和在线故障诊断,其检测流程图如图1所示㊂1)离线模型建立㊂①采集训练数据集X ,利用均值和方差进行标准化;②建立I C A 模型,获取独立元;③运用L O F 模型剔除离群点;④重新建立数据集,并通过I C A 选取新的独立元S ;⑤对时刻t 的独立元S (t ),加入时滞输入特性S (t -1)和时差输入特性S (t )-S (t -1),生成增广矩阵S n o r m a l ,S n o r m a l =[S (t ),S (t -1),S (t )-S (t -1)];(8) ⑥运用式(7)计算L O F 值;⑦运用核密度估算L O F 的控制限㊂2)在线故障检测㊂①测试数据X n e w 运用离线建模数据的均值和方差进行标准化;991第3期 郭金玉等:基于I C A 和L O F 的故障检测图1 基于I C A 和L O F 的故障检测流程图F i g.1 F l o wc h a r t o f f a u l t d e t e c t i o nb a s e do n I C Aa n dL O F ②标准化后的测试数据投影到I C A 模型上,获取新的独立元S n e w ;③对时刻t 的独立元S n e w (t ),加入时滞输入特性S (t -1)和时差输入特性S (t )-S (t -1),将其生成增广矩阵S t e s t ;④将增广矩阵S t e s t 投影到LO F 模型上,计算L O F 值;⑤通过L O F 值与控制限的对比,检测数据是否正常㊂2 仿真结果与分析田纳西伊斯曼过程(T e n n e s s e e -E s a t m a n ,T E )是由D o w n s 等[18]于1993年设计的模拟实际工业过程的仿真平台,该数据集已广泛用于优化㊁预测控制㊁过程诊断和控制教育等研究,并取得许多先进科研成果[1920]㊂T E 过程工艺复杂,具有数量庞大的变量㊂图2是T E 过程的工艺流程图㊂图2 T E 过程的工艺流程图F i g.2 F l o wc h a r t o f T E p r o c e s s 在实验仿真中,使用T E 过程生成的数据,采用了L e e 等[21]提出的过程设计,其中观测变量由41个过程测量值和11个操作变量组成㊂首先对实验数据进行标准化,以避免由于变量之间的标度差异而导致的不准确性问题㊂使用500个正常样本组成训练集建立监控模型,监控21种故障㊂对于实时监控002沈阳大学学报(自然科学版) 第34卷阶段,每种故障类型包含960个观测值,故障在样本161处引入㊂采用T E 过程的21个故障进行仿真测试来验证算法的有效性㊂将500个正常样本进行独立主元分析,获取独立主元S ,然后进行时滞和时差操作并将数据进行组合,得到训练数据集的增广矩阵用于建立L O F 模型,对测试数据进行检测㊂以故障16和故障19为例,对比传统的I C A ㊁L O F 和本文方法的检测性能㊂故障16和19的检测结果分别如图3和图4所示㊂(a )I C A -I 2d(b )I C A -I 2e(c )I C A -Q(d )L O F(e)本文方法图3 故障16的检测结果F i g.3 D e t e c t i o n r e s u l t s o f f a u l t 16102第3期 郭金玉等:基于I C A 和L O F 的故障检测202沈阳大学学报(自然科学版)第34卷(a)I C A-I2d(b)I C A-I2e(c)I C A-Q(d)L O F(e)本文方法图4故障19的检测结果F i g.4D e t e c t i o n r e s u l t s o f f a u l t19从图3可以看出,L O F算法可以检测出故障但是存在明显的误报,并且在引入故障数据后很多时刻的统计量均低于控制限,漏报情况十分明显,这是因为L O F算法是一种基于密度的检测算法,要求检测的数据具有明显的密度差异,而T E数据的密度差异较小,所以该算法对数据的异常检测效果比较差㊂I C A的3个统计量都可以检测出绝大部分的故障,但是也存在误报㊂这是因为T E过程的数据是高斯与非高斯混合的分布,I C A 能够有效提取数据中的非高斯特征,无法提取数据的高斯特征,影响其检测效果㊂本文算法的故障检测效果优于传统的I C A 和L O F ,这是因为在建立模型之前剔除了数据中离群程度较高的数据,运用独立元空间的增广矩阵降低样本的自相关性,提高L O F 模型的故障检测效果㊂故障19的检测效果(图4)与故障16的检测效果(图3)类似,这3种算法都可以检测出故障,但是每种算法都存在不同程度的误报和漏报情况㊂I C A 算法对故障19的检测效果略差于故障16,Q 统计量的漏报情况十分明显㊂Q 统计量反映了在某一时刻测量值对模型的偏离程度,这表明在故障引入后,故障测量值明显偏离了建立的模型,所以产生较为明显的漏报情况㊂L O F 算法对故障19的误报少于故障16,但是漏报情况十分明显㊂对比3种算法的仿真结果图,本文算法的故障检测效果明显优于传统的I C A 算法和L O F 算法,并且误报情况极不明显,漏报情况相比于I C A 和L O F 算法较少,验证了I C A -L O F 算法的有效性㊂本文运用故障检测率来衡量算法的优越性,表1是各种方法故障检测率的对比㊂从表1中可以清楚看到,运用95%的控制限时,故障5㊁10㊁11㊁15㊁16㊁17㊁19㊁20和21的检测率相较于其他方法,都有不同程度的提高㊂这是因为本文方法在建模之前运用离群因子算法剔除明显孤立的异常点,然后通过独立元分析算法提取混合变量中的非高斯独立元构建增广矩阵,降低样本间的自相关性,提高了L O F 算法的故障检测性能,更适合由高斯和非高斯混合分布的工业过程监控㊂运用95%的控制限时,本文方法的平均故障检测率为83.54%,而运用99%的控制限时,本文方法的平均故障检测率为81.83%,高于其他2种方法,验证了该方法的有效性㊂表1 各种算法对T E 过程故障检测率对比T a b l e1 C o m p a r i s o no f f a u l t d e t e c t i o n r a t eo f v a r i o u s a l go r i t h m s o nT E p r o c e s s 单位:%故障类型95%控制限I C A -I 2dI C A -I 2eI C A -Q L O F本文方法98%控制限I C A -I 2dI C A -I 2eI C A -QL O F本文方法199.8899.8899.88100.0099.8899.5099.5099.5099.7599.88298.0098.0090.3899.2599.2597.3898.6397.8398.7599.0037.637.507.7537.0023.8818.6316.754.8820.7512.63495.5095.5095.00100.0055.0047.7589.8853.3899.2599.88599.7599.7599.7555.6399.8899.75100.0099.7540.1399.88698.7598.0097.50100.0099.88100.00100.00100.00100.0099.88770.3868.2558.00100.0099.88100.00100.0068.88100.0099.88884.5086.0085.6399.2598.5096.8898.3867.3899.0098.6398.007.637.3835.7521.6314.6318.133.3818.509.631073.2574.2572.1377.5092.2594.3890.8871.7568.6390.751159.3857.6356.0085.8887.8881.0084.5027.5079.1373.131271.2571.8868.25100.0099.8897.8899.8887.6399.7599.881393.0093.1393.5096.3896.1396.0095.6383.2595.8895.631499.1399.0099.00100.0099.8899.88100.0073.13100.0099.88158.389.258.6334.5034.6325.2531.753.6324.3814.381681.5092.6355.5079.6392.7579.7592.1368.8864.2594.501789.0088.2588.1396.5097.3897.5096.5049.7594.8895.501888.6387.2586.7593.2593.2589.3892.0089.8891.0091.501994.5096.6338.2554.1399.0040.3845.6343.6332.3896.502047.8847.0047.0079.3891.8878.7591.2554.3869.7591.002150.7553.2552.8869.1271.6364.6365.6332.5049.7556.63均值72.3372.8967.0180.2583.5477.1181.2960.9773.6181.833 结 论本文提出一种基于I C A 和L O F 的故障检测方法㊂通过I C A 提取独立主元,引入其时滞输入特性和时差输入特性,将3者组合成增广矩阵作为L O F 的输入,运用L O F 进行故障检测㊂将此方法应用到实际的T E 过程中,仿真结果表明,与I C A ㊁L O F 方法比较,本文方法有效提高了故障检测率,降低了误报率,验证了方法的有效性㊂这说明独立主元分析预处理方案能够有效地提取混合变量中的非高斯信息,同时基于独立元空间增广矩阵的L O F 方法更适合于由高斯和非高斯混合分布的工业过程监控㊂302第3期 郭金玉等:基于I C A 和L O F 的故障检测402沈阳大学学报(自然科学版)第34卷本文主要研究基于I C A和L O F的算法在工业过程故障检测中的应用,但是该算法对微小故障的检测效果较差,因此,下一步将继续努力改进该算法并将其运用到微小故障检测领域㊂参考文献:[1]万新春,童楚东,史旭华.基于多块修正I C A算法的分散式非高斯过程监测方法[J].信息与控制,2020,49(4):464471.WA N XC,T O N G C D,S H IX H.D e c e n t r a l i z e dn o n-G a u s s i a n p r o c e s s m o n i t o r i n g s c h e m eb a s e do n m u l t i-b l o c k m o d i f i e dI C Aa l g o r i t h m[J].I n f o r m a t i o na n dC o n t r o l,2020,49(4):464471.[2]C A OSP,HUZJ,L U O X H,e t a l.R e s e a r c ho n f a u l td i a g n o s i s t e c h n o l o g y o f c e n t r i f u g a l p u m p b l a d ec r a c kb a s e do nP C Aa n dGMM[J].M e a s u r e m e n t,2021,173:108558.[3]朱兴统.基于核主成分分析和朴素贝叶斯的滚动轴承故障诊断[J].现代计算机(专业版),2019(9):1822.Z HU XT.F a u l t d i a g n o s i s o f r o l l i n g b e a r i n g b a s e d o n k e r n e l p r i n c i p a l c o m p o n e n t a n a l y s i s a n d n a i v e B a y e s[J].M o d e r nC o m p u t e r, 2019(9):1822.[4]C H E N G H C,L I U Y Q,HU A N G D P,e ta l.R e b o o t i n g k e r n e lC C A m e t h o df o rn o n l i n e a r q u a l i t y-r e l e v a n t f a u l td e t e c t i o ni np r o c e s s i n d u s t r i e s[J].P r o c e s s S a f e t y a n dE n v i r o n m e n t a l P r o t e c t i o n,2021,149:619630.[5]Q U IÑO N E S-G R U E I R O M,P R I E T O-MO R E N O A,V E R D EC,e t a l.D a t a-d r i v e nm o n i t o r i n g o fm u l t i m o d e c o n t i n u o u s p r o c e s s e s:a r e v i e w[J].C h e m o m e t r i c s a n d I n t e l l i g e n tL ab o r a t o r y S y s t e m s,2019,189:5671.[6]WA N G H,C HA IT Y,D I N GJL,e t a l.D a t ad r i v e nf a u l td i a g n o s i sa n d f a u l t t o l e r a n t c o n t r o l:s o m ea d v a n c e s a n d p o s s i b l en e wd i re c t i o n s[J].A c t aA u t o m a t i c aS i n i c a,2009,35(6):739747.[7]K R E S T AJV,MA C G R E G O RJF,MA R L I N TE.M u l t i v a r i a t e s t a t i s t i c a lm o n i t o r i n g o f p r o c e s s o p e r a t i n gp e r f o r m a n c e[J].T h eC a n a d i a nJ o u r n a l o fC h e m i c a l E n g i n e e r i n g,1991,69(1):3547.[8]K A N O M,T A N A K AS,HA S E B ES,e t a l.M o n i t o r i n g i n d e p e n d e n t c o m p o n e n t s f o r f a u l td e t e c t i o n[J].A I C h EJ o u r n a l,2003,49(4):969976.[9]L E EJ M,Q I N SJ,L E EIB.F a u l td e t e c t i o no fn o n-l i n e a r p r o c e s s e su s i n g k e r n e l i n d e p e n d e n tc o m p o n e n ta n a l y s i s[J].T h eC a n a d i a nJ o u r n a l o fC h e m i c a l E n g i n e e r i n g,2008,85(4):526536.[10]G EZQ,S O N GZ H,Z H A N G M G,e t a l.B a y e s i a nm e t h o d f o rm u l t i m o d e n o n-G a u s s i a n p r o c e s sm o n i t o r i n g[C]ʊP r o c e e d i n g so ft h e48h I E E EC o n f e r e n c e o nD e c i s i o na n dC o n t r o l(C D C)h e l d j o i n t l y w i t h200928t hC h i n e s eC o n t r o l C o n f e r e n c e.D e c e m b e r15 18,2009.S h a n g h a i,C h i n a.I E E E,2009:49274932.[11]K I M D,K I M S K.C o m p a r i n g p a t t e r n so fc o m p o n e n tl o a d i n g s:p r i n c i p a lc o m p o n e n ta n a l y s i s(P C A)v e r s u si n d e p e n d e n tc o m p o n e n t a n a l y s i s(I C A)i na n a l y z i n g m u l t i v a r i a t e n o n-n o r m a ld a t a[J].Be h a v i o rR e s e a r c h M e t h o d s,2012,44(4):12391243.[12]H Y VÄR I N E N A,O J AE.I n d e p e n d e n t c o m p o n e n t a n a l y s i s:a l g o r i t h m s a n da p p l i c a t i o n s[J].N e u r a lN e t w o r k s,2000,13(4/5):411430.[13]L E EJM,Q I NS J,L E E I B.F a u l t d e t e c t i o n a n d d i a g n o s i s b a s e d o nm o d i f i e d i n d e p e n d e n t c o m p o n e n t a n a l y s i s[J].A I C h EJ o u r n a l,2006,52(10):35013514.[14]张戈,盖赟.局部离群因子算法(L O F)在异常检测中的应用研究[J].网络安全技术与应用,2020(11):4950.Z HA N G G,G A IY.R e s e a r c ho nt h ea p p l i c a t i o no f l o c a lo u t l i e rf a c t o ra l g o r i t h m(L O F)i na n o m a l y d e t e c t i o n[J].N e t w o r k S e c u r i t y T e c h n o l o g y&A p p l i c a t i o n,2020(11):4950.[15]B R E U N I G M M,K R I E G E LHP,N GRT,e t a l.L O F:i d e n t i f y i n g d e n s i t y-b a s e d l o c a l o u t l i e r s[J].A C MS I GMO DR e c o r d,2000,29(2):93104.[16]冯立伟,李元,张成,等.基于时空近邻标准化和局部离群因子的复杂过程故障检测[J].控制理论与应用,2020,37(3):651657.F E N GL W,L IY,Z H A N GC,e t a l.T i m e-s p a c e n e i g h b o r h o o d s t a n d a r d i z a t i o n-l o c a l o u t l i e r f a c t o r b a s e d f a u l t d e t e c t i o n f o r c o m p l e xp r o c e s s[J].C o n t r o lT h e o r y&A p p l i c a t i o n s,2020,37(3):651657.[17]L A Z A R E V I CA,E R T O ZL,K UMA R V,e t a l.Ac o m p a r a t i v e s t u d y o f a n o m a l y d e t e c t i o n s c h e m e s i nn e t w o r k i n t r u s i o nd e t e c t i o n[C]ʊP r o c e e d i n g so ft h e2003S I AM I n t e r n a t i o n a lC o n f e r e n c eo n D a t a M i n i n g.P h i l a d e l p h i a,P A:S o c i e t y f o rI n d u s t r i a la n dA p p l i e d M a t h e m a t i c s,2003:2536.[18]D OWN S J J,V O G E L E F.A p l a n t-w i d e i n d u s t r i a l p r o c e s sc o n t r o l p r o b l e m[J].C o m p u t e r s&C h e m i c a lE n g i n e e r i n g,1993,17(3):245255.[19]WA N GJP.R e s e a r c ho nT E p r o c e s s f a u l t d i a g n o s i sb a s e do nP C A[J].I n t e r n a t i o n a lC o r eJ o u r n a l o fE n g i n e e r i n g,2021,7(1):467472.[20]W E IY Q,W E N GZX.R e s e a r c ho nT E p r o c e s s f a u l t d i a g n o s i sm e t h o db a s e do nD B Na n dd r o p o u t[J].T h eC a n a d i a nJ o u r n a l o fC h e m i c a l E n g i n e e r i n g,2020,98(6):12931306.[21]L E E J,K A N G B,K A N G S H.I n t e g r a t i n g i n d e p e n d e n tc o m p o n e n ta n a l y s i sa n dl o c a lo u t l i e rf a c t o rf o r p l a n t-w i d e p r o c e s sm o n i t o r i n g[J].J o u r n a l o f P r o c e s sC o n t r o l,2011,21(7):10111021.ʌ责任编辑:李艳ɔ。