基于MKECA的非高斯性和非线性共存的间歇过程监测

常鹏; 乔俊飞; 王普; 高学金; 李征

doi:10.11949/j.issn.0438-1157.20171329

您当前的位置：

首页 >

文章列表页 >

基于MKECA的非高斯性和非线性共存的间歇过程监测

更新时间：2025-12-10

- 基于MKECA的非高斯性和非线性共存的间歇过程监测
- Monitoring non-Gaussian and non-linear batch process based on multi-way kernel entropy component analysis
- 化工学报 2018年第3期页码：1200-1206
- 作者机构：
  
  1. 北京工业大学信息学部,北京,100124
  2. 数字社区教育部工程研究中心,北京,100124
- 作者简介：
- 基金信息：
- DOI：10.11949/j.issn.0438-1157.20171329
  中图分类号： P277
- 网络首发：2018-03-05，
  
  纸质出版：2018-03-05
- 稿件说明：
移动端阅览
常鹏, 乔俊飞, 王普, 等. 基于MKECA的非高斯性和非线性共存的间歇过程监测[J]. 化工学报, 2018,(3):1200-1206.

CHANG Peng, QIAO Junfei, WANG Pu, et al. Monitoring non-Gaussian and non-linear batch process based on multi-way kernel entropy component analysis[J]. CIESC Journal, 2018, (3): 1200-1206.
常鹏, 乔俊飞, 王普, 等. 基于MKECA的非高斯性和非线性共存的间歇过程监测[J]. 化工学报, 2018,(3):1200-1206. DOI： 10.11949/j.issn.0438-1157.20171329.

CHANG Peng, QIAO Junfei, WANG Pu, et al. Monitoring non-Gaussian and non-linear batch process based on multi-way kernel entropy component analysis[J]. CIESC Journal, 2018, (3): 1200-1206. DOI： 10.11949/j.issn.0438-1157.20171329.

摘要

多向核独立成分分析（multiway kernel independent component analysis，MKICA）在监测间歇过程非高斯性和非线性方面取得了广泛应用，其仅仅是将线性独立成分分析（independent component analysis，ICA）方法利用核主成分分析（kernel principal component analysis，KPCA）白化扩展到非线性领域，但数据经KPCA白化后只考虑数据信息最大化未考虑数据簇结构信息的不足，为解决此问题，采用核熵成分分析（kernel entropy component analysis，KECA）代替KPCA白化的过程监测方法。该方法首先利用AT展开方法将过程三维数据变为二维数据；其次用KECA进行白化处理的同时解决数据的非线性；然后建立ICA监测模型用于非高斯生产过程监测；最后将该方法应用到青霉素发酵仿真和实际的工业过程并与MKICA方法进行对比，验证该方法的有效性。

Abstract

Multi-kernel independent component analysis (MKICA) has been widely used in monitoring non-Gaussian and non-linear processes. The technique uses only non-linear extension of linear independent component analysis (ICA) by KPCA data whitening. After KPCA data whitening

the data is considered only to maximize data information but not data cluster structure information. In order to solve this problem

kernel entropy component analysis (kernel entropy component analysis

KECA) was proposed to replace KPCA whitening in process monitoring. First

3D data is transformed into 2D data by AT expansion. Second

data nonlinearity was resolved during KECA whitening. Third

ICA monitoring model was established for non-Gaussian production process monitoring. The method was applied to simulation and actual industrial process of Penicillin fermentation

which showed effectiveness of the method in comparison with the MKICA method.

关键词

Keywords

references

浏览量

111

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

多因素不确定条件下的间歇生产调度优化

基于截断器半连续操作的间歇过程性质集成

PDPSO优化多阶段AR-PCA间歇过程监测方法

基于Gath-Geva算法和核极限学习机的多阶段间歇过程软测量

基于核相似度支持向量数据描述的间歇过程监测