导读:本文包含了多向主元分析论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:过程,在线,卡尔,神经网络,成份,建模,自动控制。
多向主元分析论文文献综述
吕宁,颜鲁齐,白光远[1]（2016）在《分段多向核主元分析的啤酒发酵过程故障检测》一文中研究指出基于主元分析的故障诊断模型应用在非线性时变过程中具有局限性。基于间歇过程具有周期性这一特点,在非线性空间的数据提取中,将核变换理论引入其中,提出了一种改进的多向核主元分析故障诊断模型,该方法对于过程数据的非线性问题的解决和非线性信息的充分提取表现出很好的性能,使得非线性主元能够在高维特征空间中被快速提取。对比实验结果表明,该方法对于缓慢时变的间歇过程具有很好的准确性与实时性。(本文来源于《计算机科学》期刊2016年S1期）
曹莹[2]（2014）在《基于多向主元分析的间歇过程监控研究》一文中研究指出间歇过程作为现代流程工业中的一种重要生产方式,被广泛应用于精细化工、生物制药、食品等行业。为了提高间歇过程的产品质量,保证控制系统安全性,需要对其进行过程监控。本文主要研究了基于多向主元分析方法(Multi-way Principal Component Analysis, MPCA)的发酵过程监控,并根据间歇过程的特点对传统的MPCA建模方法进行了改进,具体包括以下几个方面：(1)阐述了适用于间歇过程监控的多向主元分析方法；针对间歇过程的特点,讨论了两种基于不同展开方式的MPCA方法；介绍了批次轨迹同步化方法来解决间歇过程批次数据不等长问题。(2)针对间歇过程的多阶段特点,提出了一种基于数据相似度的多阶段MPCA建模方法。该方法通过对每个时刻数据矩阵间的相似度指标进行聚类分析,将间歇过程划分为几个阶段,再对各个阶段分别建立MPCA模型。将此方法应用于青霉素发酵过程监控,验证了该方法的有效性。(3)针对间歇过程的动态、高度非线性特性,研究了一种适用于间歇过程的动态核的PCA方法(Batch Dynamic Kernel Principal Component Analysis,BDKPCA)。为解决BDKPCA算法中计算量较大的问题,本文将特征采样(Feature Samples, FS)引入到BDKPCA中,并针对间歇过程数据的特点,对FS进行了改进,提出了一种基于FS的BDKPCA算法。FS-BDKPCA算法首先对建模数据进行FS运算,得到能够反映样本特征且包含较少采样点的样本子集,然后在该样本子集上建立BDKPCA模型。监控结果表明,FS-BDKPCA方法能够在不影响BDKPCA算法监控性能的基础上,有效地减少计算量与所需内存空间。(本文来源于《南京理工大学》期刊2014-02-01）
肖应旺,姚美银[3]（2012）在《基于改进的多向主元分析与动态时间错位的间歇过程监控》一文中研究指出针对传统的多向主元分析(Multiway Principal Component Analysis;MPCA)常会导致误诊断,且对间歇生产过程难以保证在线状态监控的实时性,提出了一种改进的MPCA与动态时间错位(Dynamic Time Warping;DTW)方法,该方法采用多模型非线性结构代替传统的MPCA单模型线性化结构,并利用对称式DTW算法解决了多元轨迹同步化的问题。将该方法应用到青霉素发酵间歇过程的在线故障监控中,结果表明它克服了MPCA不能处理非线性过程和实时性问题,并避免了MPCA在线应用时预报未来测量值带来的误差,提高了间歇过程性能监控的准确性。(本文来源于《Proceedings of 2012 International Conference on Earth Science and Remote Sensing(ESRS 2012)》期刊2012-09-04）
高学金,齐咏生,王普[4]（2011）在《基于卡尔曼滤波器和多向核主元分析的发酵过程在线监测》一文中研究指出针对发酵过程强烈的非线性和时变性特点,提出一种基于卡尔曼滤波器(KF)和多向核主元分析(MKPCA)的方法对发酵过程进行在线监控。该方法将叁维数据空间按批次方向展开为二维数据空间并进行标准化,之后采用KPCA方法获取正常间歇过程的非线性特征,建立更为精确的过程监控模型。在新批次反应过程中利用卡尔曼滤波器对当前批次的未来测量数据进行实时估计从而实现在线监控。该方法和传统MPCA方法的监测性能在一个青霉素发酵仿真系统上进行了比较。仿真结果表明:该方法具有更好的监测性能,能有效获取过程变量之间的非线性关系,降低运行过程的误报率,且能较早检测出过程存在的故障。(本文来源于《新型工业化》期刊2011年09期）
王姝,常玉清,杨洁,王福利,冯淑敏[5]（2011）在《时段划分的多向主元分析间歇过程监测及故障变量追溯》一文中研究指出针对间歇过程的多时段特性,提出一种生产过程操作时段划分方法.该方法利用反映过程特性变化的负载矩阵以及主成份矩阵的变化实现了间歇过程子时段的两步划分.提出了基于加权负载向量夹角余弦的负载矩阵相似性度量以及基于加权奇异值变化的奇异值矩阵相似性度量方法,以更客观的反映负载矩阵以及奇异值矩阵的相似性,进而更准确的判断过程特性的变化.根据同一操作子时段的过程特性,其负载矩阵和奇异值矩阵相似性较大的特点,实现了生产过程的子时段划分.将基于子时段划分的多向主元分析(MPCA)建模应用于叁水箱系统的在线监测和故障变量追溯,实验结果验证了该方法的有效性.(本文来源于《控制理论与应用》期刊2011年02期）
刘世成,王海清,李平[6]（2007）在《基于多向核主元分析的青霉素生产过程在线监测》一文中研究指出基于传统主元分析(PCA)方法的过程监测算法假定过程是线性的,对于具有强非线性的生产过程,应用其进行在线监测出现误报率过高的现象.为此提出了一种多向核主元分析(MKPCA)算法用于间歇过程的建模与在线监测.利用PenSim2.0软件将青霉素间歇生产过程的叁向数据按批次方向展开为二向数据并进行标准化,采用MKPCA算法建立过程模型并用于过程的在线监测,计算T2、SPE统计量及相应的控制限.仿真结果表明,与传统PCA算法相比,MKPCA算法具有更好的监测性能,不仅大大降低了正常运行过程的误报率,而且能够较早地检测出过程中存在的底物流加速率与搅拌功率故障.MKPCA可以有效处理间歇过程批次间存在的非线性属性,获取过程变量间的非线性关系.(本文来源于《浙江大学学报(工学版)》期刊2007年02期）
方益民,肖应旺,徐保国[7]（2006）在《一种新的非线性多向主元分析在线故障监测方法》一文中研究指出针对多向主元分析(MPCA)不能提取复杂的非线性系统变量间的非线性特性以及T~2统计量置信限的确定是以主元得分呈正态分布为假设前提的情况,提出了一种基于自组织神经网络与核密度估计的非线性MPCA在线故障监测方法。该方法用自组织神经网络去提取变量间的非线性特征信息；用核概率密度函数去估计非线性主元的置信限。将该方法应用到β-甘露聚糖酶补料分批发酵过程的在线故障监测中,应用效果表明用非线性主元比用同样数目的线性主元能够获取更多的变量信息,并且用核密度估计置信限的方法比用参数估计的方法能更准确地对故障进行监测。(本文来源于《计算机与应用化学》期刊2006年09期）
郭金玉,曾静[8]（2005）在《基于多向主元分析的多传感器故障诊断》一文中研究指出研究一种基于MPCA的多传感器故障诊断方法.这种方法把过程测量空间分为主元子空间和残差子空间.在残差子空间,首先用Q统计指标检测出传感器是否存在故障,如果Q统计指标超限,在主元子空间应用T2统计量和相应的T2统计量的贡献率,识别出引起过程异常的主要传感器变量并剔除.然后用同样的方法继续判断其它的传感器故障.仿真实例验证了该方法的有效性.(本文来源于《沈阳化工学院学报》期刊2005年02期）
多向主元分析论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
间歇过程作为现代流程工业中的一种重要生产方式,被广泛应用于精细化工、生物制药、食品等行业。为了提高间歇过程的产品质量,保证控制系统安全性,需要对其进行过程监控。本文主要研究了基于多向主元分析方法(Multi-way Principal Component Analysis, MPCA)的发酵过程监控,并根据间歇过程的特点对传统的MPCA建模方法进行了改进,具体包括以下几个方面：(1)阐述了适用于间歇过程监控的多向主元分析方法；针对间歇过程的特点,讨论了两种基于不同展开方式的MPCA方法；介绍了批次轨迹同步化方法来解决间歇过程批次数据不等长问题。(2)针对间歇过程的多阶段特点,提出了一种基于数据相似度的多阶段MPCA建模方法。该方法通过对每个时刻数据矩阵间的相似度指标进行聚类分析,将间歇过程划分为几个阶段,再对各个阶段分别建立MPCA模型。将此方法应用于青霉素发酵过程监控,验证了该方法的有效性。(3)针对间歇过程的动态、高度非线性特性,研究了一种适用于间歇过程的动态核的PCA方法(Batch Dynamic Kernel Principal Component Analysis,BDKPCA)。为解决BDKPCA算法中计算量较大的问题,本文将特征采样(Feature Samples, FS)引入到BDKPCA中,并针对间歇过程数据的特点,对FS进行了改进,提出了一种基于FS的BDKPCA算法。FS-BDKPCA算法首先对建模数据进行FS运算,得到能够反映样本特征且包含较少采样点的样本子集,然后在该样本子集上建立BDKPCA模型。监控结果表明,FS-BDKPCA方法能够在不影响BDKPCA算法监控性能的基础上,有效地减少计算量与所需内存空间。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
多向主元分析论文参考文献
[1].吕宁,颜鲁齐,白光远.分段多向核主元分析的啤酒发酵过程故障检测[J].计算机科学.2016
[2].曹莹.基于多向主元分析的间歇过程监控研究[D].南京理工大学.2014
[3].肖应旺,姚美银.基于改进的多向主元分析与动态时间错位的间歇过程监控[C].Proceedingsof2012InternationalConferenceonEarthScienceandRemoteSensing(ESRS2012).2012
[4].高学金,齐咏生,王普.基于卡尔曼滤波器和多向核主元分析的发酵过程在线监测[J].新型工业化.2011
[5].王姝,常玉清,杨洁,王福利,冯淑敏.时段划分的多向主元分析间歇过程监测及故障变量追溯[J].控制理论与应用.2011
[6].刘世成,王海清,李平.基于多向核主元分析的青霉素生产过程在线监测[J].浙江大学学报(工学版).2007
[7].方益民,肖应旺,徐保国.一种新的非线性多向主元分析在线故障监测方法[J].计算机与应用化学.2006
[8].郭金玉,曾静.基于多向主元分析的多传感器故障诊断[J].沈阳化工学院学报.2005
论文知识图
