文献

J-GLOBAL ID：201702249250992977   整理番号：17A1824285

重み付差分主成分分析に基づいた故障検出【Powered by NICT】

Fault detection based on weighted difference principal component analysis

著者 (4件)： Guo Jinyu (College of Information Engineering, Shenyang University of Chemical Technology, Shenyang, 110142, China) ,  Wang Xin (College of Information Engineering, Shenyang University of Chemical Technology, Shenyang, 110142, China) ,  Li Yuan (College of Information Engineering, Shenyang University of Chemical Technology, Shenyang, 110142, China) ,  Wang Guozhu (Department of Automatic Control, Henan Institute of Technology, Xinxiang, Henan, 453003, China)
資料名： Journal of Chemometrics  (Journal of Chemometrics)
巻： 31  号： 11  ページ： ROMBUNNO.2926  発行年： 2017年 
JST資料番号： E0019C  ISSN： 0886-9383  CODEN： JOCHEU  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 最近,主成分分析(PCA)のような多変量統計法は,工業プロセスにおける故障検出応用にますます注目を集めている。しかし,工業プロセスは,通常は,複雑なマルチモーダル及び非線形特性を持っている。これらの状況では,伝統的なPCA法は,プロセスデータは線形及び単一モードその仮定によるものではうまく動作しない。非線形および多モード工業プロセスにおける故障検出性能を改善するために,本論文では,重み付差分主成分分析(WDPCA)に基づく新しい故障検出法を提案した。重み付き差分主成分分析は最初の重み付差分法を用いて元のデータのマルチモーダル及び非線形特性を除去した。,PCAは前処理されたデータに適用し,集学的と非線形性の影響を無視している。二つの数値例と半導体製造プロセスにおける工業的応用はWDPCAの有効性を検証するために使用した。シミュレーション結果はWDPCAはPCA,カーネル主成分分析(KPCA),独立成分分析(ICA),k-最近傍則(kNN),および局所異常値因子(LOF)法よりも良好な故障検出性能を示すことを実証した。Copyright 2017 Wiley Publishing Japan K.K. All Rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： *故障検出 ,  非線形性 ,  シミュレーション ,  独立成分分析 ,  異常値 ,  *重みづけ ,  線形性 ,  前処理 ,  半導体プロセス ,  *主成分分析 ,  多モード ,  差分法 ,  単一モード
準シソーラス用語： カーネル主成分分析 ,  工業プロセス , 【Automatic Indexing@JST】

著者キーワード (5件)： 故障検出 ,  マルチモーダルデータ ,  非線形データ ,  主成分分析 ,  重み付差分主成分分析

分類 (2件)： 分析化学一般  (CC02010H) ,  その他の計算機利用技術  (JE14000C)

タイトルに関連する用語 (4件)： 重み付 ,  差分 ,  主成分分析 ,  故障検出