分散カーネル主成分分析とBayes推論を用いた非線形化学プロセスモニタリング【Powered by NICT】

Cang Wentao; Fu Yujia; Xie Li; Tao Hongfeng; Yang Huizhong

文献

J-GLOBAL ID：201802251879340753 整理番号：18A0440739

分散カーネル主成分分析とBayes推論を用いた非線形化学プロセスモニタリング【Powered by NICT】

Nonlinear chemical process monitoring using decentralized kernel principal component analysis and Bayesian inference

出版者サイト複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=18A0440739&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=18A0440739&from=J-GLOBAL&jstjournalNo=W2441A") }}

著者 (5件)： , , , ,
資料名：
巻： 2017 号： ASCC ページ： 1487-1492 発行年： 2017年
JST資料番号： W2441A 資料種別：会議録 (C)
記事区分：原著論文発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

伝統的カーネル主成分分析(KPCA)をベースとしたプロセスモニタリング法は一般的にグローバルモニタリングモデルに依存しているが,現代の工業プロセスにおける多数の変数間の複雑な関係のために,KPCA(カーネル主成分分析)モニタリング技術はよく機能しない可能性がある。この欠点の認識に触発されて,変数間の非線形関係を評価することに基づく新しい完全データ駆動マルチブロック統計的プロセス監視法(MBSPM)を提案した。MBSPMでは,新しい非線形性相関係数は最初にプロセス変数をいくつかの個々の部分空間に採用し,各部分空間は強い非線形特性を示した。非線形相関に対処するために,それぞれ,プロセスモニタリングモデルを構築するために採用したKPCA(カーネル主成分分析),異なる部分空間に建設されたモニタリングモデルはある種の欠陥の局所挙動を反映することができる。すべての部分空間の結果は,Bayes推論による最終統計を得ている。提案した方法の実現可能性と妥当性を最終的にTennessee Eastmanプロセスの比較研究により実証した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

, , ,
, , , , , , 【Automatic Indexing@JST】

化学プロセスの測定,監視,計装 , 化学プロセスの解析

, , , ,

前のページに戻る