一种基于改进KICA的非高斯过程故障检测方法

针对基于核独立元分析(kernel independent component analysis,KICA)的故障检测方法只考虑非高斯信息提取而忽略局部近邻结构保持的问题,提出基于改进KICA的过程故障检测方法。将KICA法中只考虑非高斯信息提取的负熵最大化准则转换为熵最小化准则,结合局部保持投影的相似局部近邻结构准则,提出了同时考虑非高斯信息提取和局部近邻结构保持的目标函数,通过粒子群优化算法进行全局寻优,然后建立监控统计量对过程进行监控。在Tennessee Eastman过程上的仿真结果说明,与基于KICA的故障检测方法相比,所提方法能够在保持数据集局部近邻结构的同时,提取非高斯信息,能够有效缩短故障检测的延迟时间,提高故障检测率。

一种改进的高斯近似滤波方法

提出了一种改进的高斯近似(Gaussian approximate,GA)滤波方法,推导了它的一般解和特殊解,并证明了现有的高斯近似滤波方法是所提出的方法的一种特例.在提出的方法中,不需要基于高斯假设重复地产生求积点,而是直接地更新求积点.与现有的高斯近似滤波方法相比,提出的方法利用了量测求积点修正状态求积点,从而可以更好地捕获状态一步预测密度和状态后验密度的非高斯信息和高阶矩信息.此外,提出的方法不仅适用于确定的系统模型而且还适用于随机的系统模型.单变量非平稳增长模型、垂直落体模型、再入飞行器目标跟踪的仿真验证了提出的高斯近似滤波方法的有效性和与现有方法相比的优越性.

基于MCUSUM-ICA-PCA的微小故障检测

针对过程中难以检测到的微小、缓变故障的检测问题,以及过程中普遍存在的非高斯信息,提出一种新的多变量统计过程监测方法.把传统的单变量累计和控制图(CUSUM)扩展为多变量的形式,并与独立成分分析(ICA)和传统的主元分析(PCA)方法相结合,构成新的MCUSUM-ICA-PCA方法,采用ICA-PCA两步信息提取策略,完整地提取出过程的非高斯和高斯信息,重新构造统计量并建立其对应的统计限.通过对Tennessee Eastman(TE)过程的仿真研究,验证了该方法的可行性和有效性,改善了该过程微小故障的检测效果,从而更好地保证过程运行的安全、稳定性.

TURBO DECODER USING LOCAL SUBSIDIARY MAXIMUM LIKELIHOOD DECODING IN PRIOR ESTIMATION OF THE EXTRINSIC INFORMATION

A new technique for turbo decoder is proposed by using a local subsidiary maximum likelihood decoding and a probability distributions family for the extrinsic information. The optimal distribution of the extrinsic information is dynamically specified for each component decoder.The simulation results show that the iterative decoder with the new technique outperforms that of the decoder with the traditional Gaussian approach for the extrinsic information under the same conditions.