Improved Relative-transformation Principal Component Analysis Based on Mahalanobis Distance and Its Application for Fault Detection

主要部件分析(PCA ) 广泛地在过程工业被使用了，它能维持最大的差错察觉率。尽管许多问题在 PCA 被处理了，一些必要问题仍然保持未解决。这研究以下列方法为差错察觉性能改进 PCA。第一，一个相对转变计划基于 Mahalanobis 距离(MD ) 被介绍消除数据的尺寸的效果而不是无尺寸的标准化，并且改进精确性和差错察觉的即时性能。理论推导证明那相对转变能直接基于 MD 消除尺寸的效果并且在结果显示出的相对空间，分析和模拟给 PCA 的合理解释它的优势和有效性。第二，一个改进摆平的预言错误(SPE ) 统计数值被给改进标准化 PCA 的差错察觉表演，它能使标准化基于 PCA 的差错察觉方法成为对实际工业过程合适的更多。最后，二个改进方法被联合更有效地检测差错。建议方法被使用在热连续滚动过程检测 looper 系统的单个差错和多差错，模拟结果以易感知，精确性和差错察觉的即时性能为差错察觉性能表明这些改进的有效性。