针对非线性、多模态间歇过程的故障检测问题,提出一种基于邻域保持嵌入的支持向量数据描述(support vector data description based on neighborhood preserving embedding, NPE-SVDD)故障检测策略.首先,利用NPE算法将原始数据降维到特...针对非线性、多模态间歇过程的故障检测问题,提出一种基于邻域保持嵌入的支持向量数据描述(support vector data description based on neighborhood preserving embedding, NPE-SVDD)故障检测策略.首先,利用NPE算法将原始数据降维到特征空间.接下来,在特征空间建立SVDD模型,计算超球体的球心O和半径R.对于测试样本,计算其到球心的距离D,对比D与R的大小确定样本状态.检测样本状态后,应用距离贡献图法进行故障变量定位分析. NPE算法可以保留原始数据的局部信息;并通过结合SVDD分类规则代替原始NPE算法的T2和SPE统计量,消除了数据服从高斯分布的限制,提高了故障检测率.利用数值模拟过程和半导体蚀刻过程仿真,将实验结果与主元分析(principal component analysis, PCA)、 NPE、 SVDD等方法进行对比分析,验证了NPE-SVDD方法的有效性.展开更多
针对主元分析(principal component analysis,PCA)中潜隐变量自相关性对故障检测的影响,提出一种基于潜隐变量自相关性子空间划分的故障检测策略(fault detection strategy based on dividing autocorrelation of latent variables,FDD...针对主元分析(principal component analysis,PCA)中潜隐变量自相关性对故障检测的影响,提出一种基于潜隐变量自相关性子空间划分的故障检测策略(fault detection strategy based on dividing autocorrelation of latent variables,FDDA).首先,应用PCA将输入空间通过线性变换分解为主元子空间(principal component subspace,PCS)和残差子空间(residual subspace,RS).其次,依据潜隐变量自相关性的强弱,将上述两个子空间分别进行二次划分.综上,原始输入空间依据方差和自相关性信息被划分成4个子空间,并利用不同的监控指标进行故障检测.子空间划分方法既可以提取输入变量间的相关性,又可以捕获潜隐变量自相关性.通过4个子空间的联合监控,可以有效地解决动态过程的故障检测问题,具有较高的故障检测率.将FDDA方法应用在TE过程和半导体蚀刻过程,并与PCA、动态PCA(dynamic PCA,DPCA)、kNN等进行对比分析,仿真实验结果验证了FDDA方法的有效性.展开更多
针对局部保持投影在监控半导体蚀刻过程时T^(2)统计量的缺陷,提出指数比率局部保持投影健康状态监控方法(exponential ratio locality preserving projections health monitoring method,ERLPP).将半导体数据通过统计模量方法展开为二...针对局部保持投影在监控半导体蚀刻过程时T^(2)统计量的缺陷,提出指数比率局部保持投影健康状态监控方法(exponential ratio locality preserving projections health monitoring method,ERLPP).将半导体数据通过统计模量方法展开为二维数据,利用局部保持投影将展开后数据投影到特征空间,首先确定特征空间中样本的第k近邻,称其为一步近邻;再确定第k近邻的前K近邻集,称其为二步近邻;最后通过一步近邻与二步近邻的指数比值运算构造统计量P.ERLPP方法不仅可以消除样本统计值的多模态特征并提高过程故障检测率,同时还可以在保持数据流形结构的前提下降低计算复杂度.通过数值例子与半导体蚀刻过程的仿真实验,并与主元分析、局部保持投影、邻域保持嵌入、k近邻规则等方法进行比较,测试结果验证了ERLPP方法的有效性.展开更多
针对传统方法对非线性或多模态间歇过程的故障检测率低的问题,提出一种基于K近邻邻域保持嵌入得分差分(difference of K nearest neighbors score associated with neighborhood preserving embedding,DKNPE)的健康状态监视方法。首先,...针对传统方法对非线性或多模态间歇过程的故障检测率低的问题,提出一种基于K近邻邻域保持嵌入得分差分(difference of K nearest neighbors score associated with neighborhood preserving embedding,DKNPE)的健康状态监视方法。首先,通过NPE方法计算训练数据集的得分矩阵,称其为样本的本质得分。然后,在训练数据集计算每个样本的K近邻均值,并将其投影到低维空间以获得样本的估计得分。接下来,在差分子空间(diffe-rence subspaces,DS)和差分残差子空间(difference residual subspaces,DRS)中分别建立两个新的统计量对样本进行过程监控。将本方法在两个模拟数值例子和半导体蚀刻过程中进行测试,并与PCA、FD-KNN和NPE等传统方法进行对比分析,测试结果验证了该方法的有效性。展开更多
文摘针对局部保持投影在监控半导体蚀刻过程时T^(2)统计量的缺陷,提出指数比率局部保持投影健康状态监控方法(exponential ratio locality preserving projections health monitoring method,ERLPP).将半导体数据通过统计模量方法展开为二维数据,利用局部保持投影将展开后数据投影到特征空间,首先确定特征空间中样本的第k近邻,称其为一步近邻;再确定第k近邻的前K近邻集,称其为二步近邻;最后通过一步近邻与二步近邻的指数比值运算构造统计量P.ERLPP方法不仅可以消除样本统计值的多模态特征并提高过程故障检测率,同时还可以在保持数据流形结构的前提下降低计算复杂度.通过数值例子与半导体蚀刻过程的仿真实验,并与主元分析、局部保持投影、邻域保持嵌入、k近邻规则等方法进行比较,测试结果验证了ERLPP方法的有效性.
文摘针对传统方法对非线性或多模态间歇过程的故障检测率低的问题,提出一种基于K近邻邻域保持嵌入得分差分(difference of K nearest neighbors score associated with neighborhood preserving embedding,DKNPE)的健康状态监视方法。首先,通过NPE方法计算训练数据集的得分矩阵,称其为样本的本质得分。然后,在训练数据集计算每个样本的K近邻均值,并将其投影到低维空间以获得样本的估计得分。接下来,在差分子空间(diffe-rence subspaces,DS)和差分残差子空间(difference residual subspaces,DRS)中分别建立两个新的统计量对样本进行过程监控。将本方法在两个模拟数值例子和半导体蚀刻过程中进行测试,并与PCA、FD-KNN和NPE等传统方法进行对比分析,测试结果验证了该方法的有效性。
