用于过程监控的双向稀疏主成分分析

《Canadian Journal of Chemical Engineering》：Bidirectional sparse principal component analysis for process monitoring

双向稀疏主成分分析（BSPCA）通过改进粒子群优化算法解决传统SPCA稀疏性不足问题，在田纳西东岸过程中验证了其增强变量间重要关系筛选能力，显著提升过程监控精度和故障定位效果。

　　

摘要

稀疏主成分分析（SPCA）旨在提高传统PCA的可解释性。然而，由于其回归系数矩阵缺乏稀疏性，SPCA仍然属于“半稀疏”状态，这可能会降低过程监控结果的可解释性和准确性。为了解决这个问题，我们提出了双向SPCA（BSPCA）。为了解决BSPCA建模中的挑战，我们研究了矩阵结构特征，并提出了一种改进的粒子群优化（IPSO）算法。在田纳西东曼（Tennessee Eastman）工艺上的测试表明，BSPCA通过消除变量之间不重要的关联显著提高了数据的稀疏性。此外，BSPCA能够准确识别相关过程变量中的特定故障，从而凸显了其诊断效果。

数据可用性声明

本研究的支持数据可向相应作者提出合理请求后获取。