摘要
采用多向主元分析的间歇过程故障监测方法需假设过程数据严格服从高斯分布,而且要对监测批次的测量未知值进行预测,这在一定程度上限制了其应用范围。为此通过建立迭代的多模型序列,不仅有效地解决了测量未知值的预测问题,而且考虑了各个间歇过程时间片之间的关联信息。同时,利用独立成分分析方法提取出过程的非高斯信息,通过引入支持向量数据描述方法对独立成分进行进一步建模,实现非高斯特性下的间歇过程故障在线监测。通过一个实际的半导体制造过程的实验研究,表明提出的新方法可以更有效地处理间歇过程数据信息。
Traditional batch process monitoring method MPCA is under the assumption that the process data are Gaussian distributed. Meanwhile, it needs to estimate the future value of the monitored batch. To some extents, these two drawbacks may limit the application of the MPCA method. Therefore, a sequence of adaptive multi-models is built, which avoids future value estimation of traditional method. Besides, it also considers the correlated information between time slices of the batch process. ICA is used to extract the non-Gaussian information from the batch process data, which is followed by the incorporation of SVDD to model the extracted independent components. Then a new statistic is constructed for batch process online fault monitoring. The experimental case study on a real semiconductor process shows that the proposed method can effectively deal with the batch process data information.
出处
《仪器仪表学报》
EI
CAS
CSCD
北大核心
2009年第7期1347-1352,共6页
Chinese Journal of Scientific Instrument
基金
国家自然科学基金资助项目(Grant 60774067)
浙江省自然科学基金资助项目(Y1080871)
浙江省科技计划项目(2008C31012)资助
作者简介
王培良，1986年于浙江大学获得学士学位，2005年于浙江大学获得硕士学位，现为湖州师范学院信息工程学院副教授，主要研究方向为智能控制、故障诊断和工业自动化。E—mail：wpl@hutc．zi．cn葛志强，2004年于浙江大学获得学士学位，现为浙江大学博士研究生，主要研究方向为复杂过程监控和故障诊断。E—mail：zqge@iipc．zju．edu．cn宋执环，1997年于浙江大学获得博士学位，现为浙江大学教授、博士生导师，主要研究方向为基于数据驱动的过程建模与故障诊断等。E—mail：zhsong@iipc．zju．edu．cn
