基于改进Infomax算法在生化过程监控中的应用研究

生 化工过程中存在大量测量变量，这些变量一般不是相互独立的，而是由少数必要的潜隐变量驱动，这些潜隐变量通过独立成分分析方法(ICA)抽取出来;针对现有的Infomax(信息极大)ICA算法收敛速度慢的问题，引人四阶统计去相关的混合学习规则，结合加权协方差阵的非对角元素最小化，提出了一种改进Infomax算法，将其用于生化工过程故障的提取，并通过在TE (Tennessee Eastman)模型上仿真，结果表明该方法改善了原有算法的收敛性能，盲源分离效果良好。
生化 工 领 域中控制所获得的信号往往是源信号与干扰信号的混合。为了从接收到的信号中滤除干扰信号而恢复源信号，多年来发展了很多技术，比如利用主元分析方法(PCA)在化工过程中的多变量监控[1-21。独立分量分析(IndependentComponent Analysis, ICAP」是近年来兴起的故障监测技术。20世纪90年代中期，Bell["〕和Sejnowski从独立分量分析的角度提出了基于信息极大(Information maximization, Infomax)C61 原理的盲源分离算法，该算法成功地从20路随机混合的语音信号中分离出语音源信号。随着算法的不断深人分析和研究，出现了基于自然梯度的Infomax算法和扩展Infomax算法C61。
自然 梯 度 和扩展的Infomax算法虽然能实现分离但还存在一些问题，如没有考虑噪声，收敛速度较慢，数据需要较长才足以将各信号源之间的独立性表现出来等。本文结合四阶统计去相关的混合学习规则和加权协方差阵的非对角元素最小化，提出了一种Infomax算法的改进，从而改善其收敛性能。以实现信号的良好分离。将改进的Infomax算法应用于TE过程的正常工况信号与故障信号的分离，成功地分离出源信号。