Analyse de Corrélation Neuronale Artificielle pour la Surveillance de Processus Non Linéaires Liés aux Indicateurs de Performance

Dans cet article, une nouvelle méthode de détection de défauts et de surveillance de processus, appelée analyse de corrélation neuronale artificielle (ANCA), est proposée. Étant donné que les caractéristiques non linéaires sont courantes dans les processus industriels complexes, l'analyse de corrélation canonique (CCA) classique donne toujours de faibles résultats. De nombreux chercheurs ont noté le problème non linéaire du processus et ont également proposé certaines améliorations, telles que la méthode des noyaux. Cependant, la sélection de paramètres appropriés dans la méthode des noyaux est extrêmement difficile, donc la plupart des méthodes d'apprentissage par noyau sont légèrement insatisfaisantes. Considérant que le réseau de neurones artificiels (ANN) peut bien extraire les composants de caractéristiques nécessaires à partir des données non linéaires, nous avons combiné l'ANN et la CCA en fonction de leurs principes respectifs, et proposé une nouvelle méthode de surveillance non linéaire ainsi qu'une dérivation détaillée de la méthode de descente de gradient pour le réseau ANCA est présentée. De plus, nous avons conçu deux indices pour surveiller les changements des variables de processus et des indicateurs de performance. Enfin, un exemple numérique, la référence de Tennessee Eastman, et le processus de la centrale thermique de Zhoushan illustrent la supériorité de la méthode proposée.