Key points are not available for this paper at this time.
हालांकि आंशिक न्यूनतम वर्ग दृष्टिकोण एक प्रभावी दोष पहचान विधि है, लेकिन कुछ मुद्दे जो प्रमुख प्रदर्शन संकेतकों (KPIs) से संबंधित गैर-रৈखिक प्रक्रिया निगरानी से हैं, अभी भी मौजूद हैं। औद्योगिक प्रक्रियाओं में गैर-रैखिक विशेषताओं को संबोधित करने के लिए, साहित्य में कर्नेल आंशिक न्यूनतम वर्ग (KPLS) विधि का प्रस्ताव किया गया था। हालाँकि, KPLS विधि भी दोष पहचान में कुछ कठिनाइयों का सामना करती है। किसी भी मौजूदा KPLS विधियों के लिए माप को KPI-संबंधित और KPI-असंबंधित भागों में सही ढंग से विभाजित करना संभव नहीं है, और ये विधियाँ आमतौर पर इस तथ्य की अनदेखी करती हैं कि शेष उपक्षेत्र में अभी भी कुछ KPI-संबंधित जानकारी होती है। इस लेख में, एक नई सुधारित KPLS विधि प्रस्तावित की गई है, जो शेष उपक्षेत्र में KPI-संबंधित जानकारी पर विचार करती है, KPI-संबंधित प्रक्रिया निगरानी के लिए। पहले, प्रस्तावित विधि कर्नेल मैट्रिक्स के आधार पर गणनीय लोडिंग पर सामान्य सिंगुलर वैल्यू विघटन (GSVD) करती है। इसके बाद, कर्नेल मैट्रिक्स को KPI-संबंधित और KPI-असंबंधित उपक्षेत्रों में उचित रूप से विभाजित किया जा सकता है। इसके अलावा, हम प्रक्रिया निगरानी के लिए दो सांख्यिकी के डिज़ाइन के साथ-साथ कर्नेल विधियों के लिए एक विस्तृत एल्गोरिदम प्रदर्शन विश्लेषण प्रस्तुत करते हैं। अंत में, एक संख्यात्मक मामला और टेनेसsee पूर्वमान प्रक्रियाएँ सुधारित KPLS-आधारित विधि की प्रभावशीलता और गुणों को प्रदर्शित करती हैं।
सी आदि। (गुरु,) ने इस प्रश्न का अध्ययन किया।