비선형 프로세스에서 결함 감지를 위한 랜덤화 커널 PCA, 가우시안 혼합 모델링 및 ICA를 결합한 통합 접근법

초록 주성분 분석(PCA) 및 독립 성분 분석(ICA)과 그 커널 확장은 과거에 가우시안 또는 비가우시안 프로세스 데이터의 선형 또는 비선형 특성을 가진 산업 결함 감지에 널리 적용되었습니다. 커널 기반 기법은 특성 공간에서 데이터 세트의 고차원성으로 인해 계산 복잡성을 초래합니다. 이 연구에서는 높은 차원의 커널 행렬의 저랭크 근사를 얻기 위해 랜덤화 접근법을 사용합니다. 랜덤화 커널 PCA(RKPCA)를 ICA 및 가우시안 혼합 모델링(GMM)과 통합한 혼합 머신러닝 기법이 제안됩니다. 제안된 접근법인 ICA-RKPCA-GMM은 비선형 프로세스 데이터의 가우시안 및 비가우시안 특성을 다룹니다. ICA, PCA 및 GMM의 세 가지 기본 기법을 결합한 또 다른 하이브리드 알고리즘(ICA-PCA-GMM)도 개발되었습니다. 제안된 기법(ICA-RKPCA-GMM 및 ICA-PCA-GMM)의 결함 감지 성능은 두 개의 벤치마크 시스템에 기술을 적용하여 PCA, ICA, KPCA 및 결합된 ICA-PCA 기술과 비교되었습니다. 모니터링 성능은 다양한 유형의 프로세스 및 센서 결함에 대한 오경고율 및 결함 감지율을 결정함으로써 평가되었습니다. 시뮬레이션 결과는 제안된 ICA-RKPCA-GMM 접근법이 개별 ICA, PCA 및 KPCA 기법, 결합된 ICA-PCA 및 제안된 ICA-PCA-GMM 기법보다 더 나은 결과를 나타냄을 보여 줍니다.