Probabilistic Multivariate Statistical Process Control via Kernel Parameter Uncertainty Propagation

doi:10.1109/ACCESS.2026.3706157

Probabilistic Multivariate Statistical Process Control via Kernel Parameter Uncertainty Propagation

2026-06-22

0

OA

AI

Maria Paola Di Crosta

DOI：10.1109/ACCESS.2026.3706157

原文链接

原文求助

摘要

En 中文

基于核的多变量统计过程控制（K-MSPC）将经典潜变量监测扩展到非线性工业过程，但其性能强烈依赖于核参数（如长度尺度与方差项）。当前实践中，这些参数通常通过启发式规则或确定性优化进行选择，并被视为固定值，尽管它们是基于有限且含噪声的数据估计得出的。这可能导致在核配置不确定时，控制限过度自信且报警行为不稳定。本研究提出了一种概率K-MSPC框架，用于量化并传播核参数不确定性至过程监测统计量及诊断贡献中。所提方法遵循两阶段工作流程：首先，核参数通过监督或非监督模型进行确定性校准；其次，采用马尔可夫链蒙特卡罗进行贝叶斯推断，以获取核参数的后验样本。这些后验样本通过核主成分分析传播，生成概率性霍特林T²与平方预测误差控制图，并伴随不确定性感知贡献图。该框架通过田纳西-伊斯曼过程基准进行评估。结果表明，后验均值监测在多个故障场景下，相比确定性先验均值图（针对平方指数核）可提升故障检测性能。在正常运行期间，置信区间保持狭窄，而在故障条件下则变宽，表明在异常工况下，认知不确定性被放大。自动相关性确定（ARD）核的性能优于单长度尺度SE核，可降低后验不确定性，而通过非监督校准路径得到的后验区间更宽，同时仍保持稳健的故障检测。

Keyword:

Kernel PCA

Bayesian inference

MCMC

uncertainty quantification

Tennessee Eastman process

Probabilistic Multivariate Statistical Process Control via Kernel Parameter Uncertainty Propagation

摘要

期刊

机构

引用论文