[发明专利]一种基于ICA‑KNN的间歇过程故障检测方法

说明书

技术领域

本发明属于间歇过程技术领域，更为具体地讲，涉及一种基于ICA-KNN的间歇过程故障检测方法。

背景技术

间歇过程，又被称为批处理过程。由于其操作灵活而被广泛应用与小批量、高附加值产品的生产中。如今间歇过程已经成为精细化工、生物制药以及农产品深加工等行业的主要生产方式。半导体批次生产过程存在批次不等长、进程中心漂移、变量非线性和多工况等特点，为减少半导体晶片生成过程中的报废率，故障检测方法已经成为一个重点课题。

多元统计分析，如主元分析(PCA)和偏最小二乘(PLS)以及独立主元分析(ICA)等在化工产业中有着广泛的应用。PCA是多元统计过程监测的重要工具，同时也是数据压缩和信息提取的有效工具。由于PCA算法假定过程是线性的，对于具有强非线性的生产过程，在线监测的结果十分不可靠，存在误报率过高的现象。特别是PCA进行故障检测时使用的统计量T²和SPE确定控制限时需要进行多元高斯分布的假设，这种假设要求训练集中的变量符合多元高斯分布，对于多数半导体批次过程这种假设是不成立的。与主元分析(PCA)方法不同，独立成分分析(ICA)并不要求观测变量数据服从高斯分布，同时基于高阶统计信息分离或估计出统计独立的源信号，其统计意义更强，而且这些隐含的信号通常具有实际物理意义，或者是所研究对象的本质特征反映，因此ICA在分析非高斯分布过程数据方面具有更好的特征提取能力。然而ICA方法本身也是一种线性方法，因此对于间歇过程中存在的非线性数据监测效果也不尽人意。基于此，有学者提出了基于核函数方法的核独立成分分析(KICA)方法用于间歇过程故障检测，并取得较好的效果。其基本思想是首先将输入数据通过一个非线性映射投影到高维特征空间，然后再在高维特征空间应用线性ICA处理。但KICA方法需要计算核矩阵，核矩阵的维数是样本数的平方，当样本数很大时，会增加计算的复杂性。Q.P.He和J.Wang提出一种基于K近邻规则的故障检测方法(FD-KNN)，这种方法并不在乎所处理的数据线性与否，在故障检测过程中能克服半导体数据非线性和多工况特点，实际应用中取得较好的效果。然而，FD-KNN方法存在相应的缺陷，例如当批次进程数据展开后变量规模会迅速增长，致使FD-KNN消耗大量时间用于数据信息的计算，同时占用大量的存储空间记录数据，庞大的数据规模使应用FD-KNN变得困难。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于ICA-KNN的间歇过程故障检测方法，针对具有非线性和多工况等特点的半导体生产过程中，在减少计算复杂度的基础上，有效提高故障检测的准确性。

为实现上述发明目的，本发明一种基于ICA-KNN的间歇过程故障检测方法，其特征在于，包含以下步骤：

(1)、数据预处理

将间歇过程采集的三维样本矩阵X(I×J×K)先进行基于批次个数展开，得到二维矩阵X(I×KJ)，再对二维矩阵X(I×KJ)在批次方向上做标准化处理，使该二维矩阵X(I×KJ)的每列的均值为0、方差为1，最后将标准化处理后的二维矩阵X(I×KJ)纵向重新排列成矩阵X(KI×J)；其中，I表示批次个数，J表示观测变量个数，K表示采样次数；

(2)、对矩阵X(KI×J)进行ICA降维处理，得到反映间歇过程信息的d个独立成分S_d和主部分离矩阵W_d

(2.1)、先对矩阵X(KI×J)进行白化处理，得到白化向量Z；

Z＝QX

其中，Q为白化矩阵，Q＝Λ^-1/2U^T，Λ＝diag(λ₁,…,λ_n)，λ_i(i＝1,…,n)为协方差矩阵E{XX^T}的前n个特征值，U为n个特征值对应的特征向量组成的矩阵；

(2.2)、对白化向量Z进行分解，得到反映间歇过程信息的d个独立成分S_d和主部分离矩阵W_d；

(2.2.1)、构建初始随机矢量值b_k，并令k＝1，k∈[1,n]；

b_k＝E{Zg(b_k^TZ)}-E{g'(b_k^TZ)}b_k

其中，函数g()为已选定的非二次函数G的一阶导数，g'()表示函数g()的导数，E{}表示求期望；