[发明专利]基于多阶段ICA-SVDD的间歇过程故障监测方法

说明书

本发明公开了一种基于多阶段ICA‑SVDD的间歇过程故障监测方法。用于工艺机理复杂并存在多个操作阶段的间歇过程。针对一些间歇过程具有的多阶段性和数据分布非高斯性问题，采用一种改进的阶段划分和故障监测方法。首先根据各个时间片的相似度和K均值算法进行阶段划分，然后对各阶段分别利用独立成分分析方法提取出非高斯的特征信息，最后引入支持向量数据描述算法对独立成分和剩余的高斯残差空间分别建立统计分析模型，实现对整个过程的故障监测。应用于一个实际的半导体蚀刻过程的故障监测，结果表明该方法对多阶段间歇过程具有更佳的监测效果。

技术领域

本发明涉及基于多阶段ICA-SVDD的间歇过程故障监测方法，属于工业过程故障诊断和软测量 领域。

背景技术

间歇过程是一种比较重要的工业生产方式，其工艺机理复杂并存在多个操作阶段，而且产品质 量易受不确定性因素的影响。为了保证间歇生产过程的安全可靠运行以及产品的高质量追求，需要建立有 效的过程监控系统对间歇生产过程进行故障监控。多元统计过程控制方法已经广泛的应用到间歇过程监测 中，如多向主元分析(multiwayprincipal component analysis，MPCA)和多向偏最小二乘分析(multiway partial leastsquares，MPLS)。但是大多数与主成分分析和偏最小二乘分析相关的数据描述方法都有数据符合高斯 分布和不同的变量之间的关系是线性的限制。

针对间歇过程数据的非高斯特性，独立成分分析(independent componentanalysis，ICA)被引入 到过程监控领域，为了适应对间歇过程的故障监测，一些学者把ICA方法扩展为多向独立成分分析 (multiway ICA，MICA)方法。虽然可以处理非高斯数据，但是在确定过程监控统计量的置信限时，基于核 密度估计方法计算过程复杂并且参数无法准确获得，当变量维数较大时，无法避免核密度估计带来的“维 数灾难”等问题。此外，对于非线性间歇过程的监控，传统的MPCA/MPLS方法也扩展到其非线性形式， 如多向核PCA和多向核PLS，然而，基于这些非线性方法的过程监控方法也需要服从高斯分布。

多操作阶段是许多间歇过程的一个固有特性，如果采用单一建模方式实现整个批次过程的监 控，会导致模型在不同阶段内的监测效果不佳。针对这一特性，国内外学者已经做了大量的研究，通过对 批次过程进行合理的阶段划分并在子阶段内建立过程的监测模型，从而提高监测性能。

过程监测可以认为是一个单值分类问题，因为监测的任务是将正常数据与故障数据分离。支持 向量数据描述(Support vector data description，SVDD)算法是一种最初由Tax和Duin提出的单值分类方法。 通过非线性变换将正常数据样本空间映射到高维特征空间并建立一个模型，从而将正常数据与故障数据分 离，达到过程故障监测的目的。使用SVDD算法进行故障监测便可以同时处理不符合高斯分布和变量间是 非线性关系的数据。SVDD已经被用于损伤检测、图像分类、模式识别等领域，在过程监控领域中的应用 也开始得到重视。

一种基于独立成分分析和支持向量数据描述的多阶段间歇过程的故障监测方法，可以有效提高 间歇过程的故障监测性能。由于大多数与主成分分析和偏最小二乘分析相关的数据描述方法都有数据符合 高斯分布和不同的变量之间的关系是线性的限制。该方法可以同时解决过程数据非高斯和非线性的监测问 题，具有更佳的故障监测效果。

发明内容

针对于间歇过程呈现的多阶段、非高斯性和非线性，工艺机理复杂，而且产品质量易受不确定 性因素的影响，为了提高对多阶段间歇过程的故障监测性能，本发明提供一种基于多阶段ICA-SVDD的间 歇过程故障监测方法。