生 化工過(guò)程中存在大量測(cè)量變量，這些變量一般不是相互獨(dú)立的，而是由少數(shù)必要的潛隱變量驅(qū)動(dòng)，這些潛隱變量通過(guò)獨(dú)立成分分析方法(ICA)抽取出來(lái);針對(duì)現(xiàn)有的Infomax(信息極大)ICA算法收斂速度慢的問(wèn)題，引人四階統(tǒng)計(jì)去相關(guān)的混合學(xué)習(xí)規(guī)則，結(jié)合加權(quán)協(xié)方差陣的非對(duì)角元素最小化，提出了一種改進(jìn)Infomax算法，將其用于生化工過(guò)程故障的提取，并通過(guò)在TE (Tennessee Eastman)模型上仿真，結(jié)果表明該方法改善了原有算法的收斂性能，盲源分離效果良好。
生化 工 領(lǐng) 域中控制所獲得的信號(hào)往往是源信號(hào)與干擾信號(hào)的混合。為了從接收到的信號(hào)中濾除干擾信號(hào)而恢復(fù)源信號(hào)，多年來(lái)發(fā)展了很多技術(shù)，比如利用主元分析方法(PCA)在化工過(guò)程中的多變量監(jiān)控[1-21。獨(dú)立分量分析(IndependentComponent Analysis, ICAP」是近年來(lái)興起的故障監(jiān)測(cè)技術(shù)。20世紀(jì)90年代中期，Bell["〕和Sejnowski從獨(dú)立分量分析的角度提出了基于信息極大(Information maximization, Infomax)C61 原理的盲源分離算法，該算法成功地從20路隨機(jī)混合的語(yǔ)音信號(hào)中分離出語(yǔ)音源信號(hào)。隨著算法的不斷深人分析和研究，出現(xiàn)了基于自然梯度的Infomax算法和擴(kuò)展Infomax算法C61。
自然 梯 度 和擴(kuò)展的Infomax算法雖然能實(shí)現(xiàn)分離但還存在一些問(wèn)題，如沒(méi)有考慮噪聲，收斂速度較慢，數(shù)據(jù)需要較長(zhǎng)才足以將各信號(hào)源之間的獨(dú)立性表現(xiàn)出來(lái)等。本文結(jié)合四階統(tǒng)計(jì)去相關(guān)的混合學(xué)習(xí)規(guī)則和加權(quán)協(xié)方差陣的非對(duì)角元素最小化，提出了一種Infomax算法的改進(jìn)，從而改善其收斂性能。以實(shí)現(xiàn)信號(hào)的良好分離。將改進(jìn)的Infomax算法應(yīng)用于TE過(guò)程的正常工況信號(hào)與故障信號(hào)的分離，成功地分離出源信號(hào)。