一、原始依据（包括设计或论文的工作基础、研究条件、应用环境、工作目的等。）工作基础：了解数据挖掘技术的基本方法，能熟练使用MATLAB软件。研究条件：利用MATLAB实现基于独立成分分析的流程工业过程监控方法的研究与仿真。应用环境：基于独立分分析法的数据信息挖掘技术的研究工作目的：熟练掌握MATLAB的M文件编程掌握故障诊断技术的基本分类以及基于信号处理的方法的基本步骤。二、参考文献[1]刘磊,张宇明,钱积新.统计过程在连续生产中的应用[J].化工自动化及仪表,第24卷，1995.[2]于俊英,连岳.SPC在柔性设计制造中心生产加工中的应用[J].航空制造技术,2005.[3]张公绪,孙静.统计过程控制与诊断[J].质量与可靠性,2002.[4]刘阶萍,罗振璧,陈禹六.工序能力指数的统计分析与改进[J].北京科技大学学报,第26卷第2期,2004.[5]高岩,杨慧中.一种主元分析方法在聚合生产过程故障检测与诊断中的应用[J].江南大学学报（自然科学版）,2005.[6]王海清,宋执环,李平.改进PCA及其在过程监控与故障诊断中的应用[J].化工学报,第52卷第6期,2001年6月.[7]J.F.MarcGregorandT.Kourti,StatisticProcessControlofMultivariateProcesses[J],ControlPractice,Vol.3,No.3,403-414.三、设计（研究）内容和要求（包括设计或研究内容、主要指标与技术参数，并根据课题性质对学生提出具体要求。）1、掌握MATLAB的基本使用方法，能够独立完成基本的算法设计。2、研究基于ICA方法的故障诊断的方法和程序实现。3、对实际的诊断效果做出相应的评价。指导教师（签字）年月日审题小组组长（签字）年月日天津大学仁爱学院本科生毕业设计（论文）开题报告课题名称基于ICA的流程工业故障诊断系统的研究系名信息工程系专业自动化学生姓名杨俊敏指导教师扈书亮一、课题来源及意义独立陈分分析（IndependentComponentAnalysis），最早应用于盲源信号分离（BlindSourceSeparation）。ICA方法最早是由法国的J.Herault和C.Jutten于80年代中期提出来的，现在常称他们的方法为H-J算法，可以说是最经典的ICA算法之一。目前比较流行的ICA算法有Infomax算法（信息最大化）、FastICA算法（定点算法，Fixed-point、快速ICA算法），犯非法分类的依据主要是求取分离矩阵W的方法不同。随着科技的发展，过程工业系统的规模在逐渐扩张，工艺也越来越复杂，使得人们不得不将过程的可靠性以及安全性能重视起来；此外，过程工业通常对生产环境的要求亦非常严格，尤其是在石油炼制、化工、电力、钢铁、冶金等流程工业生产过程中极为突出。在现代化生产过程中，过程故障检测及其相关技术的研究有着深刻的理论价值和不容忽视的重要性。几年来，过程监控已经成为过程自动化和过程控制领域的重要研究方向，并成为构成系统可靠性、安全性、维修性等学科的关键技术之一。二、国内外发展现状独立成分分析（ICA）作为近年来发展起来的一种新的统计信号处理方法，与传统的PCA方法相比，它更有效的利用了高价信息统计量和非高斯信息，并能对数据的独立性问题作出分析。ICA在生物医学信号处理、混合语音分离、盲源信号分离、图像处理以及人脸识别领域已获得了成功的应用，但在化工过程性能监控方面的应用还很少。自20世纪90年代以来，基于多元统计投影理论的过程性能监控和故障诊断技术受到了学术界和工业界的广泛重视，并在化工生产过程得到了成功应用。三、研究内容利用MATLAB实现基于独立成分分析的流程工业过程监控方法的研究与仿真。以主元分析（PCA）和偏最小二乘（PLS）为代表的多元统计方法事先假定测量数据服从同一正态分布，而且来自单一的稳定工况，事实上，对于实际的化工过程而言，大多数变量并不服从正态分布，实际的过程信息是高斯信息和非高斯信息的混合体。另外，大部分工业过程都不是运行在单一的工况下，相反，在各种工业生产过程中，普遍存在着工况的切换问题。在这种情况下，用传统的多变量统计过程技术（如PCA）对过程进行监控，势必会导致过程性能分析不准和过程故障的误报、漏报。针对传统多变量统计过程监控技术要求过程信息服从正态分布的约束性，应用基于独立成分分析方法的过程监控方法对典型生产过程监控与故障诊断的研究。对生产过程正常运行状态下的历史数据进行小波降噪和独立成分分析，建立优化的独立元模型，利用独立元模型对生产过程仿真实时数据进行在线监控，采用SPE统计量、统计量和统计量判断系统是否发生故障。检测到