生 化工過程中存在大量測量變量，這些變量一般不是相互獨立的，而是由少數(shù)必要的潛隱變量驅(qū)動，這些潛隱變量通過獨立成分分析方法(ICA)抽取出來;針對現(xiàn)有的Infomax(信息極大)ICA算法收斂速度慢的問題，引人四階統(tǒng)計去相關(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，將其用于生化工過程故障的提取，并通過在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往往是源信號與干擾信號的混合。為了從接收到的信號中濾除干擾信號而恢復(fù)源信號，多年來發(fā)展了很多技術(shù)，比如利用主元分析方法(PCA)在化工過程中的多變量監(jiān)控[1-21。獨立分量分析(IndependentComponent Analysis, ICAP」是近年來興起的故障監(jiān)測技術(shù)。20世紀(jì)90年代中期，Bell["〕和Sejnowski從獨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路隨機混合的語音信號中分離出語音源信號。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算法和擴展Infomax算法C61。
自然 梯 度 和擴展的Infomax算法雖然能實現(xiàn)分離但還存在一些問題，如沒有考慮噪聲，收斂速度較慢，數(shù)據(jù)需要較長才足以將各信號源之間的獨立性表現(xiàn)出來等。本文結(jié)合四階統(tǒng)計去相關(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。以實現(xiàn)信號的良好分離。將改進(jìn)的Infomax算法應(yīng)用于TE過程的正常工況信號與故障信號的分離，成功地分離出源信號。