在现代制造系统中，在线检测越来越多地用于过程监控和故障诊断。在许多实际应用中，固定系统的输出是由时间顺序的数据表示的事件波形信号表示的。文献中报道的大多数工作涉及生产过程以单个特征为特征的情况。然而，在一些工业实践中，在线感测系统被设计成使得其在每个操作周期记录多于一个的配置文件。例如，在具有转移或连续模具的多操作锻造工艺中，使用四个传感器来测量施加在模具上的吨位力。为了有效地分析多通道剖面，开发一种考虑不同剖面之间的相互关系的方法是至关重要的。一种用于分析多通道剖面基于不相关的多重主成分分析的方法，用于分析过程变量，故障检测和故障诊断。所提出的方法的有效性通过使用模拟和多操作锻造过程的案例研究来证明。70171

关键词：分类，维数减少，主成分分析，张量到向量投影

1. 介绍

在现代制造系统中，在线感测被越来越多地用于过程监测和故障诊断。在许多实际应用中，自动传感器的输出由称为外形或波形信号的空间或时间有序数据表示。 剖面数据的例子包括在车削过程中在不同采样角度测量的加工零件的圆度轮廓（Colosimoetal，2008; Moroni and Pacella，2008）和用于在发动机缸盖组装过程中将阀座压入发动机缸盖中的冲压力信号（Paynabar和Jin，2011）。

对有关文献中报道的线性特征的建模和监测中有广泛研究。例如，参见Kang和Albin（2000）的工作，Kim et al（2003），Mahmoud和Woodall（2004），Gupta et al（2006），Zou et al（2006），Mahmoud et al（2007），和Jensen et al（2008）。然而，在大多数实际情况下，传感器的输出由非线性轮廓表示。对使用非线性剖面数据开发过程监测和故障诊断的有效技术有越来越多的研究兴趣。 Gardner et al（1997）和Walker and Wright（2002）利用样条回归模型和分析非线性简介数据。为了监测和故障诊断的目的，Jin和Shi（2001）提出了一种使用小波的非线性分布的分类方案。Williams等人（2007）使用四参数逻辑回归和平滑线性模型土地单位药物的剂量反应特征。Paynabar et al（2012）使用非线性参数回归模型为传输系统开发了一个鲁棒的泄漏测试程序。为了监测I期的非线性特征，Ding et al（2006）将每个剖面视为高维数据，并应用主成分分析（PCA）和独立分量分析来减小非线性剖面的尺寸。为了减小尺寸，Jungetal（2006a，2006b）提出了基于从单个传感器收集的多个样本的基于小波的阈值方法。他们还在一个过程中使用提取的小波特征检测不同类型。Zou et al（2008）应用局部线性平滑器来监测非线性特征。Zou et al（2009）应用通用似然比测试来开发一个由局部线性核平滑建模的非线性特征的监测程序。此外，为了解释剖面建模和监测中的剖面变化，Mosesova et al（2006）和Jensen和Birch（2009）使用非线性参数混合效应回归。Paynabar和Jin（2011）进一步解决了这个问题，开发了一个基于小波的混合效应模型，用于建模非线性特征和表征特征变化。为了监测非线性特征，Qiu et al（2010）基于核回归开发混合效应模型。论文网

文献中报道的大部分工作涉及基本过程性能由个体特征反射的情况。然而，在一些工业过程中，必须使用多个传感器来捕获整个系统响应。例如，在使用转移或连续模具的多操作锻造工艺中，为了测量施加在所有模具上的总压力吨位力，使用多个传感器。如图1（a）所示，在锻压机的四个立柱上安装了四个应变传感器，每个传感器在转动曲柄角的预定相等采样间隔内记录吨位力分布。如图1（b）所示，相对于采样数据指数描绘了在按压行程期间对应于每个传感器的部分吨位曲线的一个样本。由于这样的多个配置文件是通过不同的传感器通道记录的，因此在本文中称为多通道配置文件。