Online Monitoring of High-Dimensional Dynamic Processes Using PCA-Based Sequential Learning
In air pollution surveillance, additive manufacturing, and other fields, monitoring high-dimensional data streams presents unique challenges. The in-control (IC) distributions often change over time due to seasonality and other factors, making it difficult to apply standard statistical process control (SPC) charts. Traditional SPC methods assume that IC process observations at different times are independent and identically distributed—an assumption that is often invalid in these settings. In this talk, we present a novel process monitoring method that integrates principal component analysis with sequential learning. This approach effectively handles high dimensionality, time-varying IC distributions, serial data correlation, and nonparametric data distributions. It has proven to be a reliable analytic tool for the online monitoring of high-dimensional dynamic processes. This is joint research with Dr. Xiulin Xie.
Surveillance en ligne de processus dynamiques à haute dimension à l'aide de l'apprentissage séquentiel basé sur l'ACP
Dans la surveillance de la pollution de l'air, la fabrication additive et d'autres domaines, le contrôle des flux de données à haute dimension présente des défis uniques. Les distributions en contrôle (IC) changent souvent au fil du temps en raison de la saisonnalité et d'autres facteurs, ce qui rend difficile l'application des graphiques standard de contrôle statistique des processus (SPC). Les méthodes SPC traditionnelles supposent que les observations de processus IC à différents moments sont indépendantes et identiquement distribuées - une hypothèse qui est souvent invalide dans ces contextes. Dans cet exposé, nous présentons une nouvelle méthode de surveillance des processus qui intègre l'analyse des composantes principales et l'apprentissage séquentiel. Cette approche traite efficacement la haute dimensionnalité, les distributions d'IC variables dans le temps, la corrélation des données en série et les distributions de données non paramétriques. Elle s'est avérée être un outil analytique fiable pour la surveillance en ligne de processus dynamiques à haute dimension. Il s'agit d'une recherche conjointe avec Xiulin Xie.
Date and Time
-
Language of Oral Presentation
English
Language of Visual Aids
English