基于非线性主元分析和符号有向图的故障诊断方法.pdfVIP

第 6O卷 第 12期 化 工 学 报 VoL60 No．12 2009年 12月 CIESC Journal December 2009 口 基于非线性主元分析和符号有 向图的 故障诊断方法 黄道平，龚婷婷 ，曾 辉 (华南理工大学 自动化科学与工程学院，广东 广州 510640) 关键词 ：故障诊断；非线性主元分析 ；符号有 向图；神经网络 中图分类号 ：TP277 文献标识码 ：A 文章编号 ：0438—1157(20O9)12—3058—05 A faultdiagnosismethodbasedon nonlinearprincipal componentanalysisand sign directedgraph HUANG Daoping。GONG Tingting，ZENG Hui (CollegeofAutomationScienceandEngineering，SouthChinaUniversityof Technology，Guangzhou510640，Guangdong，China) Abstract：Nonlinear principalcomponent analysis (NLPCA ) fault detection method achieves good detectionresultsespeciallyin anonlinearprocess．Signed directed graph (SDG)modelisbasedOn deep— goinginformation，which excels in faultinterpretation．In thiswork，an NLPCA—SDG faultdiagnosis method was proposed．SDG model was used to interpret the residual contributions produced by NLPCA．ThismethodcouldovercometheshortcomingsoftraditionaIprincipalcomponentanalysis (PCA) methodinfaultdetectionofanonlinearprocessandtheshortcom ingsoftraditionalSDG methodinsingle variablestatisticsin discriminatingnodeconditionsand threshold values．Theapplication toadistillation unitofapetrochem icalplantillustrateditsvalidityinnonlinearprocessfaultdiagnosis． Keywords：faultdiagnosis；nonlinearprincipalcomponentanalysis；signeddirectedgraph；neuralnetwork 也可能包含复杂的非线性信息，不恰 当的主元数 目 取舍 ，会 导致非线性信息 的丢失 。其次 ，PCA 化工过程通常具有变量多、非线性程度高、难 故障诊断方法并没有彻底帮助操作人员辨识出故障 以获得准确的数学模型、故