基于PCA系统故障监测方法及其三相异步电动机仿真的研究.docVIP

基于PCA的系统故障监测方法及其三相异步电动机仿真研究 发布时间:2009-08-12 1 引言作为多变量统计分析方法，主元分析（PCA）不依赖精确数学模型，通过对高维相关变量空间进行降维映射，将其转化为相互独立的低维变量空间，实现对复杂过程数据的特征抽取，并建立相应过程的主元模型[1]。主元模型舍弃了部分残差而保留体现数据变异的主要方向，从而达到抽取系统信息，清除系统干扰的目的。基于PCA的故障监测与诊断利用主元模型使得过程监控可以在这个减低了干扰的低维空间进行。由于变量间的相关关系，一个特定的故障会使过程测量值按照特定的规律变化，主元模型则包含了故障在变量空间的变化方向。在反映过程主要变化的几个主元中，故障表现了他们对系统的不同影响。实际故障的监测与诊断可以依据基于主元模型的平方预测误差（SPE）统计图法和主元得分图法来进行的。本文对一个非对成三相绕组异步电动机建立了故障诊断主元模型，其SPE统计图和主元得分图可以有效的显示故障出现的情况。2 过程数据的主元分析主元分析的对象是过程变量的样本数据矩阵。数据矩阵的行表示采样值或观察值，列表示变量。PCA则是过程数据矩阵的谱分解。PCA产生一个压缩的统计模型―主元模型，模型给出了变量的线性组合，描述了数据变化的主要趋势。主元模型使原标准差的平方重新分布，大多数标准差平方会分布在第一主元上，其次分布在第二主元上，依此类推。