基于神经元网络的非线性主元分析及在故障检测中的应用.pdfVIP

基于神经元网络的非线性主元分析 及其在故障检测中的应用 成 成 黄 道 (华东理工大学自动化工程中心，上海，200237) 摘要 本文提出了一种基于神经元网络的非线性主元分析方法一主元网络(PcANN)，并利用主 元网络对一个CSTR串联系统进行故障检测．仿真结果表明该方法是有效的． 关键词：主元分析；菲线性主元分析；神经元网络；故障检测 中图法分类号：TP277 ● 0引言 近年来，主元分析(PcA)已成为过程监视和故障检测的一个有力工具Ⅱ]．主元分析利用 历史数据建立描述在正常操作情况下的过程的主元模型，并利用主元模型对过程进行监视， 发现过程的异常情况，从而达到故障检测的目的．但是，主元分析在本质上是以线性相关分 析为基础的，如果系统的变量间存在着严重的非线性关系，那么简单地套用主元分析方法， 不可能寻找出变量阅真正的内在联系．而化工过程中普遍存在着大量的非线性过程，因此有 必要研究非线性主元分析(NLPCA)的故障检测方法． 。 1基于神经元网络的非线性主元分析 Neural Kramer曾提出过一种基于自回归神经元网络(AutoassociativeNetworks)的非 线性主元分析法[。】，如图1所示，并指出一个NLPCA可由一个自回归神经元网络替代．从 图l中可以看出，自回归神经元网络共有五层，其中含有三个隐含层(映射层，瓶颈层和逆映 射层)．对于这样一个网络，其训练难度是比较大的，训练时间也随着网络层数的增加而骤 增．为此我们提出了一种改进的基于神经元网络的NLPCA方法，该方法训练难度大大的低 于自回归神经元网络． 对于一个系统的测量数据向量x，由主元分析可知，原始测量数据X与主元值T之间 有下述关系‘“； 372 浙 江 大 学 学 投(自然科学版) 1998年 输八层映射层瓶颈层 逆映射层 输出层 图l自回归神经元网络 T=XP (1) 足=丁P7 (2) X=爻+E (3) 其中，殳为X的估计值，P为主元变换中的负荷矩阵，E为估计误差．如果系统间存在若非线 性关系，那么x与T之间的关系就不能用上述简单的线性方程来描述了．式(1)～(3)应改 写成， T=F(X) (4) 戈=6(丁) (5) E；llx一岩f|2 (6) 其中，F一(F1，，2。…，，2}，G={G，，G：，…，G)，均为非线性函数． 非线性主元分析所要解决的一个关键问题是如何决定测量值X与主元了’之间的非线 性映射关系F和G，使得估计误差E在某一限定的范围内．由于神经元网络有着极强的非线 性映射能力，所以往自然的就想到应用神经元网络来构造X到丁的映射网络(MAPNN)和 r到X的逆映射网络(DMAPNN)，从而可以利用神经元网络进行非线性主元分析．网络结 构如图2所示， Jl