KICA模式匹配的动态过程监控与故障诊断方法.pdfVIP

第 32 卷 第 2 期 计算机与应用化学 Vol.32, No.2 2015 年 2 月 28 日 Computers and Applied Chemistry February 28, 2015 KICA 模式匹配的动态过程监控与故障诊断方法 * 卢春红，熊伟丽，顾晓峰 (江南大学，轻工过程先进控制教育部重点实验室，江苏，无锡，214122) 摘要：针对复杂化工过程具有的非线性、非高斯性和动态特征，提出了基于核独立成分分析(KICA)的模式匹配方法，用于动态 过程监控和诊断。首先，利用滑动窗建立基准集与测试集的 KICA 模型，提取各自的核独立元；其次，融合余弦函数绝对值度 量和距离度量，提出新的不相似度监控指标，识别训练与测试操作期间的相似模式，进行故障检测；最后，基于两类数据的核 子空间之间的差异子空间，获得每个过程变量方向与该差异子空间之间的互信息，并定义新的非线性非高斯贡献度指标，进行 故障诊断。基于污水处理过程的仿真结果表明，与主成分分析不相似度因子的方法、标准的独立成分分析(ICA)统计指标方法及 标准的 ICA T2/SPE 指标融合的贡献度方法相比，本文提出的方法具有更好的检测能力与故障诊断效果。 关键词：故障检测与诊断；非线性非高斯动态过程；核独立成分分析 中图分类号：TP273 文献标识码：A 文章编号：1001-4160(2015)02-152-158 DOI: 10.11719/com.app.che 1 引言 独立元的不相似程度，结合核密度估计的控制限进行故 障检测；再次，获得基准集与测试集的子空间两者之间 多元统计过程监控(MSPM)技术，尤其是主元分析 的差异子空间；最后，估计出该差异子空间与每个过程 (PCA)方法广泛应用于工业过程的故障检测与诊断[1-2] 。 变量方向之间的互信息，并利用提出的基于模式匹配的 这类技术首先将测量数据投影到低维子空间，然后利用 贡献度指标进行故障诊断。以这样的方式，可以有效抓 2 [3] T 、SPE 等统计指标进行多元数据的监控 。传统的 取动态过程的非线性非高斯特征，在污水处理过程仿真 MSPM 方法假设过程数据遵循高斯分布，但实际工业数 平台上获得了良好的监控效果。 据并不满足此条件。Lee 等提出了独立成分分析(ICA)方 法来处理非高斯过程，利用非高斯信息及高阶统计量， 2 核独立成分分析(KICA) 将多元数据分解成独立成分的线性组合，再利用 T2 、SPE KICA 通过提取独立和非高斯成分获得过程测量数 统计指标描述独立元与残差子空间之间的变化情况[4] 。然 据之间的非线性关系。非线性核函数将原始测量空间的 而，ICA 并不能完全解决过程的动态性问题。另一类技 数据集 X 映射到某一高维的特征空间，使其线性化，然 术，从模式匹配的角度，通过比较多元时序数据集与基