一种基于RBF神经网络的非线性PCA故障检测方法.pdfVIP

第32卷第5期 华北电力大学学报 V01．32．No．5 JournalofNorthChinaElectricPower Sep．，2005 2005年9月 Unive璐i何 一种基于RBF神经网络的非线性PCA故障检测方法 刘吉臻，牛征，牛玉广 (华北电力大学控制科学与工程学院，河北保定071003) 摘要：针对传统PCA(主元分析)故障诊断方法在非线性过程应用中存在的缺点，提出了一种基于砌强 (径向基)神经网络的非线性PcA故障检测方法。首先，提出一个由两个RBF网络构成的非线性统计模 型，其中第一个网络用于建立输入变量到主元的非线性映射，第二个网络实现逆映射来重构原始数据。其 次，用主元曲线算法来解决网络训练数据的获取问题。最后，给出了使用基于砌强网络的非线性PCA方 法进行故障检测的步骤，并通过一个三阶非线性系统的仿真实例验证了该方法的有效性。 关键词：非线性主元分析；径向基神经网络；故障检测；主元曲线 中图分类号：TP277文献标识码：A 文章编号：1007-2691(2005)05—0027一05 basedRBFnetworks NOnⅡnearPCAfaultdetectionmethodon LIU JU Ji·之hen，NIU Z}1eng，NYu-9uang Power ofCon仰lscience柚d ChinaElec仃ic (Sch001 Engineering，NortlI i— j{{童 j j 囊藜鬻攀蘩l震l黉熬l惹麓蒸爨豢!；然ff熬} 针对该问题，已经提出了很多非线性PCA方 引 言 法。这些方法概括起来有两大类。第一类是采用 Hastie提出的主元曲线方法垆】。主元曲线可以提 在故障检测和诊断领域，由于基于PCA的故供从过程变量到非线性主元的非线性映射，但是它 障检测方法有着只需要过程数据而不需要过程数学 不能提供对新样本进行数据重构的逆映射，因此， 模型等优点，使其在工业过程中得到越来越广泛的 主元曲线方法不能直接应用到故障检测中。另一类 应用n’21。其检测原理是使用PCA方法建立过程正 是采用Kramer提出的基于5层自组织神经网络的 常运行下的统计模型，并根据新的数据样本对统计 非线性PCA方法砸1。但由于该神经网络存在结构 模型的背离程度来检测故障p1。然而，PcA作为 复杂，难以训练等缺点导致它难以在实际中应用。 一种线性分析方法，当过程中存在较强的非线性 除此之外，其他的一些非线性PcA方法大多源自 时，其统计模型往往会丢失过程中的重要非线性特 上述两类方法。 征，进而在故障检测时会导致误诊H】。 本文改进了5层自组织神经网络，提出了基于 收稿日期：2005-06-21． 作者简介：刘吉臻(1951一)，男，华北电力大学控制科学与工程学院教授，博士生导师 万方数据 28 华北电力大学学报 2005年