基于自适应控制限的纵向标准化主元分析故障检测策略.docVIP

基于自适应控制限的纵向标准化主元分析故障检测策略 摘要： 为有效地解决在非稳定工况时信号具有非高斯分布及突变特点的故障检测问题， 针对周期非稳定工况提出一种基于自适应控制限的纵向标准化主元分析故障检测策略.该策略主要包含两部分：一是将非高斯数据转换成高斯数据；二是构建自适应控制限，解决信号突变问题.仿真结果验证了该策略对周期非稳定工况故障检测的可行性和有效性. 关键词： 故障检测； 主元分析（PCA）； 纵向标准化； 自适应控制限 中图分类号： TP277.3 0 引 言 在现代工业过程中，状态监控和故障诊断技术对避免事故的发生至关重要.而系统在非稳定工况下运行时出现故障的几率相较于稳定工况下要高得多，因此适用于非稳定工况的故障检测手段对保证系统安全运行十分重要.由于很难对非稳定工况下的系统进行建模，而且故障检测要求实时性强、准确度高，所以监测难度较大，传统的针对于稳定工况的故障检测方法往往无法有效适用[13].主元分析（Principal Component Analysis， PCA）[4]方法是解决复杂系统故障检测的主要方法. 但是，PCA方法用于故障检测时存在着两个主要限制：一是利用PCA模型进行检测时，控制限不具有时变特性；二是PCA方法进行故障检测时要求数据符合高斯分布.为使控制限具有时变特性，QIU等[5]提出递归鲁棒PCA模型用以更新检测模型， WANG等[6]提出用在自适应工业过程监控的快速移动窗口PCA方法.然而，因为这些方法的应用对象均为缓变的工业过程，所以当它们被应用于变量发生剧烈变化的周期非稳定工况时检测效果不理想.另外， NOMIKOS等[7]提出一种适用于批次过程的多路主元分析（Multiway PCA）方法[7]，然而它无法在每一批次中测出故障样本点的位置或者数量.RUSSELL等[8]提出动态主元分析（Dynamic PCA， DPCA）方法，这种方法适用于动态系统，但要求数据符合高斯分布，而且应用于周期非稳定工况时的效果依然不够理想.为提升对非高斯数据的检测精度，GE等[9]提出PCA1SVM 模型，但是核参数选择是个瓶颈问题. VIA等[10]提出独立主元分析（Independent Component Analysis， ICA）方法，但是此方法在数据维数较多时会引起干扰.另外，这几种方法的计算更为复杂，不适用于实时监测. 综上可知，变量数据维度高、非高斯分布，以及非稳定工况下的信号突变是造成周期非稳定工况检测难度大的主要原因.本文在PCA的基础上针对周期非稳定工况提出一种基于自适应控制限的纵向标准化主元分析故障检测策略 （Longitudinalstandardization PCA fault detection strategy based on Adaptive Confidence Limit， LPCAACL），以解决上述3种问题所引起的检测困难. 1 LPCAACL LPCAACL主要包括两部分：一是利用纵向标准化方法将非高斯分布的数据转换为高斯分布数据，满足使用T2统计量进行检测的前提条件；二是构建自适应控制限，解决信号突变问题. 1.1 纵向标准化 在实际的周期性工业系统过程中，每个采样点在不同周期时的测量数据都不是完全相同的，表现为真值与随机波动误差之和，可以表示为“测量值 真值+随机波动误差”. 约束条件：过程变量具有严格的周期性，且每个采样点处的随机波动误差服从高斯分布. 设Xj表示系统在周期非稳定工况下运行时第j个周期过程变量数据矩阵，可表示为 在约束条件下，随机波动误差（ζ1i（l），ζ2i（l），…）服从高斯分布，设随机波动误差（ζ1i（l），ζ2i（l），…）取自N（μi（l），χi2（l）），其中μi（l）表示随机波动误差的均值，χi（l）为随机波动误差的标准差.根据高斯分布的可加性可知 Ai（l），l 1，2，…，N 服从高斯分布N（ψi（l）+μi（l），χi2（l）），得证性质1. 根据以上对周期非稳定工况系统的分析，提出一种新的数据标准化方法. 非高斯分布的过程数据中正常采样点的数据经纵向标准化处理后服从高斯分布. 当周期数J有限时，QQ图可以用来验证本文方法的有效性. 1.2 构建自适应控制限 为考虑时变数据对检测的影响，“自适应动态限”Tucl由两部分组成： 1.2.1 计算Tucl1 1.2.2 计算Tucl2 为利用一周期历史正常数据的T2统计量检测一周期待测数据中是否有故障，采用动态数据窗口方法计算式（13）中的Tucl2，具体步骤如下. （1）根据式（11）提取出一周期历史正常数据的T2统计量，并将其保存为ξ.令 式中：Sk表示变量ξ一系列连续值；L代表动态数据窗口的长度；k表示循环开始时的数值，k L+1. （2）按照式（12）不断