基于动态主元分析的故障诊断研究.pdfVIP

基于动态主元分析的故障诊断研究 周胜平侍洪波 (华东理工大学自动化研究所，上海200237) 摘要：主元分析(PCA)已经广泛应用子化工过程的故障检测和诊断，但是由于大部分工业过程具有采样间隔短的特点和较 强的动态特性，就提出采用考虑数据中序列相关性的动态主元分析(DPCA)方法。仿真研究中，将主元分析(PCA)和动态 为有效。 关键词：主元分析；动态主元分析；TE过程；故障检测 中图分类号： 引言 主元分析方法的数据压缩过程实质上是数据 主元分析方法(PCA)因其在数据压缩和特征提 矩阵X；协方差矩阵的特征向量分析，而主元空间 取方面的优越性，以及无需掌握过程的精确数学模 型，在化工过程故障诊断领域越来越受到重视。但 的信息抽取实质上是选择几个有代表性的主元，解 传统的主元分析方法都隐含地假定：一个时刻的观 释数据中大部分变化，数学表达式如下： 测值对于前面时刻的观测值来说是统计独立的，对 于典型的工业过程，这一假定只对长采样间隔是有 其中，后为主元个数，tj是系统主元，也是得 效的(例如2-12d、时)。动态主元分析(DPCA)方 分向量，提取采样数据间关联信息；P．是协方差主 法由于考虑到数据中的序列相关性，在含有时滞系 元特征向量，也称负荷向量，提取变量问关联信息； 统的故障诊断中有良好的表现。 1．主元分析 E为残差向量，提取随机噪声和模型误差信息。由 于误差矩阵主要是由测量误差引起的，将E忽略掉 主元分析方法进行故障检测和诊断的基本思想 是：根据收集的过程正常工况下的历史数据，先进 往往会起到清除噪声的效果。对数据进行分析可只 行数据标准化，然后利用统计的方法找出能够表达 考虑数据矩阵在前负荷向量上的投影变化，这等同 正常工况下过程各变量之间的因果关系的低维主元 于将m维数据变量经过投影变换压缩为尼维数据 成分，即主元模型，一旦过程的实时测量数据与建 变量进行分析，从而实现了对数据矩阵降维的目 立的主元模型不符，就可以判断过程中已有故障发 的。 生，再通过对测量数据中各变量变化对主元模型的 合理确定k的大小对建立主元模型非常重要， 方差贡献率的分析，进行故障诊断。 1．1主元分析 通常以计算主元个数对数据的累计解释程度作为 对于正常工况采集到的mx门行数据矩阵X 选择主元个数的依据，即主元累计贡献率百分比原 (历聍)，朋为数据采集的次数，n为检测变量则： 的个数。由于各变量之间量纲的不同，通常对测量 七 ，晰 数据进行标准化处理，即t y丑／y^85％ (3) P—F，y、 =、|≮1 X。·：兰鲁=些f=1，2…刀(1) ‘√胁(置) 1．2基于主元分析的故障检测 当主元模型建立好以后，我们可以利用它对新 E(X．)为各检测变量的均值，Var(Xf)为各检 测变量的方差。 的测量样本y进行故障检测，对计算出来的样本主