基于主元分析_PCA_的显著误差检测与校正及应用.pdfVIP

科技咨询导报 2007 NO.30 Science and Technology Consulting Herald 工 业 技 术 基于主元分析(PCA)的显著误差检测与校正及应用 孙立国 吕震中 于向军 苏志刚 (东南大学能源与环境学院 南京 210096) 摘 要:在风粉浓度软测量的测量数据中出现显著误差,将会严重恶化测量数据品质,破坏数据统计特性,导致软测量失败,因此显著误差 检验和校正是误差处理的首要任务。本文讨论了基于主元分析(PCA)的显著误差检测与校正原理,运用Q统计方法,结合贡献图对某电 厂热风送粉系统风粉浓度软测量中可能出现的显著误差进行了仿真分析,结果表明,基于PCA主元分析的显著误差检验和校正方法在风 粉浓度软测量工业应用中可行。 关键词:主元分析 显著误差 误差检测 误差校正 风粉浓度 中图分类号:TB4 文献标识码:A 文章编号:1673-0534(2007)10(c)-0082-03 Concentration Based on PCA Abstract: soft-sensing measurement in the pulverized-coal concentration. Keywords:PCA; gross error； 电站锅炉煤粉浓度的准确测量关系到锅 个主元的模型为: 为正态分布在检验水平为 时的临界 炉的安全、经济运行。在测量中,其一次元件 值。 靠背管及热电偶工作环境恶劣,容易发生磨 (1)1.3基于PCA的显著误差校正 损、堵塞等故障。由于制粉系统的测量元件很 在检验出测量数据存在显著误差后,则需 少有硬件冗余、测点安装位置特殊,以及仪表 要对数据进行校正,即对测量数据进行重构, 故障后很难在不影响锅炉燃烧时进行维修和 (2)以保证软测量模型能够对主导变量进行正常 更换,因此对浓度软测量中各测量数据的显著 的预估。设测量参数矩阵为 。根据 原测量数据集可表示为 误差的在线检验及校正是非常必要的。主元 PCA定义对测量参数的主要特征和次要特征 (3) 分析PCA(Principal Components Analysis) 进行分离。假设 的 个主成分中前k个反 是将研究对象的多个相关变量化为少数几个 PCA模型部分即为主元子空间部分 和 映了主要特征 的信息,后 个主成分反 不相关变量的一种多元统计方法,而且这些不 残差子空间部分E之和。主元子空间主要反映 映了次要特征 的信息,则: 相关的综合变量包含了原变量提供的大部分 正常数据变化的测度,残差子空间主要是非正 (6) 信息。主元分析能够去除数据相关性、减少噪 常数据噪声变化的情况。 声、降低数据维数等优点,在数据压缩、模式 1.2基于Q统计量的显著误差检验[3][4] 识别、故障诊断等各个领域都有广泛应用。本 基于PCA的显著误差检验和校正即利用 (7) 文结合Q统计方法讨论了PCA方法用于过程 过程变量间的相关关系,建立正常工况下的主 令: ,假设 时刻第i个数据中含 故障检测的原理,通过仿真对所给工况进行了 元模型,通过检验新数据样本相对于主元模型 有不良数据,由(6)可得: 显著误差检验与校正。 的背离程度,从而发现异常数据。PCA显著误 差检验中常用