基于PCA的故障诊断概要.ppt

Thank you * * 1. PCA方法的基本理论 1.1思路概述 PCA方法是将高维过程数据投影到正交的低维子空间，并 保留主要过程信息。而在几何上，把样本构成的坐标系， 通过某种线性组合旋转到新的坐标空间，新的坐标轴代表了具有最大方差的方向。 1.2 基本理论 假设 X代表一个包含了m个传感器的测量样本，每个传感器各有n个独立采样，构造出测量数据矩阵 ，其中每一列代表一个测量变量，每一行代表一个样本。 （1）对数据矩阵进行协方差分解，并选择主元的个数，得到如下式子： 其中， 是一个对角阵，也是S的特征值矩阵，而且其对角线上的元素满足 ；V 是S的特征向量矩阵，维数为m x m，P 是V 的前A列，包含所有主元的信息， 是V 余下的m-A列，包含非主元信息。 (2) 将原数据进行分解，得到主元子空间和残差子空间 对X进行特征值分解以后，X可以分解如下： 其中， 被称为主元子空间； 称为残差子空间； 被称为得分矩阵； 被称为 负载矩阵，由S的前A个特征向量构成。 （3）故障检测的两个指标或判据 A.SPE统计量 B.T^2统计量 (4)计算贡献率 基于SPE的贡献图定义如下： 其中， 基于 T^2的贡献图的定义如下： 当检测到故障后，贡献图最大的变量被认为是可能造成故障的变量。但需要具有过程背景知识的人员确定最终的故障原因。 2 利用PCA方法进行故障诊断的步骤 2.1 建立正常工况的主元模型 Step 1:将正常样本数据进行标准化，变换为均值为0，方差为1 的标准数据集; Step 2: 对Step 1中的标准数据集，建立PCA主元模型，提取主元; Step 3: 计算Step 1中的标准数据集的PCA模型的统计量及相应的控制限。 2.2 在线故障检测与诊断 Step 1 在线采集数据，从采样中获得新的数据x，并进行标准化； Step 2 对标准化后的数据，计算T^2 统计量和SPE统计量，监控其数据是否超过正常状态的控制限。若没有超限，重复Step 1， 否则进入Step 3； Step 3 计算每个过程变量对 T^2统计量和SPE统计量的贡献率，贡献率最大的变量就是可能引起故障的变量。 3 PCA的局限性或优缺点 PCA方法理论基础简单，适合处理多变量统计问题，而且完全基于系统传感器的测量数据，工程应用容易实现。 但是其未考虑过程的动态性和时变性，对质量变量的解释能力较弱；另外，对于非正态分布的数据，非线性的数据，PCA均不能很好的进行故障诊断；而且其诊断出来的故障物理意义不明确，难于解释。 4 基于TE过程的故障诊断 4.1 TE过程简介 TE过程模型，是根据实际化工过程的建立的模型，其已经被广泛的用作进行控制与监控研究的基准过程，流程图如下图所示 变量符号 过程变量 类型 IDV(0) 正常操作 无 IDV(1) A/C加料比率，B成分不变 阶跃 IDV(2) B成分，A/C进料比不变 阶跃 IDV(3) D的进口温度 阶跃 IDV(4) 反应器冷却水的入口温度 阶跃 IDV(5) 冷凝器冷却水的入口温度 阶跃 IDV(6) A进料损失 阶跃 IDV(7) C存在压力损失-可用性降低 阶跃 IDV(8) A、B、C进料成分 随机变量 IDV(9) D的进料温度 随机变量 IDV(10) C的进料温度 随机变量 IDV(11) 反应器冷却水的入口温度 随机变量 IDV(12) 冷凝器冷却水的入口温度 随机变量 IDV(13) 反应动态 随机变量 IDV(14) 反应器冷却水阀门 粘住 IDV(15) 冷凝器冷却水阀门 粘住 IDV(16) 未知 未知 IDV(17) 未知 未知 IDV(18) 未知 未知 IDV(19) 未知 未知 IDV(20) 未知 未知 4.2 基于PCA的故障诊断 仿真的参数设置 本文利用的数据是从TE过程产生的数据，仿真时间50h，共5000个采样点。本文的采样时间为3min，所以共1000个采样点可用，本文利用前9