基于PCA的火电厂锅炉过程故障检测与诊断研究.pdf

2005年全国自动化新技术学术交流会会议论文集 基于PCA的火电厂锅炉过程故障检测与诊断 朱孔伟， 曹鸣 0096) (东南大学自动控制系，江苏南京21 摘要：为了更好的进行故障检测与诊断，介绍了主元分析(PCA)理论，给出了基于主元分析的过程 故障辨识机理及策略。通过对火电厂现场采集的监测数据进行试验分析，结果表明PCA模型能较准 确的对锅炉过程故障进行检测与诊断。 关键词：主元分析；多变量统计；故障诊断；过程监测 中图分类号：TP277文献标识码：A 0 引言 流程工业中生产过程复杂，规模大，难以建立准确数学模型。即使得到了也是极复杂的非线性 模型【1】。另一方面过程变量多并且相互之间具有较强的耦合关系。这使得基于过程的数学模型和过 control 程知识的故障检测方法在工业过程中的实际应用面临着许多困难。随着DCS(distuibuted system)等先进技术在生产系统中的应用，采集和存储了大量数据，这为从大量数据中发现统计规 律并用于故障检测提供了基础。 1主元分析理论 PCA方法通过主元分析提取过程变量间的相关关系，利用降维的思想，将多个变量的信息概括 为几个互不相关的综合变量，进行故障的检测和诊断。取过程正常运行条件下的一段数据样本集 X。。。，其中n是样本的个数，m是参数变量的个数。对X进行标准化即将每个变量减去均值然后 除以它的标准差，X=【X—I。“1D51 (1) IJ S 其中，“=【“l 2…“。11为变量X的均值向量，D5=diag[sl2…S。】为变量的标准差矩阵。 变量的相关系数矩阵R；XX／(n—1)。对标准化数据集X作主元分析，首先求得R的m个特征 值以和对应的m个单位化正交特征向量P，，其中i-1，2，…m，^≥如≥…≥L≥o．测量数据矩阵 X可分解为： 一X=TP，+E=，¨1P k≤min{m，n} (2) 7’+r2p2r+…+，足P胃r+E 其中P=f PlP2…P女】为主元负荷矩阵，T为主元得分矩阵，E为残差矩阵，k为主元个数。 这样过程数据向量通过主元分解后被投影到两个正交互补空间：主元子空间和残差子空间。当 变量间具有很强的相关性时，主元空间利用维数很少的几个变量就可以描述过程变量的大部分信息， 而残差子空间表示数据的噪声成分。 在信息抽取过程中合理确定主元个数非常重要。常用方法有：(1)用主元贡献率累积和百分比 k m 的方法来确定主元个数。即前k个主元的贡献率等于∑A／∑以 (3) i=1 口l (2)用交叉检验法来确定最优主元个数。(3)采用最优临界 (式中k是主元个数，m是变量个数) criticalfault magnitude)来确定主元个数|2lo 故障幅值OCFM(optimal 作者简介：朱孔伟(1974一)，男，山东临沂人，东南大学自动控制系硕士研究生 303 2005年全国自动化新技术学术交流会会议论文集 2基于主元分析的故障检测与诊断 2．1故障检测与诊断的基本策略 利用主元分析方法进行故障检测和诊断的基本思想是：根据收集到的正常运行状况下的过程历 史数据集，