主成分分析在空调系统传感器故障检测与诊断中的应用研究_论文.docxVIP

主成分分析在空调系统传感器故障检测与诊断中的应用研究 摘要 　本文阐述了用主成分分析法进行系统测量数据建模和传感器故障检测、故障诊断、故障重构及确定最优主成分数的原理。用主成分分析法对空调监测系统中的四类传感器故障进行检测方法。结果表明：主成分分析法具有很好的故障检测、故障诊断能力。 关键词　 主成分分析 空调系统 传感器 故障检测与诊断 空调系统中保证各类传感器的读数正确，及时发现传感器故障，是空调系统最估运行的重要保证。我们已经给出了空调系统的传感器故障类型[1]，本文将用主成分分析法对空调系统中传感器的这些类型的故障进行诊断，以便及时辨别出故障类型，做出正确决策，及时恢复测量，使系统可靠正常运行。 1 主成分分析法（PCA）及故障检测、识别方法 某一系统或过程传感器测量值之间并不是孤立的，它们之间具有高度的相关性，在正常情况下，这种相关性是由物理、化学等基本规律所控制的，如：质量守恒、能量守恒等。而当某些传感器出现故障时，就会打破这种测量值之间的相关性。主成分分析法能充分反映这种相关性，因此，我们采用PCA方法进行故障检测与诊断。 PCA建模 设某测量矩阵， ，其中m是测量变量数，n是测量样本数。X的每一列都进行了零平均化，X可以分解为： （1） 其中 ----测量的可模部分， ----测量的残差部分，在正常情况下，主要是自由噪声。 根据PCA的方法， 和 可分别表示为： （2） （3） 式中：T----得分矩阵， ； 　P----荷载矩阵， 。 其中，l为PCA模型所包含的主成分数，后面将介绍如何确定它。P的列向量分别是X的协方差阵P的前l个最大特征值λi所对应的特征向量。 的例则分别是剩下的m-l个特征微量。根据统计学原理，X的协方差阵可以用下式进行估计： （4） 对于每一个测量样本x，其可表示成为： （5） （6） 式中， （7） 是x是在主成分子空间PCS（Principal Component Subspace）内的投影，而 是x在残差子空间RS（Residual Subspace）内的投影。 1．2 故障检测 在正常情况下，测量样本向量在残差子空间内的投影应当很小，主要是自由噪声。当某一故障发生时，这个投影就会显著地增加。因此，可以通过检测测量数据在RS内的投影大小 来检测故障是否发生。通常使用的统计量是：平方预测误差SPE（Squared Prediction Error），如式（8）所示： （8） 当 时，认为系统运行正常，而当 时，就认为系统出现故障。δ2为SPE的置信限。δ2可用下式计算[2]。 （9） （10） （11） 式中：l----模型的主成分数； 　ca----置信度为a的标准正态分布置信限； 　λ----协方差阵R的特征值。 1．3 故障重构 利用式（6），可以对故障向量x进行估计，也就是说， 可以看在是x的一个估计值。但是， 并不是x的最佳估计，因为在估计 时所使用的x是包含有故障的数据。因此，为了消除故障的影响，利用前一次获得的估计值xnew去代替x，通过多次近迭代，就会使得xnew逼近于x的正常值x*。 假设样本x中的第I个分量发生了故障（假设只有一个故障），即xi是一个故障值，可以利用下式进行迭代： （12） 式中， 为矩阵的C的第I列用0代替cii值之后的向量。可以证明，该迭代总是收敛于[3]： （13） 式中，cii≠1，说明该变量不能被重构。 故障鉴别 为了进行故障鉴别，文献[4]提出了一种针对各种可能的故障方向，利用逐个重构的方法进行故障鉴别。对于测量值x，由于故障的存在，其SPE（x）必定会显著增加，若故障重构的方向正好是故障发生的方向，其重构后的SPE（）必定会显著地减少，若重构的方向不是故障发生的方向，则SPE（）不会发生显著地变化。因此，可以用鉴别指数SVI进行鉴别： （14） 其中（）----是测量向量x沿第j个方向重构后的数据向量。 显然，SVI∈[0 1]，若SVIj接近1，说明第j个重构方向不是故障发生的方向；相反，若SVIj接近0，说明第j个重构方向正好是故障发生的方向。 1．5 最优主成分数的确定 前面在建立模型时已经用到了主成分数的概念。主成分数对模型的好坏影响很大，如果主成分数选得过小，不利于小故障的检测；而若主成分数选得太大，又会不利于大故障的检测。因此，存在一个确定最优的主成分数的问题。可以根据不可重构的方差来选择最优主成分数[4]。 不可重构方差是指重构前后测量变量之间的方差： （15） 式中：Var（.）----表示方差算子； 　E（.）----表示数学期望算子； ----xj的重构值； 　xj----的第j个分量； 　ξj----为故障方向向