基于混合动态主元分析的故障检测方法

2012年04月10日10:01:24 本网站我要评论(2)字号：T | T | T

关键字：应用

石怀涛，刘建昌，丁晓迪，谭　帅，王雪梅
东北大学信息科学与工程学院，辽宁沈阳

东北大学流程工业综合自动化国家重点实验室，辽宁沈阳

佳木斯大学信息电子技术学院，黑龙江佳木斯

东北大学后勤服务中心报纸期刊室，辽宁沈阳

摘　　　要：针对基于动态主元分析的故障检测方法存在的主元个数较多以及计算效率低等问题，本文提出基于混合动态主元分析（ＨｙｂｒｉｄＤｙｎａｍｉｃＰｒｉｎｃｉｐａｌＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ，ＨＤＰＣＡ）的复杂过程故障检测方法。该方法采用分步策略消除数据之间的自相关和互相关性，提高了故障检测的精度和效率。对ＴＥ过程典型故障和热连轧过程中断带故障检测结果表明：ＨＤＰＣＡ方法提取的主元个数少于ＤＰＣＡ方法提取的主元个数。并且，基于ＨＤＰＣＡ的Ｔ２和ＳＰＥ统计量的检测性能和检测精度都由于基于ＤＰＣＡ的统计量。因此，本文提出的方法可以准确有效地检测出故障。

关　键　词：特征提取；混合动态核主元独立元分析方法；活套故障；故障诊断

１　引　言
ＰＣＡ是一种根据数据协方差进行建模的较优降维技术，它可通过线性变换将高维空间数据变换到低维空间而消除变量间的相关性［１３］。而ＰＣＡ方法［４５］的假设条件之一便是某时刻观测值对于前面时刻观测值来说是统计独立的，对于复杂工业过程，因采样间隔短，存在储能环节，使数据采样之间具有时序相关性（即动态特性）。因此，采用ＰＣＡ方法建立统计模型难以描述数据真实变化。针对ＰＣＡ在处理实际工业过程数据中未考虑数据中序列相关性特点，Ｋｕ［６］等提出了动态ＰＣＡ（ＤＰＣＡ）故障诊断方法，该方法将变量延迟加入数据阵，以构造时间滞后数据阵，再对ＰＣＡ加以改进，从而将时序相关关系提取出来，消除数据序列相关性。Ｍｉｎａ等［７］根据平均估计原理，改进了ＤＰＣＡ故障检测方法。Ｈｅ等［８］将ＤＰＣＡ应用于挖掘机液压系统故障检测，取得了较好的故障检测效果。ＶｉｌｉａｍＭａｋｉｓ等［９］将ＤＰＣＡ应用于石油状态检修模型，仿真结果表明ＤＰＣＡ能准确的检测出故障。ＤＰＣＡ方法在一定程度上能考虑数据的自时序相关特性，提高诊断精度。但该方法也存在以下缺点：①它将所有的观测值不加选择的扩展到前Ｓ个时刻时间序列矩阵以构建增广矩阵，降低了计算效率。②增加了主元个数。③构建的增广矩阵的变量个数可能大于采样数，导致统计模型无法建立。针对以上问题，本文提出了ＨＤＰＣＡ故障检测方法，该方法首先将前Ｓ个时刻的观测值扩展到构建的增广矩阵中，并将增广矩阵分解成Ｓ个子矩阵；其次分别对各个子相关矩阵进行ＰＣＡ建模，消除变量之间的互相关性；然后，将已经去除了互相关性的子矩阵合并成一个新的混合增广数据矩阵。较后利用ＰＣＡ对该矩阵进行建模，去除时序自相关性。该方法可以有效的减少主元个数，简化故障诊断模型的复杂度，增强故障诊断性能。

登录网站后可下载文件

基于混合动态主元分析的故障检测方法

相关阅读: