牛玉广， 王世林， 林忠伟,， 李晓明

(1． 华北电力大学 新能源电力系统国家重点实验室， 北京 102206；2． 华北电力大学 控制与计算机工程学院， 北京 102206;3． 东北电力大学 自动化工程学院， 吉林省吉林 132012)

基于多元统计过程监控的锅炉过程故障检测

牛玉广1， 王世林2， 林忠伟1,2， 李晓明3

(1． 华北电力大学 新能源电力系统国家重点实验室， 北京 102206；2． 华北电力大学 控制与计算机工程学院， 北京 102206;3． 东北电力大学 自动化工程学院， 吉林省吉林 132012)

提出了一种新的基于稀疏约束非负矩阵分解(SCNMF)的复杂工业过程故障检测方法.首先在交替约束最小二乘算法(ACLS)求解非负矩阵分解(NMF)问题的基础上对系数矩阵H实施稀疏约束，随后采用非负双奇异值分解(NDSVD)方法对SCNMF算法进行初始化，并将所提算法应用于某火力发电厂1 000 MW机组锅炉过程中.结果表明：SCNMF算法的收敛性和稀疏度明显优于传统的NMF算法，且对故障的检测效率也要优于NMF算法和主元分析(PCA)算法.

故障检测； 非负矩阵分解； 奇异值分解； 锅炉过程

Abstract： A novel fault detection method based on sparseness-constrained non-negative matrix factorization (SCNMF) was proposed for complex industrial processes. The specific way is to use alternating constrained least squares (ACLS) with sparseness constraint on coefficient matrixHto solve the non-negative matrix fracterization (NMF) problems, then to enhance the initialization stage of SCNMF by non-negative double singular value decomposition (NDSVD), and finally to apply the presented method to the fault detection in various boiler processes of a 1 000 MW unit. Results show that the SCNMF is superior to conventional NMF on both the convergence and the sparsity, and its monitoring performance is also better than NMF and principal component analysis (PCA).

Key words： fault detection; non-negative matrix factorization; singular value decomposition; boiler process

近年来，基于多元统计过程监控(Multivariate Statistical Process Monitoring，MSPM)的故障检测方法得到了快速发展，其原因在于：一是现代化工业过程系统变得越来越庞大，系统复杂度呈几何式增长，想要根据物理化学规律建立其精确的机理模型或是选择合适的经验模型十分困难；二是这些系统每天都会产生大量反映生产过程和设备运行的数据，如何充分利用这些实时和历史数据，提取出能够反映系统运行状态的特征信息，以实现对生产……