基于局部近邻标准化和动态主元分析的故障检测策略
2018-10-16郭青秀冯立伟
张 成,郭青秀,冯立伟,李 元
(1.沈阳化工大学 数理系,沈阳 110142; 2.沈阳化工大学 技术过程故障诊断与安全性研究中心,沈阳 110142)
0 引言
随着现代工业技术的发展,工业过程规模不断扩大、复杂度逐渐提升。为保证生产安全及产品质量,故障检测技术在工业生产过程中变得尤为重要。
主元分析(Principal Component Analysis, PCA)作为一种多元统计故障检测方法已被广泛应用于工业过程监控中[1-4]。PCA通过线性变换将原始空间分为主元子空间和残差子空间,分别应用统计量Hotelling’s T2和平方预测误差(Square Prediction Error, SPE)对上述空间进行监控。由于其统计量T2和SPE计算时假设数据服从单模态的多元高斯分布,且PCA忽略了变量沿时间序列上的相关性,所以其使用范围受到了一定的限制。针对非线性问题,核主元分析(kernel Principal Component Analysis, kPCA)方法被引入到过程监控中[5],其基本思想是通过非线性映射将数据映射到高维特征空间,然后在高维的特征空间上进行主元分析[6]。与传统的PCA相比,kPCA具有主成份特征明显、贡献率集中等优点,其性能优于PCA。由于kPCA仍然使用T2和SPE两个统计量进行过程监视,因此它在多模态过程故障检测中同样具有相应的局限性[7]。针对非线性和多工况等特征,He等[8]提出了基于K近邻的故障检测(Fault Detection based onKNearest Neighbors, FD-KNN)方法,利用局部距离之和D2进行检测,提高了非线性和多模态中大尺度故障的检测能力;但当数据为多模态且方差差异较大时,该方法的故障检测能力降低。针对工业过程的动态特性,Ku等[9]提出动态主元分析(Dynamic Principal Component Analysis, DPCA)方法,通过引入延时测量值构成增广矩阵,再对其进行PCA建模。……
