控制理论与应用

作者：张成,郭青秀,李元,高宪文

单位：沈阳化工大学,沈阳化工大学,沈阳化工大学,东北大学

关键词：主元分析；得分重构差分；k近邻；TE过程；故障检测

基金：国家自然科学基金重点项目,国家自然科学基金

基于主元分析(principal component analysis, PCA)的统计过程控制方法通常假设数据的生成过程是独立同分布的. 当数据存在多模态结构或过程变量非线性相关时, PCA方法的故障检测性能将受到影响. 针对上述问题, 本文提出一种基于PCA得分重构差分的故障检测策略. 首先, 应用PCA将输入空间分解为主元子空间和残差子空间; 接下来, 应用k近邻规则重构当前样本得分向量并计算样本的得分重构差分向量; 最后, 计算得分重构差分向量的统计值并进行故障检测. 本文方法不仅可以降低数据多模态和变量非线性相关等特征对过程故障检测的影响, 同时可以降低统计量的自相关性、提高过程故障检测率. 将本文方法在两个模拟例子和田纳西-伊斯曼(Tennessee Eastman, TE)过程中进行测试, 并与PCA、核主元分析(Kernel PCA, KPCA)、动态主元分析(Dynamic PCA, DPCA) 和k最近邻故障检测(Fault detection based on k nearest neighbors, FD-kNN)方法进行对比分析, 测试结果证明了本文方法的有效性.

来源：2019年第5期

《控制理论与应用》期刊编辑部

查看控制理论与应用杂志2019年第5期