基于PCA混合模型的多工况过程监控

被引：23

作者：

许仙珍

谢磊

王树青

机构：

[1] 浙江大学智能系统与控制研究所工业控制技术国家重点实验室

来源：

化工学报 | 2011年 / 62卷 / 03期

关键词：

多工况; 混合模型; 主元分析; 故障监测; 统计监控;

D O I：

暂无

中图分类号：

TP277 [监视、报警、故障诊断系统];

学科分类号：

0804 ; 080401 ; 080402 ;

摘要：

针对传统多元统计故障检测方法大多假设测量数据服从单一高斯分布的不足,提出了一种基于PCA(principal component analysis)混合模型的多工况过程监测方法。首先通过直接对混合模型的各高斯成分的协方差进行PCA降维变换,使得协方差阵对角化,既减少了运算量又避免了变量相关而导致的奇异性问题;同时采用BYY增量EM算法自动获取混合模型的最佳混合分量数目,避免了常规EM算法的不足。所得的混合模型,除包括均值、协方差和先验概率等参数外,还包括了PCA载荷阵,即对每个混合元建立了PCA模型。然后给出了统计量定义,实现对多工况过程的故障检测。数值例子和TE过程的应用表明,本文提出的方法无需过程先验知识,能自动获取工况数目、精确估计各个工况的统计特性,并更准确及时地检测出多工况过程的各种故障。

引用

页码：743 / 752

页数：10

共 9 条

[1] 动态多主元模型故障检测方法在变工况过程中的应用 [J].

牛征 ;

刘吉臻 ;

牛玉广 .

动力工程, 2005, (04) :554-558+598

[2] A BYY scale-incremental EM algorithm for Gaussian mixture learning [J].

Li, Lei ;

Ma, Jinwen .

APPLIED MATHEMATICS AND COMPUTATION, 2008, 205 (02) :832-840

[3] Efficient greedy learning of Gaussian mixture models [J].

Verbeek, JJ ;

Vlassis, N ;

Kröse, B .

NEURAL COMPUTATION, 2003, 15 (02) :469-485

[4] A greedy EM algorithm for Gaussian mixture learning [J].

Vlassis, N ;

Likas, A .

NEURAL PROCESSING LETTERS, 2002, 15 (01) :77-87

[5] Real-time monitoring for a process with multiple operating modes [J].

Hwang, DH ;

Han, CH .

CONTROL ENGINEERING PRACTICE, 1999, 7 (07) :891-902

[6] Decentralized control of the Tennessee Eastman Challenge Process [J].

Ricker, NL .

JOURNAL OF PROCESS CONTROL, 1996, 6 (04) :205-221

[7]

Validation and verification of continuous plants operating modes using multivariate statistical methods[J] . Luca Zullo.Computers and Chemical Engineering . 1996

[8]

Fault Detection and Diagnosis in Industrial Systems .2 Chiang LH,Russell EL,Braatz RD. Springer-Verlag . 2001

[9]

Multimode process monitoring with Bayesian inference-based finite Gaussian mixture models .2 Yu J,Qin S J. Ameri-can Institute of Chemical Engineers Journal . 2008

← 1 →