基于主成分分析的故障监测方法及其应用研究

在工业过程中,保证生产正常运行的关键是对运行过程的准确有效的实时监测,主元分析方法和独立成分分析方法等是常用的基于数据驱动的过程监测方法。主元分析(PCA)能够将多变量高维数据空间投影到低维数据空间,而同时又能保留过程的绝大部分信息,将直接分析多维复杂过程变量的难度几乎降至最低,因而广泛应用于过程监测系统。独立成分分析(ICA)挖掘隐含在数据中的统计独立成分,分析数据的潜在特征,显示出其广阔的应用前景和强大的生命力。本文根据流程工业中非线性、非高斯的问题,提出了一种基于残差分析的改进独立元分析方法。该算法首先通过样本数据和实际数据的残差处理消除数据的周期振荡,然后用ICA方法提取残差数据独立元信息,接着用T2和SPE统计量对过程进行监测,最后用贡献图分离故障。通过对TE(Tennessee Eastman)过程和裂解气压缩机的仿真研究,验证了该算法是可行、有效的,具有一定的故障监测能力。