基于结构优化PCA的传感器故障诊断方法及其应用研究

被引:0
作者
付克昌
机构
[1] 浙江大学
关键词
传感器故障诊断; 结构优化; 主元分析; 结构化残差; 信号重构; 催化裂化;
D O I
暂无
年度学位
2007
学位类型
博士
导师
摘要
在工业系统中,控制器和操作人员需要得到准确的测量值以便了解过程的状态,传感器读数在估计系统状态中起着关键的作用。系统的安全性、可靠性和整个生产的效能很大程度上取决于传感器的精度和可靠性。然而,传感器比系统中的其它部分更容易出现故障。如果不能及时识别故障源并采取正确的策略将导致昂贵的和不必要的系统停机,或者更严重的安全事故,从而危及生命财产安全。因此,研究如何及时发现、快速诊断传感器故障具有十分重要的意义。 本文旨在通过结构优化提高基于主元分析(PCA)方法的传感器故障诊断的快速性和准确性,并设计和开发了传感器故障诊断系统。所取得的研究成果主要包括: 1)针对标准核主元分析(KPCA)的不适合大样本量的缺点,提出了一种基于特征子空间的核主元分析(FS KPCA)方法,该方法通过构建具有较小维数的特征子空间上的正交基,优化样本在特征空间中的结构表示,以降低KPCA的计算复杂性。经过结构优化的FS KPCA算法解决了在大量样本下KPCA的建模问题,提高了基于核主元分析方法的实用性。 2)推导了基于FS KPCA的信号重构算法,在此基础上,提出了基于FS KPCA的传感器故障检测与诊断方法。和传统的基于KPCA的故障诊断方法相比,该方法具有更高计算效率和只需较小的计算机存储空间。而与线性PCA相比,FS KPCA具有能正确描述系统的非线性特性的优点。通过非等温连续反应釜过程的故障检测与诊断的应用实例,说明了基于具有优化结构的FS KPCA信号重构传感器故障诊断方法的快速性和有效性。 3)针对一种基于结构化残差PCA的传感器故障诊断方法,即:基于具有最大敏感性结构化残差(SRAMS)的传感器故障检测与诊断方法,在设计影响矩阵时只考虑故障编码的可分离性,而没有考虑故障诊断的快速性和灵敏性的缺点,提出了故障敏感度和故障诊断灵敏度等指标,并给出了两种影响矩阵(Incidence Matrix)结构的优化设计算法,从而提高传感器故障诊断的快速性和准确性。将本文方法应用于田纳西-东人(TE)模型反应器中的传感器故障检测与诊断,仿真结果说明基于结构优化SRAMS的故障诊断方法较原有的SRAMS方法能更快更准确地分离出传感器故障。 4)提出了一种基于结构化KPCA的非线性系统传感器故障诊断方法。该方法根据影响矩阵确定各个KPCA子模型的变量子集并进行KPCA分析,根据各KPCA子模型归一化能量指标的超限情况并结合影响矩阵的列(故障编码)进行传感器故障的诊断。为了提高故障诊断的快速性和对故障的灵敏性,对故障敏感度灵敏度指标和故障诊断灵敏度进行了非线性扩展,并推导了求解方法;在此基础上,得出基于结构化KPCA传感器故障诊断的影响矩阵结构的优化设计方法。针对非绝热连续反应过程的传感器故障诊断的仿真结果,说明对于非线性过程,该方法能显著提高传感器故障诊断的快速性和准确性。 5)根据催化裂化过程及炼油厂实时信息系统的特点,设计和实现了基于结构优化SRAMS方法的催化裂化过程的仪表故障诊断系统。通过在某炼油厂现场的试运行,说明了设计系统的有效性。该系统目前已经在某炼油厂投入运行,达到设计目标。 最后在总结全文的基础上,指出了传感器故障诊断中有待深入研究的若干问题。
引用
收藏
页数:124
共 63 条
[1]
Variable reconstruction and sensor fault identification using canonical variate analysis [J].
Lee, Changkyu ;
Choi, Sang Wook ;
Lee, In-Beum .
JOURNAL OF PROCESS CONTROL, 2006, 16 (07) :747-761
[2]
Online fault diagnosis and state identification during process transitions using dynamic locus analysis [J].
Srinivasan, Rajagopalan ;
Qian, Ming Sheng .
CHEMICAL ENGINEERING SCIENCE, 2006, 61 (18) :6109-6132
[3]
Sensor fault detection and validation of VAV terminals in air conditioning systems.[J].Shengwei Wang;Jianying Qin.Energy Conversion and Management.2005, 15
[4]
Statistical monitoring of dynamic processes based on dynamic independent component analysis [J].
Lee, JM ;
Yoo, C ;
Lee, IB .
CHEMICAL ENGINEERING SCIENCE, 2004, 59 (14) :2995-3006
[5]
Sensor fault identification based on time-lagged PCA in dynamic processes [J].
Lee, CK ;
Choi, SW ;
Lee, IB .
CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS, 2004, 70 (02) :165-178
[6]
Monitoring transitions in chemical plants using enhanced trend analysis [J].
Sundarraman, A ;
Srinivasan, R .
COMPUTERS & CHEMICAL ENGINEERING, 2003, 27 (10) :1455-1472
[7]
On unifying multiblock analysis with application to decentralized process monitoring [J].
Qin, SJ ;
Valle, S ;
Piovoso, MJ .
JOURNAL OF CHEMOMETRICS, 2001, 15 (09) :715-742
[8]
Fault diagnosis with multivariate statistical models part I: using steady state fault signatures [J].
Yoon, SY ;
MacGregor, JF .
JOURNAL OF PROCESS CONTROL, 2001, 11 (04) :387-400
[9]
Multivariate and multiscale monitoring of wastewater treatment operation [J].
Rosen, C ;
Lennox, JA .
WATER RESEARCH, 2001, 35 (14) :3402-3410
[10]
The application of principal component analysis and kernel density estimation to enhance process monitoring [J].
Chen, Q ;
Wynne, RJ ;
Goulding, P ;
Sandoz, D .
CONTROL ENGINEERING PRACTICE, 2000, 8 (05) :531-543