文献类型：期刊文章

作　　者：张成[1,2] 郭青秀[1] 李元[1] 高宪文[2]

ZHANG Cheng;GUO Qing-xiu;LI Yuan;GAO Xian-wen(Research Center for Technical Process Fault Diagnosis and Safety,Shenyang University of Chemical Technology,Shenyang Liaoning 110142,China;College of Information Science and Engineering,Northeastern University,Shenyang Liaoning 110819,China)

机构地区：[1]沈阳化工大学技术过程故障诊断与安全性研究中心,辽宁沈阳110142 [2]东北大学信息科学与工程学院,辽宁沈阳110819

出　　处：《控制理论与应用》

基　　金：国家自然科学基金项目(61490701,61573088,61673279);辽宁省教育厅项目(LZ2015059);辽宁省自然科学基金项目(2015020164)资助~~

年　　份：2019

卷　　号：36

期　　号：5

起止页码：774-782

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、INSPEC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：基于主元分析(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(kNN)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(TE)过程中进行测试,并与PCA、核主元分析(KPCA)、动态主元分析(DPCA)和k 最近邻故障检测(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.

关 键 词：主元分析 得分重构差分  K近邻 TE过程 故障检测

分 类 号：TP277]