基于故障敏感主元的多块PCA故障监测方法

为了解决传统主元分析(PCA)故障监测方法中主元选择不合理问题,提出一种基于故障敏感主元的多块PCA故障监测方法。该方法基于正常工况数据集进行PCA分解,得到投影方向与特征值;定义一种故障敏感程度系数作为新的主元排序准则,以选择出每个变量方向上故障监测最敏感的主元;并建立相应的子模型,计算其监测统计量,利用贝叶斯信息准则(BIC)对监测结果进行融合。通过对田纳西伊斯曼(TE)过程和高炉炼铁过程中的应用仿真,结果表明所提方法有效地选取了主元,并且提升了故障监测模型的精度。

基于多块信息提取的PCA故障诊断方法

传统的监控方法往往只利用传感器观测值信息进行过程的故障监测,而忽略了原始数据中包含的其他有效信息。为此,提出一种基于多块信息提取的PCA故障监测算法。首先,对过程变量的累计误差和变化率信息进行定义,从而能够从数据中提取新的特征信息,并基于每种特征将过程划分为3个子块;然后,利用PCA方法对每个子块进行建模与监测,通过贝叶斯方法对监测结果进行融合;最后,提出一种基于加权贡献图的故障诊断方法,分离出引发故障的源变量。通过数值例子与田纳西-伊斯曼(TE)过程监控中的应用证明了所提方法的有效性与可行性。