基于主元分析的锅炉系统故障检测与诊断

针对锅炉系统的故障检测与诊断问题,介绍了基于主元分析的故障检测与诊断方法,给出了在多变量统计过程中应用广泛的T^2和SPE(Q)统计量。采集锅炉正常工况下的历史数据建立PCA主元模型,利用所建立的模型检测锅炉运行的实时数据,采用贡献图法对检测到的故障数据进行诊断分析,识别出故障原因,从而实现锅炉系统故障检测与诊断的目的。

基于主元分析算法的回转窑故障诊断

针对回转窑故障会引发一系列危害的问题,提出了基于主元分析结合贡献图的故障诊断方法,首次应用于回转窑系统。首先将数据进行预处理;然后从总体相关系数矩阵出发求解主成分,通过累计贡献率确定主元个数,建立主成分表达式;以回转窑系统为对象进行仿真分析,将实时运行数据输入建立的主元模型,计算相关统计量T2和SPE,并与一定置信度的控制限相比较,监测过程运行的状态是否发生异常;最后采用贡献图方法进行诊断分析,识别故障原因。仿真结果表明,该方法能够从准确度和高效性等方面很好地进行回转窑故障诊断。

改进PCA及其在过程监测与故障诊断中的应用

提出一种改进的主元分析 (PCA)方法 ,采用主元相关变量残差 (PVR)统计量代替通常的平方预测误差Q统计量 ,用于工业过程的监测与故障诊断。改进PCA避免了Q统计量的保守性 ,能够提供更详细的过程变化信息 ,从而有效识别正常工况改变与过程故障引起的T2 图变化。通过对双效蒸发过程的仿真监测 ,与普通PCA方法进行了比较 。

基于Q统计量分量的故障检测算法研究

针对传统PCA故障检测算法的结果有定论不明确的缺陷,提出一种基于Q统计量分离的故障检测新方法,把Q统计量分为PVR和CVR,前者代表显著与主元有关的变量信息,后者代表与主元无明显关系的变量信息,再配合T^2统计量共同用于监测过程,检测效果更细致。将此方法结合基于累积方差贡献率(CPV)和复相关系数(MCC)确定过程监测模型主元数的新方法,监测β-甘露聚糖酶发酵工业的过程,与传统的PCA故障检测方法比较,仿真研究结果表明该算法能够确保主元空间(PCS)中的信息存量,充分刻画过程变化,有效识别正常工况变化与故障,正确检测微弱故障,提高过程监控的准确性。

基于子PCA模型的故障分离方法及其应用

在应用传统PCA法对火电厂生产过程实施故障检测与分离时,火电厂生产过程中的变量表现出在一定的稳定工况范围内会出现小范围的波动振荡性以及部分变量间存在强相关性,这就导致了传统的贡献图法容易得出错误的故障分离信息。针对贡献图的缺点和火电厂的生产特点,提出一种子PCA模型的故障分离法,此法利用Q统计量的故障检测能力和统计规律来实现故障变量的精确定位。最后使用此法仿真了火电厂主汽压系统的故障分离过程,仿真结果表明使用子PCA模型法进行故障分离的优越性。

基于Q统计量的工业过程监控实例分析

将多变量统计过程控制应用于过程监控与诊断,在学术研究中已经较为普遍,但在工业实践方面还未充分施行。本文用一个化工过程的实例,讨论具体实施方案。首先,用一般的主元分析模型,分别使用了Q和T^2统计量,发现实际问题中有些情况下,两者提供的控制图信息不完全一致,造成工程人员难以分析判断。为提供更好的解决方案,采用两个新的统计量来代替Q统计量,应用结果表明,当Q统计量进一步分解后,可以对过程运行的状态作出更细致的解释,有助于找出过程运行中的故障。

多变量模型

本书中到目前为止,我们一直倾向于使用术语变元(Variable)来指'对不同个体取不同值的量'或'同一个体在不同时间取不同值的量'。术语'变元'在统计学上的定义是'在一特定的数集中取任何一值的量'。这些值可以是连续的,比如测高度,也可以是间断的,比如计数个体数。的确,在某些例子中,用这个词表示非测量特性也很方便。如。