[发明专利]基于主辅PCA模型的多变量工业过程故障检测方法

说明书

本发明涉及一种基于主辅PCA模型的多变量工业过程故障检测方法，其步骤为：对正常数据集与先验故障数据集进行标准化处理；对正常数据集建立PCA模型作为主监控模型，计算先验故障和正常数据的相对互信息，借助广义Dice对变量进行分组，对分组后的数据集建立PCA模型作为辅助监控模型，对测试数据集进行标准化处理，将测试数据集分别向主监控模型和辅助监控模型投影，并计算其投影到主监控模型和辅助监控模型的统计量，应用贝叶斯理论整合变量组的信息得到总的监控统计量，根据监控统计量是否超出控制限判断测试数据集是否发生故障。本发明不仅有效地降低部分重要先验故障信息的遗漏和浪费，还通过变量分组挖掘变量局部信息提高故障检测率，改善故障检测性能。

技术领域

本发明属于工业过程故障检测技术领域，涉及一种基于主辅PCA模型(英文：Primary Assisted Principal Component Analysis,简称：PA-PCA)的多变量工业过程故障检测方法。

背景技术

由于现代工业系统日益复杂化，人们对过程安全和产品质量日益重视，故障诊断在工业生产中的地位越来越重要。随着存储技术的发展，大量生产过程数据被采集并记录。因此，基于数据驱动的故障诊断方法得到了广泛应用。经典的故障检测方法包括主元分析(PCA)、独立元分析(ICA)和费舍尔判别分析(FDA)等方法。其中PCA方法近年来成为控制领域研究的热点，并得到了研究者们的广泛应用，但该方法仍然存在一些问题值得进一步研究。传统的PCA方法在进行统计建模时仅仅利用正常数据，忽略了部分已知先验故障信息，造成部分重要信息的遗漏和浪费，从而导致故障检测性能降低。因此，如何有效利用已知先验故障数据挖掘有效信息提高PCA的故障检测性能，已经成为一种具有挑战性的课题。

发明内容

本发明针对传统PCA方法存在的无法深入挖掘与故障相关的局部信息导致故障检测性能低等问题，提供一种基于主辅PCA模型的多变量工业过程故障检测方法。该方法能够利用先验故障信息并能够深入挖掘变量局部信息，提高故障检测率，进而改善故障检测结果。

为了达到上述目的，本发明提供了一种基于主辅PCA模型的多变量工业过程故障检测方法，含有以下步骤：

(一)收集历史数据库中的正常数据集X和C类已知故障数据集F_c,c＝1,2,...,C作为训练数据集，并使用正常数据集X的均值μ和标准差σ对训练数据集X和F_c进行标准化处理，得到标准化后的训练数据集和

(二)对数据集建立PCA模型作为主监控模型；

(三)计算故障数据集相对于正常数据集的相对互信息矩阵ΔR_c,c＝1,2,...,C；

(四)对相对互信息矩阵ΔR_c，基于广义Dice系数对过程变量进行变量分组，获得分组后的数据集其中，B_c为变量组的个数；

(五)对分组后的数据集建立PCA模型作为辅助监控模型；

(六)采集测试数据集x_new，利用正常数据集X的均值μ和标准差σ对测试数据集x_new进行标准化处理，得到标准化后的测试数据集

(七)将数据集分别向主监控模型和辅助监控模型投影，并计算数据集投影到主监控模型的统计量T²和SPE，数据集投影到辅助监控模型的统计量和SPE_c,b，统计量T²的控制限统计量SPE的控制限SPE_lim、统计量的控制限和统计量SPE_c,b的控制限[SPE_c,b]_lim均通过核密度估计计算；

(八)整合所有监控结果得到总的监控统计量和BIC_SPE，根据统计量或统计量BIC_SPE是否超出控制限判断数据集是否发生故障。