基于递归稀疏主成分分析的工业过程在线故障监测和诊断
来源期刊:控制与决策2020年第8期
论文作者:刘金平 王杰 刘先锋 唐朝晖 马天雨 肖文辉
文章页码:2006 - 2012
关键词:递归稀疏主成分分析;工业过程故障监测;弹性回归网;田纳西-伊斯曼过程;
摘 要:提出一种基于递归稀疏主成分分析(recursive sparse principal component analysis, RSPCA)的工业过程故障监测与诊断方法,可用于时变工业过程的自适应故障监测与诊断.通过引入弹性回归网,将主成分问题转化为Lasso与Ridge结合的凸优化问题,采用秩-1矩阵修正对协方差矩阵进行递归分解,递归更新稀疏载荷矩阵和监测统计量的过程控制限,以实现连续工业过程长时间自适应故障监测,对检测出来的故障通过贡献图法实现对故障的诊断.在田纳西-伊斯曼(TE)过程进行实验验证,结果表明,与传统的故障监测方法相比,所提出的方法有效降低了故障漏检率和误报率,且时间复杂度低,确保了故障监测的灵敏度和实时性.
刘金平1,王杰1,刘先锋1,唐朝晖2,马天雨1,3,肖文辉2
1. 湖南师范大学智能计算与语言信息处理湖南省重点实验室2. 中南大学自动化学院3. 湖南师范大学物理与电子学院
摘 要:提出一种基于递归稀疏主成分分析(recursive sparse principal component analysis, RSPCA)的工业过程故障监测与诊断方法,可用于时变工业过程的自适应故障监测与诊断.通过引入弹性回归网,将主成分问题转化为Lasso与Ridge结合的凸优化问题,采用秩-1矩阵修正对协方差矩阵进行递归分解,递归更新稀疏载荷矩阵和监测统计量的过程控制限,以实现连续工业过程长时间自适应故障监测,对检测出来的故障通过贡献图法实现对故障的诊断.在田纳西-伊斯曼(TE)过程进行实验验证,结果表明,与传统的故障监测方法相比,所提出的方法有效降低了故障漏检率和误报率,且时间复杂度低,确保了故障监测的灵敏度和实时性.
关键词:递归稀疏主成分分析;工业过程故障监测;弹性回归网;田纳西-伊斯曼过程;