多采样率主元分析的过程故障检测

上海交通大学学报（自然版） ›› 2015, Vol. 49 ›› Issue (06): 762-767.

• 自动化技术、计算机技术 • 上一篇下一篇

多采样率主元分析的过程故障检测

丛亚，葛志强，宋执环

(浙江大学工业控制研究所, 杭州 310027)

收稿日期:2014-12-05 出版日期:2015-06-29 发布日期:2015-06-29
基金资助:
国家自然科学基金资助项目（61273167）

Multi-Rate Principle Component Analysis for Process Monitoring

CONG Ya,GE Zhiqiang,SONG Zhihuan

(Institute of Industrial Process Control, Zhejiang University, Hangzhou 310027, China)

Received:2014-12-05 Online:2015-06-29 Published:2015-06-29

摘要/Abstract

摘要：

摘要：针对多采样率过程监测问题，提出了一种基于多采样率主元分析的故障检测方法.该方法构建了一种重新采样机制，直接利用多采样率数据计算模型中的协方差矩阵，充分利用了样本中的大量不完整数据信息，减小了多采样率数据带来的偏差，给出了离线建模和在线故障检测算法.分别在数值平台和Tennessee Eastman (TE)工业平台进行了仿真分析.仿真结果表明，所提出的方法更适合多采样率过程的故障检测，效果良好.

关键词: 多采样率过程监测, 主元分析, 故障检测

Abstract:

Abstract： To monitor multi-rate processes, a multi-rate principle components analysis algorithm was proposed in which the covariance matrix was calculated using the incomplete multi-rate data samples. To avoid the bias of the covariance matrix, the resampling method was adopted. Besides, the offline modeling strategy and online monitoring strategy were proposed. Then two case studies on both numerical and Tennessee Eastman process (TEP) simulation was given to prove the effectiveness of the proposed algorithm compared to other methods. The result shows that the proposed method has a better performance in multirate process monitoring.

Key words: multi-rate process monitoring, principle components analysis, fault detection

中图分类号:

TP 277

丛亚，葛志强，宋执环. 多采样率主元分析的过程故障检测[J]. 上海交通大学学报（自然版）, 2015, 49(06): 762-767.

CONG Ya,GE Zhiqiang,SONG Zhihuan. Multi-Rate Principle Component Analysis for Process Monitoring[J]. Journal of Shanghai Jiaotong University, 2015, 49(06): 762-767.

参考文献

［1］Tangirala A K, Li D, Patwardhan R, et al. Issues in multirate process control［C］∥American Control Conference, 1999: Proceedings of the 1999. ［s.l.］: IEEE, 1999: 27712775.

［2］Lu W, Grant F D. Output estimation with multirate sampling［J］. International Journal of Control, 1988, 48(1): 149160.

［3］Lu W, Grant F D. Leastsquares output estimation with multirate sampling［J］. Automatic Control, IEEE Transactions on, 1989, 34(6): 669672.

［4］Li D, Shah S L, Chen T. Identification of fastrate models from multirate data［J］. International Journal of Control, 2001, 74(7): 680689.

［5］Wang J, Chen T, Huang B. Multirate sampleddata systems: computing fastrate models［J］. Journal of Process Control, 2004, 14(1): 7988.

［6］Raghavan H, Tangirala A K, Gopaluni R B, et al. Identification of chemical processes with irregular output sampling［J］. Control Engineering Practice, 2006, 14(5): 467480.

［7］Li W, Han Z, Shah S L. Subspace identification for FDI in systems with nonuniformly sampled multirate data［J］. Automatica, 2006, 42(4): 619627.

［8］Li W, Shah S L, Xiao D. Kalman filters in nonuniformly sampled multirate systems: For FDI and beyond［J］. Automatica, 2008, 44(1): 199208.

［9］Wu Y, Luo X. A novel calibration approach of soft sensor based on multirate data fusion technology［J］. Journal of Process Control, 2010, 20(10): 12521260.

［10］Shao X, Huang B, Lee J M, et al. Bayesian method for multirate data synthesis and model calibration［J］. AIChE Journal, 2011, 57(6): 15141525.

［11］Masuda Y, Kaneko H, Funatsu K. Multivariate statistical process control method including soft sensors for both early and accurate fault detection［J］. Industrial & Engineering Chemistry Research, 2014, 53(20): 85538564.

［12］Lu N, Yang Y, Gao F, et al. Multirate dynamic inferential modeling for multivariable processes［J］. Chemical Engineering Science, 2004, 59(4): 855864.

［13］Bishop C M. Pattern recognition and machine learning［M］. New York: Springer, 2006.

［14］Walczak B, Massart D L. Dealing with missing data: Part I［J］. Chemometrics and Intelligent Laboratory Systems, 2001, 58(1): 1527.

［15］Kim D S, Yoo C K, Kim Y I, et al. Calibration, prediction and process monitoring model based on factor analysis for incomplete process data［J］. Journal of Chemical Engineering of Japan, 2005, 38(12): 10251034.

［16］Chiang L H, Braatz R D, Russell E L. Fault detection and diagnosis in industrial systems［M］. London: Springer Science & Business Media, 2001.

编辑推荐

Metrics

阅读次数

全文

175

HTML			PDF

最新录用	在线预览	正式出版	最新录用	在线预览	正式出版
0	0	0	4	0	171

来源	本网站	其他网站

次数	27	148
比例	15%	85%

摘要

755

最新录用	在线预览	正式出版

54	0	701

来源	本网站	其他网站

次数	341	415
比例	45%	55%

[1]	郭金玉, 李文涛, 李元. 在线压缩核主元分析的自适应过程监控[J]. 上海交通大学学报, 2022, 56(10): 1397-1408.
[2]	李元, 姚宗禹. 基于邻域保持嵌入的主多项式非线性过程故障检测[J]. 上海交通大学学报, 2021, 55(8): 1001-1008.
[3]	席剑辉, 姜瀚, 陈博, 傅莉. 基于PCA-ELM的红外多光谱辐射测温[J]. 上海交通大学学报, 2021, 55(7): 891-898.
[4]	何夏维, 蔡云泽, 严玲玲. 一种合成残差式的反作用轮故障检测方法[J]. 上海交通大学学报, 2021, 55(6): 716-728.
[5]	朱东, 姜萍萍, 颜国正, 王志武, 韩玎, 赵凯, 华芳芳, 姚盛健, 丁紫凡, 周泽润. 人工肛门括约肌系统便意感知重建[J]. 上海交通大学学报, 2020, 54(8): 771-777.
[6]	徐巧宁，艾青林，杜学文，刘毅. 模型-数据联合驱动的船舶舵机电液伺服系统早期故障检测[J]. 上海交通大学学报, 2020, 54(5): 451-464.
[7]	黄健, 杨旭. 基于在线加权慢特征分析的故障检测算法[J]. 上海交通大学学报, 2020, 54(11): 1142-1150.
[8]	纪洪泉,何潇,周东华. 基于多元统计分析的故障检测方法[J]. 上海交通大学学报（自然版）, 2015, 49(06): 842-848.
[9]	尚骏，陈茂银，周东华. 基于变元统计分析的微小故障检测[J]. 上海交通大学学报（自然版）, 2015, 49(06): 799-805.
[10]	刘洋，何潇，周东华. 分布式测量下闭环系统的故障检测[J]. 上海交通大学学报（自然版）, 2015, 49(06): 757-761.
[11]	柳春,姜斌,张柯,吴云凯. 带扰动的线性系统微小故障早期诊断方法[J]. 上海交通大学学报（自然版）, 2015, 49(06): 889-896.
[12]	侯彦东，闫治宇，金勇. 小样本下基于特征子空间估计的故障诊断算法[J]. 上海交通大学学报（自然版）, 2015, 49(06): 825-829.
[13]	蔡连芳，田学民，张妮. 基于核状态空间ICA的非线性动态过程故障检测方法[J]. 上海交通大学学报（自然版）, 2014, 48(07): 971-976.
[14]	方挺，董冲，胡兴柳，王彦. 航拍图像中绝缘子串的轮廓提取和故障检测[J]. 上海交通大学学报（自然版）, 2013, 47(12): 1818-1822.
[15]	王天真1, 2, 高迪驹1, 刘萍1, 汤天浩1 . 基于动态限的非周期非稳定工况故障检测模型[J]. 上海交通大学学报（自然版）, 2012, 46(04): 607-612.

多采样率主元分析的过程故障检测

Multi-Rate Principle Component Analysis for Process Monitoring

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价