基于滑动窗的CVA故障诊断算法 .pdfVIP

基于滑动窗的CVA故障诊断算法

赵小强;张潇潇

【摘要】由于过程数据通常具有时变性,规范变量分析(CVA)在动态过程系统的故

障诊断中不能得到较好的故障诊断准确率,因此提出一种基于滑动窗的规范变量分

析(MWCVA)算法.该算法首先建立初始的CVA模型和计算监控统计量,通过滑动窗

更新过程变量数据,计算更新建模所需数据,不断实时地更新出新样本的CVA模型

和监控统计量.通过对Tennessee-Eastman过程的仿真,对比CVA、MWPCA和

MWCVA的故障诊断效果,验证所提出算法的有效性.

【期刊名称】《兰州理工大学学报》

【年(卷),期】2015(041)003

【总页数】5页(P91-95)

【关键词】故障诊断;CVA;滑动窗;TE过程

【作者】赵小强;张潇潇

【作者单位】兰州理工大学电气工程与信息工程学院,甘肃兰州730050;兰州理工

大学电气工程与信息工程学院,甘肃兰州730050

【正文语种】中文

【中图分类】TP277

对现代化工过程有效的故障诊断是确保生产过程中产品和人身安全的重要方法

［1-3］.化工过程测量变量数据中具有多种多样的复杂特性，比如互相关性、强自

相关性、时变性等特性.主元分析法（PCA）和偏最小二乘法（PLS）是较早提出并

且已经得到广泛应用的化工过程故障诊断方法［4-5］.这两种方法能够有效地处理

过程测量变量数据中的互相关性，然而在处理强自相关性时并不能得到满意的效果，

为了解决该特性提出的动态PCA（DPCA）方法也没有完全解决过程变量的强自相

关性［6］.规范变量分析（CVA）方法是基于数据驱动的故障诊断方法，最大化过

程变量的自相关性和互相关性，建立过程的状态空间模型和监控统计量进行故障诊

断.Antoine等［7］将PCA、DPCA、PLS、CVA进行比较并证明了CVA方法的

优越性.

但是，化工过程的数据通常还具有时变特性，实际化工过程中常因设备的磨损老化、

环境的变化等引起正常参数的缓慢变化，使得以前建立的正常过程模型误报率升高

［8］.针对过程数据的这种特性，国内外学者在基于主元分析（PCA）的基础上获

得了很多成果.陆宁云等［9］提出迭代的主元成分分析算法，是一种在线过程监测

方法，根据实际化工过程的数据特性，实现了实时在线的PCA建模和过程监测；

郭小萍等［10］提出滑动窗主元分析算法，探讨了滑动窗PCA子时段建模，并且

对PVC聚合过程在线监测，证明该算法是一种行之有效的算法.

以上工作都是针对PCA所做，而CVA算法在故障诊断中能够解决变量之间的互

相关和自相关性，PCA算法则不能解决这些问题.本文提出的滑动窗CVA算法，

增强了CVA算法的实时在线更新能力，解决了数据的时变性，做到更准确的故障

诊断.首先采用历史数据对过程使用CVA算法得到过程状态空间描述和监控统计量，

通过一定的策略更新滑动窗中的数据，并以此滑动窗数据计算相关的参数，得出新

的CVA模型和监控统计量，对过程测量变量数据得出更为有效的故障诊断方法.

1CVA算法

CVA［11-12］是一种线性降维的算法，在应用于过程的故障诊断中，它通过把过

程的历史数据集和未来数据集的相关性最大化，得到过程的主要特征信息，建立过

程的统计模型.定义一个无输入的自回归滑动平均过程，则其状态空间模型描述为

其中：x（k）∈Rn是一个n阶状态向量，e（k）为一随机噪声序列，且期望E

（e（k））＝0.

给定yk∈Rm为过程中k时刻m个过程变量的测量值，构造历史向量pk＝［yk-

1，yk-2，…，yk-h］T和未来向量fk＝［yk，yk＋1，…，yk＋s］T，历史向量

包含了k-1时刻及其以前的h个时刻的采样信息，未来向量包含了k时刻及其以

后的s个时刻的采样信息.定义历史、未来Hankel输出矩阵：

其中：N为数据建模长度，h、s分别表示历史、未来数据观察窗口.s足够大使得

缩减的Hankel矩阵逼近无限Hankel矩阵；对每个变量进行单变量自回归模型分

析，选择h为最大有效滞后，使得所有变量的自回归模型残差无关紧要；由于状

态变量的数量通过缩减的Hankel矩阵获得，s≥h为了避免Hankel矩阵的秩受限.

对它们进行标准化，历史