張 妮,田學(xué)民,蔡連芳

(中國(guó)石油大學(xué)信息與控制工程學(xué)院,山東青島 266580)

基于動(dòng)態(tài)結(jié)構(gòu)保持主元分析的故障檢測(cè)方法

張 妮,田學(xué)民,蔡連芳

(中國(guó)石油大學(xué)信息與控制工程學(xué)院,山東青島 266580)

為充分利用表征過(guò)程運(yùn)行工況的數(shù)據(jù)特征信息,提高化工過(guò)程的故障檢測(cè)性能,提出一種基于動(dòng)態(tài)結(jié)構(gòu)保持主元分析(DSPPCA)的過(guò)程故障檢測(cè)方法。首先對(duì)原始數(shù)據(jù)采用變量相關(guān)性分析建立自回歸模型,構(gòu)建包含動(dòng)態(tài)特征的數(shù)據(jù)集,進(jìn)一步綜合考慮主元分析法(PCA)和局部線(xiàn)性嵌入(LLE)流形學(xué)習(xí)算法中數(shù)據(jù)點(diǎn)之間的近鄰關(guān)系,融合得出新的目標(biāo)函數(shù),同時(shí),運(yùn)用局部線(xiàn)性回歸的方法獲得高維樣本的嵌入映射,特征提取后在特征空間和殘差空間分別構(gòu)造監(jiān)控統(tǒng)計(jì)量進(jìn)行故障檢測(cè)。Swiss-roll數(shù)據(jù)集的降維結(jié)果及TE過(guò)程的仿真研究結(jié)果表明,DSPPCA算法可以取得較好的特征提取效果,具有較高的故障檢測(cè)性能。

動(dòng)態(tài)結(jié)構(gòu)保持主元分析；流形學(xué)習(xí)；相關(guān)性分析；特征提??；故障檢測(cè)

基于數(shù)據(jù)分析的故障診斷技術(shù)中對(duì)高維數(shù)據(jù)進(jìn)行有效特征的提取成為學(xué)術(shù)界和工業(yè)界極為關(guān)注的問(wèn)題。各種降維方法[1-6]如主元分析法(PCA)、典型變量分析法(CVA)等已經(jīng)廣泛地用于工業(yè)過(guò)程監(jiān)控,得到特征空間和殘差空間并分別構(gòu)造監(jiān)控統(tǒng)計(jì)量實(shí)施故障檢測(cè)。近年來(lái),流形學(xué)習(xí)的方法也用于故障檢測(cè)[7-10]。為了更為全面地獲取采集數(shù)據(jù)中隱含的特征信息,筆者采用相關(guān)性分析解決動(dòng)態(tài)數(shù)據(jù)的自相關(guān)特性,進(jìn)一步融合PCA和局部線(xiàn)性嵌入(LLE)流形學(xué)習(xí)方法提出一種基于動(dòng)態(tài)結(jié)構(gòu)保持主元分析(DSPPCA)的故障檢測(cè)方法,在特征空間和殘差空間分別構(gòu)造監(jiān)控統(tǒng)計(jì)量進(jìn)行故障檢測(cè),并通過(guò)Swiss-roll數(shù)據(jù)和化工田納西-伊斯曼(TE)過(guò)程數(shù)據(jù)進(jìn)行仿真驗(yàn)證。

1 特征提取算法

1.1 局部線(xiàn)性嵌入法

LLE是一種基于流形學(xué)習(xí)的非線(xiàn)性特征提取方法,觀(guān)測(cè)空間中的每一個(gè)點(diǎn)可以近似由其局部鄰域中的點(diǎn)加權(quán)平均表示,重建流形結(jié)構(gòu)時(shí),低維空間中的該點(diǎn)由同樣大小的權(quán)值和近鄰點(diǎn)進(jìn)行加權(quán)表示[11]。

設(shè)高維數(shù)據(jù)集X=(x1,x2,…,xn),xi∈Rm,降維之后的低維坐標(biāo)為Y=(y1,y2,…,yn),yi∈Rd。在高維空間中,算法通過(guò)下式計(jì)算基于最小重構(gòu)誤差的最優(yōu)權(quán)值矩陣W:

添加一個(gè)低維坐標(biāo)約束YYT=I,低維空間輸出值通過(guò)保持高維樣本點(diǎn)的局部重建權(quán)值矩陣和近鄰點(diǎn)進(jìn)一步計(jì)算得出。

可以看出,LLE算法從數(shù)據(jù)之間的近鄰關(guān)系和區(qū)域近鄰點(diǎn)局部線(xiàn)性的角度出發(fā),使得數(shù)據(jù)之間的近鄰結(jié)構(gòu)在降維后得以保持,然而該算法沒(méi)有考慮數(shù)據(jù)整體結(jié)構(gòu)信息,從而可能出現(xiàn)在降維投影后低維空間的整體結(jié)構(gòu)特征未能進(jìn)一步與高維空間保持一致。

1.2 主元分析法

PCA算法通過(guò)正交變換將高維數(shù)據(jù)投影到低維空間,獲得不相關(guān)的降維輸出,解決了變量之間的線(xiàn)性相關(guān)問(wèn)題,提取了數(shù)據(jù)變化的主要特征。

PCA算法的目標(biāo)函數(shù)可以寫(xiě)為

PCA算法最優(yōu)地保持了變量空間全局方差信息的變化,按獲取數(shù)據(jù)的變化度來(lái)說(shuō)是最優(yōu)的。然而,與LLE算法相似,PCA未能考慮數(shù)據(jù)近鄰點(diǎn)之間的局部結(jié)構(gòu)信息的保持,可能造成數(shù)據(jù)部分結(jié)構(gòu)信息的丟失。

1.3 結(jié)構(gòu)保持的特征提取算法

兼顧數(shù)據(jù)近鄰局部結(jié)構(gòu)信息和全局信息變化的保持,將PCA和LLE算法的優(yōu)化函數(shù)進(jìn)行融合,轉(zhuǎn)化為一個(gè)最大化目標(biāo)函數(shù)的求解問(wèn)題。構(gòu)造約束條件下新的目標(biāo)函數(shù)為

其中,Q=αI-(1-α)M,α為比例參數(shù),控制著兩種結(jié)構(gòu)保持算法的比例。利用拉格朗日乘數(shù)法,上述優(yōu)化問(wèn)題可以轉(zhuǎn)化為下列特征方程的求解,即

設(shè)y0,y1,…,yd-1是矩陣特征值分解后最大的d個(gè)特征值對(duì)應(yīng)的特征向量,低維空間的d個(gè)正交向量等價(jià)于計(jì)算矩陣Q的d個(gè)最大的特征值對(duì)應(yīng)的特征向量,從而,數(shù)據(jù)X的全局低維坐標(biāo)可以表示為: Y=((y0)T,(y1)T,…,(yd-1)T)。

1.4 輸入輸出數(shù)據(jù)集映射

結(jié)構(gòu)保持主元分析(SPPCA)算法僅建立了點(diǎn)對(duì)點(diǎn)之間的映射關(guān)系,無(wú)法推廣到獨(dú)立于訓(xùn)練集的數(shù)據(jù)。從而,如何獲得原始空間到降維空間的映射關(guān)系是流形學(xué)習(xí)算法需要解決的關(guān)鍵問(wèn)題?；跐撛诹餍尉植烤€(xiàn)性的假設(shè),建立線(xiàn)性投影來(lái)近似高維數(shù)據(jù)空間到低維嵌入空間的映射關(guān)系,在最小二乘意義下求取映射矩陣A:

其中,A=[a1,a2,…,ad]∈Rm×d。每一個(gè)基向量a1,a2,…,ad通過(guò)求解線(xiàn)性最小二乘回歸獲得

在矩陣X滿(mǎn)秩時(shí),投影基向量aj(j=1,2,…,d)的求解可以根據(jù)下式得出:

2 基于DSPPCA的故障檢測(cè)算法

2.1 加權(quán)動(dòng)態(tài)多變量自回歸模型

數(shù)據(jù)的動(dòng)態(tài)性在化工過(guò)程是普遍存在的,Ku提出動(dòng)態(tài)過(guò)程監(jiān)控處理方法[12],考慮滯后階次的影響采用時(shí)滯增廣矩陣將數(shù)據(jù)擴(kuò)展成如下形式:

然而在實(shí)際應(yīng)用中,數(shù)據(jù)維數(shù)較高、規(guī)模較大時(shí),增廣矩陣的出現(xiàn)造成了龐大的計(jì)算量,造成建模時(shí)間的顯著增加,為了克服原有數(shù)據(jù)處理的盲目性,充分考慮數(shù)據(jù)動(dòng)態(tài)性的事實(shí),引入變量相關(guān)性分析來(lái)考慮每個(gè)變量的時(shí)間序列相關(guān)性。

設(shè)X(t)=[x1(t)x2(t)…xm(t)]∈Rn×m為原采樣數(shù)據(jù),變量的自相關(guān)系數(shù)計(jì)算如下:

其中,b為滯后步長(zhǎng),矩陣擴(kuò)展后樣本數(shù)據(jù)減少到nb；X′(t)為加權(quán)之后的采樣矩陣；t為采樣時(shí)刻；ρ為變量的相關(guān)系數(shù)。根據(jù)求出的自相關(guān)系數(shù),對(duì)變量的時(shí)間序列實(shí)現(xiàn)了自適應(yīng)遞歸,使得過(guò)程數(shù)據(jù)的動(dòng)態(tài)信息得以完整保留,更加有利于故障檢測(cè)的實(shí)施。

2.2 故障檢測(cè)步驟

運(yùn)用SPPCA算法降維得到主特征空間和殘差空間,算法性能監(jiān)控統(tǒng)計(jì)量的確定類(lèi)似于PCA算法中兩監(jiān)控統(tǒng)計(jì)量的確定方法,在降維子空間以及殘差空間分別構(gòu)造監(jiān)控統(tǒng)計(jì)量。本文中采用T2統(tǒng)計(jì)量監(jiān)控降維子空間內(nèi)部的波動(dòng),

其中,Λ為樣本的協(xié)方差矩陣。

平方預(yù)測(cè)誤差(SPE)也稱(chēng)為Q統(tǒng)計(jì)量,用于測(cè)量殘差空間的信息變化,該統(tǒng)計(jì)量計(jì)算式如下:

(1)對(duì)正常工況數(shù)據(jù)進(jìn)行離線(xiàn)建模。運(yùn)用變量的均值和方差將正常工況訓(xùn)練數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理后,對(duì)數(shù)據(jù)建立自回歸統(tǒng)計(jì)模型,之后運(yùn)用SPPCA算法降維獲得輸出并進(jìn)一步求取輸入輸出數(shù)據(jù)之間的近似投影關(guān)系,在殘差空間和降維子流形空間分別構(gòu)造監(jiān)控統(tǒng)計(jì)量實(shí)施監(jiān)控,通過(guò)核密度估計(jì)分別獲得兩監(jiān)控統(tǒng)計(jì)量的控制限。

(2)對(duì)實(shí)時(shí)采集數(shù)據(jù)進(jìn)行在線(xiàn)監(jiān)控。采集新的過(guò)程觀(guān)測(cè)數(shù)據(jù)并根據(jù)離線(xiàn)正常工況數(shù)據(jù)進(jìn)行歸一化處理,基于離線(xiàn)模型求取的投影映射進(jìn)行特征提取,隨后分別計(jì)算測(cè)試數(shù)據(jù)的監(jiān)控統(tǒng)計(jì)量,如果統(tǒng)計(jì)量超出控制限,則表明監(jiān)控過(guò)程可能有故障發(fā)生。

3 實(shí)例仿真

3.1 Swiss-roll數(shù)值仿真

圖1 Swiss-roll數(shù)據(jù)集及不同方法的降維投影結(jié)果Fig.1 Swiss-roll data sets and projection results of different methods

Swiss-roll數(shù)據(jù)是人工合成的數(shù)據(jù)集,已經(jīng)被廣泛地用來(lái)比較不同算法的降維效果[13]。在Swiss-roll的3維曲面上隨機(jī)采集2000個(gè)數(shù)據(jù)點(diǎn),運(yùn)用文中降維算法提取該3維數(shù)據(jù)的內(nèi)在特征,對(duì)算法性能進(jìn)行比較驗(yàn)證。結(jié)果見(jiàn)圖1。對(duì)SPPCA及DSSPCA算法,文中交叉驗(yàn)證得到參數(shù)α取值為0.60。從3維Swiss-roll數(shù)據(jù)降維的結(jié)果可以看出,采用PCA降維方法無(wú)法提供好的降維效果,而SPPCA以及DSSPCA方法皆可以在降維的同時(shí)較好地保存原有數(shù)據(jù)的幾何結(jié)構(gòu)特征,從而可以采用DSPPCA方法進(jìn)行降維特征提取后進(jìn)一步建立故障檢測(cè)模型。

3.2田納西伊斯曼過(guò)程

3.2.1 過(guò)程簡(jiǎn)介

田納西-伊斯曼(TE)過(guò)程多年來(lái)一直被廣泛用于驗(yàn)證各種過(guò)程控制以及故障診斷方法[14]。TE過(guò)程由連續(xù)攪拌式反應(yīng)釜、分凝器、氣液分離塔、汽提塔、再沸器等多個(gè)操作單元組成,過(guò)程機(jī)制復(fù)雜,變量具有非線(xiàn)性、強(qiáng)耦合等顯著特點(diǎn),是一個(gè)典型的復(fù)雜工業(yè)過(guò)程。TE過(guò)程共有41個(gè)測(cè)量變量和12個(gè)操控變量,并人為地設(shè)定了21種故障工況[1]。樣本的采樣間隔為3 min,過(guò)程仿真運(yùn)行時(shí)間為48 h,以正常工況的960個(gè)樣本點(diǎn)作為訓(xùn)練集,采集不同故障的960個(gè)樣本點(diǎn)作為測(cè)試集,其中故障在過(guò)程運(yùn)行8 h之后加入。

3.2.2 仿真結(jié)果分析

在離線(xiàn)建模階段,根據(jù)采集的960個(gè)正常數(shù)據(jù)分別建立PCA、SPPCA以及DSPPCA的統(tǒng)計(jì)分析模型來(lái)比較相應(yīng)的故障檢測(cè)性能。嵌入空間維數(shù)通過(guò)方差累積貢獻(xiàn)率法獲取,根據(jù)85%的方差累積貢獻(xiàn)率確定主元個(gè)數(shù)。故障檢測(cè)統(tǒng)計(jì)量的閾值均設(shè)為95%的控制限,同時(shí),故障檢測(cè)時(shí)刻定義為連續(xù)3個(gè)樣本點(diǎn)超過(guò)其控制限。

參數(shù)α取值決定了數(shù)據(jù)非線(xiàn)性特征提取的差異,為了分析α對(duì)故障特征提取以及故障檢測(cè)性能的影響,對(duì)其進(jìn)行一定范圍的取值比較。故障4涉及反應(yīng)器冷卻水入口溫度的一個(gè)階躍變化,在故障發(fā)生后,其他50個(gè)測(cè)量變量和控制變量仍然保持穩(wěn)定。故障4與正常運(yùn)行條件下相比,每個(gè)變量的均值和標(biāo)準(zhǔn)差的變化很小,特征提取的任務(wù)更加具有挑戰(zhàn)性。圖2所示為α取值與T2檢測(cè)率的多次統(tǒng)計(jì)關(guān)系,由仿真結(jié)果可知,α取0.85可以取得較好的故障檢測(cè)效果。

同樣以TE過(guò)程故障4為例,基于PCA、SPPCA以及DSSPCA3種方法的T2和Q統(tǒng)計(jì)量對(duì)于故障4的靈敏程度可以分別在圖3中進(jìn)行檢驗(yàn),定量的故障檢測(cè)結(jié)果在后續(xù)的列表中給出。在PCA的監(jiān)控圖中,運(yùn)用Q統(tǒng)計(jì)量的故障檢測(cè)時(shí)刻為161,自故障發(fā)生時(shí)刻便可以一直明顯地檢測(cè)到超過(guò)閾值。其T2統(tǒng)計(jì)量的故障檢測(cè)相對(duì)較為滯后,在189個(gè)采樣點(diǎn)檢測(cè)到故障發(fā)生,雖可以檢測(cè)到故障但是卻不具有統(tǒng)計(jì)量檢測(cè)的持續(xù)性?；赟PPCA的故障檢測(cè)方法中,T2統(tǒng)計(jì)量可以一直有效地檢測(cè)到異常發(fā)生,然而其Q監(jiān)控量卻具有一定的漏檢率。而DSSPCA方法的兩個(gè)監(jiān)控統(tǒng)計(jì)量T2和Q皆在故障發(fā)生的初期檢測(cè)到故障,其故障檢測(cè)時(shí)刻分別為161和162,檢測(cè)效果有了明顯的改善。另一方面, DSSPCA方法的Q統(tǒng)計(jì)量在大幅值超出閾值方面的表現(xiàn)優(yōu)于SPPCA的Q統(tǒng)計(jì)量,這進(jìn)一步表明,考慮自變量動(dòng)態(tài)序列相關(guān)性實(shí)施故障檢測(cè)是有效的。

圖2 α對(duì)T2統(tǒng)計(jì)量檢測(cè)性能的影響(f4)Fig.2 Fault detection performance of T2with different α value(f4)

圖3 故障4的監(jiān)控圖比較Fig.3 Comparison of monitoring charts(f4)

故障10不是幅值較大的階躍變化,故障檢測(cè)的實(shí)施有一定的困難,由圖4可以看出,PCA方法的T2監(jiān)控統(tǒng)計(jì)量的故障檢測(cè)時(shí)刻為205,采用結(jié)構(gòu)保持主元提取技術(shù)后,基于SPPCA方法的T2統(tǒng)計(jì)量在第182個(gè)采樣時(shí)刻檢測(cè)到故障,進(jìn)一步考慮過(guò)程變量的時(shí)序動(dòng)態(tài)特性,基于DSSPCA的相應(yīng)T2統(tǒng)計(jì)量可以在第179個(gè)采樣時(shí)刻發(fā)現(xiàn)故障,反應(yīng)較為靈敏。進(jìn)一步比較3種算法對(duì)該故障的檢測(cè)率,即故障發(fā)生后超出閾值的樣本數(shù)目與實(shí)際故障樣本總和的比值,3種方法PCA、SPPCA以及DSSPCA的Q統(tǒng)計(jì)量的故障檢測(cè)率分別為62.38%、56.63%和62.88%,3種方法相應(yīng)的T2統(tǒng)計(jì)量故障檢測(cè)率分別為24.75%、93.75%和96.13%,由此亦可看出考慮變量自相關(guān)的特征提取算法能更為有效地檢測(cè)出故障。

圖4 監(jiān)控圖比較(f10)Fig.4 Comparison of monitoring charts(f10)

表1為3種故障檢測(cè)方法在TE過(guò)程21種不同故障發(fā)生時(shí)的故障檢出率。由表可以看出,對(duì)于故障(3)、(9)、(15),如同其他數(shù)據(jù)驅(qū)動(dòng)的故障檢測(cè)方法, 3種方法皆無(wú)法提供較好的監(jiān)控效果。對(duì)于故障(4)、(5)、(10)、(11)、(16)、(17)、(19),DSPPCA方法明顯地改善了故障檢測(cè)效果,監(jiān)控性能大大提高。雖然DSPPCA的故障檢測(cè)率有略低于其他方法的情況,但并不影響其對(duì)大部分故障與正常樣本之間差異性的捕捉。從而進(jìn)一步說(shuō)明,DSPPCA方法能夠綜合考慮數(shù)據(jù)樣本結(jié)構(gòu)特征的提取,使得數(shù)據(jù)的特征信息得以充分的利用,建立的監(jiān)控模型可以更為精確地描述過(guò)程運(yùn)行工況,從而不僅在縮短故障檢測(cè)的延遲時(shí)刻而且在提高故障檢測(cè)率方面相對(duì)原有的PCA方法有了一定的改善和提高。

表1 不同方法的故障檢測(cè)率Table 1 Comparison of fault detection rate by different methods

與表1類(lèi)似,表2所示為3種方法在TE過(guò)程不同類(lèi)型代表性故障發(fā)生時(shí)的故障檢出樣本序號(hào)。由表2可見(jiàn),DSPPCA方法能夠明顯地縮短故障檢測(cè)的延遲時(shí)間,故障檢測(cè)的靈敏度較高。這進(jìn)一步可以說(shuō)明,基于DSPPCA的故障檢測(cè)方法可以更為有效地獲取故障特征,得到更為全面的數(shù)據(jù)特征信息,從而可以在一定程度上縮短故障檢出的延遲時(shí)間。

表2 不同方法的故障檢測(cè)時(shí)刻Table 2 Comparison of fault detection timeby different methods

4 結(jié)束語(yǔ)

提出了一種基于DSPPCA的化工過(guò)程故障檢測(cè)方法,該方法首先考慮變量自身的序列相關(guān)性建立多變量自回歸統(tǒng)計(jì)模型,隨后運(yùn)用LLE算法局部結(jié)構(gòu)保持的優(yōu)勢(shì),融合傳統(tǒng)的PCA和LLE算法,在PCA全局特征提取的同時(shí)保存數(shù)據(jù)點(diǎn)之間的局部近鄰關(guān)系,同時(shí),運(yùn)用局部線(xiàn)性回歸的方法逼近高維采樣點(diǎn)與其對(duì)應(yīng)低維嵌入的映射關(guān)系,最后在嵌入空間構(gòu)造合理的監(jiān)控統(tǒng)計(jì)量實(shí)施故障檢測(cè)。運(yùn)用Swiss-roll數(shù)據(jù)、TE過(guò)程的正常工況以及不同故障工況數(shù)據(jù)進(jìn)一步驗(yàn)證算法,結(jié)果表明,相對(duì)于原有的PCA方法,提出的方法可以更為有效地獲取高維數(shù)據(jù)的結(jié)構(gòu)特征,故障檢測(cè)的靈敏性較高,縮短故障檢測(cè)時(shí)間的同時(shí)其相應(yīng)的故障檢測(cè)率有了一定程度的提高,可以更為有效地改善故障檢測(cè)系統(tǒng)的性能。

[1] RUSSELL L H,BRAATZ R D.Fault detection and diagnosis in industrial system[M].London:Springer Verlag Press,2001:31-94.

[2] LEE J M,YOO C K,CHOI S W,et al.Nonlinear process monitoring using kernel principal component analysis[J].Chemical Engineering Science,2004,59 (1):223-224.

[3] YIN S,DING S X,HAGHANI A,et al.A comparison study of basic data-driven fault diagnosis and process monitoring mehods on the benchmark Tennessee Eastman process[J].Journal of Process Control,2012,12(9): 1567-1581.

[4] 鄧曉剛,田學(xué)民.生產(chǎn)過(guò)程故障診斷方法研究現(xiàn)狀及展望[J].石油大學(xué)學(xué)報(bào):自然科學(xué)版,2005,29(6): 157-163.

DENG Xiao-gang,TIAN Xue-min.Present situation and prospect of process fault diagnosis technique[J].Journal of the University of Petroleum,China(Edition of Natural Science),2005,29(6):157-163.

[5] ODIOWEI P P,CAO Y.State-space independent component analysis for nonlinear dynamic process monitoring [J].Chemometrics and Intelligent Laboratory Systems, 2010,103(1):59-65.

[6] 鄧曉剛,田學(xué)民.基于動(dòng)態(tài)獨(dú)立成分的單類(lèi)支持向量機(jī)方法及其在故障診斷中的應(yīng)用[J].中國(guó)石油大學(xué)學(xué)報(bào):自然科學(xué)版,2012,36(3):187-191.

DENG Xiao-gang,TIAN Xue-min.One-class support vector machine based on dynamic independentcomponent and its application to fault diagnosis[J].Journal of China University of Petroleum(Edition of Natural Science), 2012,36(3):187-191.

[7] SHAO Ji-dong,RONG Gang.Nonlinear process monitoring based on maximum variance unfolding projection [J].Expert Systems with Applications,2009,36(8): 11332-11340.

[8] ZHANG Mu-guang,GE Zhi-qiang,SONG Zhi-huan,et al.Global local structure analysis model and its application for fault detection and identification[J].Industrial &Engineering Chemistry Research,2011,50(11):6837-6848.

[9] 張妮,田學(xué)民.基于等距離映射的非線(xiàn)性動(dòng)態(tài)故障檢測(cè)方法[J].上海交通大學(xué)學(xué)報(bào),2011,45(8):1202-1206.

ZHANG Ni,TIAN Xue-min.Nonlinear dynamic fault detection method based on isometric mapping[J].Journal of Shanghai Jiaotong University,2011,45(8):1202-1206.

[10] LI Ben-wei,ZHANG Yun.Supervised locally linear embedding projection(SLLEP)for machinery fault diagnosis[J].Mechanical Systems and Signal Processing, 2011,25(8):3125-3134.

[11] 曾憲華.流形學(xué)習(xí)的譜方法相關(guān)問(wèn)題研究[D].北京:北京交通大學(xué),2009.

ZENG Xian-hua.Study on several issues of spectral method for manifold learning[D].Beijing:Beijing Jiaotong University,2009.

[12] KU W,STORER R H,GERGAKIS C.Disturbance detection and isolation by dynamic principal component analysis[J].Chemometrics and Intelligent Laboratory Systems,1995,30(1):179-196.

[13] SAUL L K,ROWEIS S T.Think globally,fit locally: unsupervised learning of low dimensional manifolds[J]. The Journal of Machine Learning Research,2003,4 (4):119-155.

[14] DOWNS J J,VOGEL E F.A plant-wide industrial process control problem[J].Computers and Chemical Engineering,1993,17(3):245-255.

(編輯 修榮榮)

Fault detection method based on dynamic structure preservation principal component analysis

ZHANG Ni,TIAN Xue-min,CAI Lian-fang
(College of Information and Control Engineering in China University of Petroleum,Qingdao 266580,China)

In order to make full use of the feature information of data in the chemical process,a fault detection method based on dynamic structure preservation principal component analysis was proposed to improve the performance and efficiency for fault detection.It firstly established auto-regression model through correlation analysis so that the dynamic feature sets could be obtained to characterize the original data.Furtherly,principal component analysis and locally linear embedding were fused together to obtain a new objective function.Besides,locally linear embedding algorithm could preserve the neighbor relationship between data collected.At the same time,local linear regression was used to find the projection that best approximated the mapping from high-dimensional samples to the embedding for on-line application furtherly.Statistics were constructed in the two spaces for process monitoring after feature extraction respectively.Simulation results of Tennessee Eastman process and Swiss-roll data show that DSPPCA-based method is more effective for feature extraction and process monitoring.

dynamic structure preservation principal component analysis；manifold learning；correlation analysis；feature extraction；fault detection

TP 277

A

1673-5005(2013)02-0170-06

10.3969/j.issn.1673-5005.2013.02.028

2012-04-17

國(guó)家自然科學(xué)基金項(xiàng)目(61273160)；山東省自科學(xué)基金項(xiàng)目(ZR2011FM014)；中央高?；究蒲袠I(yè)務(wù)費(fèi)專(zhuān)項(xiàng)(12CX06071A； 10CX04046A)；山東省優(yōu)秀中青年科學(xué)家科研獎(jiǎng)勵(lì)基金項(xiàng)目(BS2012ZZ011)

張妮(1983-),女,博士研究生,研究方向?yàn)榛み^(guò)程故障檢測(cè)與診斷。E-mail:117zhangni@163.com。