李錦冰,韓 冰,馮守渤,張佳冬,李 宇,鐘 凱,韓 敏

(1.大連理工大學(xué)電子信息與電氣工程學(xué)部,遼寧大連 116024;2.上海船舶運(yùn)輸科學(xué)研究所航運(yùn)技術(shù)與安全國(guó)家重點(diǎn)實(shí)驗(yàn)室,上海 200000)

1 引言

隨著人們對(duì)工業(yè)過程穩(wěn)定性要求的提升,故障檢測(cè)方法受到越來越廣泛地關(guān)注.經(jīng)過近30年的不斷發(fā)展,故障檢測(cè)逐漸形成了3類方法:基于解析模型方法、基于定性經(jīng)驗(yàn)知識(shí)方法、基于數(shù)據(jù)驅(qū)動(dòng)方法[1].基于數(shù)據(jù)驅(qū)動(dòng)的方法是近年來熱門研究方法之一,當(dāng)過程的精確數(shù)學(xué)模型難以建立時(shí),對(duì)于歷史數(shù)據(jù)的處理研究成為了處理故障檢測(cè)問題的重要渠道[2-4].

為應(yīng)對(duì)工業(yè)系統(tǒng)監(jiān)測(cè)過程復(fù)雜的問題,大量多元統(tǒng)計(jì)分析方法被用于故障檢測(cè)領(lǐng)域,如主成分分析(principal component analysis,PCA)[5]、獨(dú)立成分分析(independent component analysis,ICA)[6]及費(fèi)舍爾判別分析(fisher discriminant analysis,FDA)[7]等.其中PCA方法用較少的互不相關(guān)的綜合指標(biāo)代替原始維度較高的指標(biāo),同時(shí)盡可能多的保持原始數(shù)據(jù)的有效信息[8].通過構(gòu)建T2和平方預(yù)測(cè)誤差(squared prediction error,SPE)統(tǒng)計(jì)量分別對(duì)主元空間和殘差空間中的投影變化進(jìn)行度量,除監(jiān)測(cè)變量均值的增長(zhǎng)和減少外還可以發(fā)現(xiàn)監(jiān)測(cè)變量之間相關(guān)性的變化.由于其良好的特性,PCA方法已經(jīng)廣泛應(yīng)用于復(fù)雜工業(yè)流程的過程監(jiān)控.然而PCA方法在處理非線性、動(dòng)態(tài)、多尺度過程中顯得力不從心,一些基于PCA的改進(jìn)和擴(kuò)展的方法被逐漸提出,包括:基于核的方法[9-10],基于神經(jīng)網(wǎng)絡(luò)的方法[11-12]等.核主成分分析(kernel PCA,KPCA)是對(duì)PCA算法的非線性擴(kuò)展,能夠挖掘到數(shù)據(jù)樣本中所隱含的非線性信息,具有很好的性能.Ren,L等人[13]使用小波變換和KPCA方法相結(jié)合處理初始故障檢測(cè)問題,同時(shí)還分析了可能引起結(jié)果不確定的干擾因素.韓敏等[14]提出一種結(jié)合核獨(dú)立成分分析和流形學(xué)習(xí)保持局部結(jié)構(gòu)的思想,解決了之前容易忽略各獨(dú)立成分分量對(duì)系統(tǒng)故障貢獻(xiàn)度差異的問題.趙孝禮等[15]基于KPCA與流形學(xué)習(xí)方法結(jié)合的算法,可以實(shí)現(xiàn)轉(zhuǎn)子故障數(shù)據(jù)的降維操作.

這些改進(jìn)方法的應(yīng)用有效改善了故障檢測(cè)的效果,然而由于傳統(tǒng)KPCA在建立模型過程中,需要考慮到過程所涉及的所有變量特征信息.主成分模型一旦建立就基本不會(huì)發(fā)生更改,但這也會(huì)忽視監(jiān)測(cè)變量?jī)?nèi)部固有聯(lián)系,所以根據(jù)實(shí)際情況建立起更為細(xì)致劃分的主成分模型就顯得十分重要.此外,由于工業(yè)系統(tǒng)監(jiān)測(cè)數(shù)據(jù)維度較多且隨時(shí)間而大量生成,傳統(tǒng)方法降低了過程監(jiān)控和故障檢測(cè)的效率.本文提出一種分塊核主成分分析(block KPCA,BKPCA)算法,將復(fù)雜過程按照一定規(guī)則進(jìn)行分塊處理,確保各個(gè)模塊的檢測(cè)能力.對(duì)各個(gè)分塊進(jìn)行全局的特征提取,從而提高檢測(cè)正確率,降低計(jì)算復(fù)雜度.同時(shí)通過計(jì)算每一分塊的貢獻(xiàn)率確定故障位置,雖然無法明確確定發(fā)生故障的變量,但隨著現(xiàn)代工業(yè)系統(tǒng)集成化和自動(dòng)化水平的提升,本文所提方法簡(jiǎn)化了故障位置確定過程,仍然具有十分重要的意義.

此外T2和SPE統(tǒng)計(jì)量的控制限是根據(jù)概率方法確定的,為保證發(fā)現(xiàn)較小的故障數(shù)據(jù)波動(dòng)就一定會(huì)存在較高的誤判率.本文通過最小二乘支持向量機(jī)(least square support vector machine,LS-SVM)方法對(duì)系統(tǒng)的健康狀態(tài)進(jìn)行再一次判斷,可以進(jìn)一步減小誤報(bào)率,提高判斷精確度.LS-SVM 可以在保證識(shí)別精度的同時(shí),較好地解決小樣本、非線性等實(shí)際問題,且具有更快的求解速度[16-17],因此可以獲得更好的故障檢測(cè)結(jié)果.最后使用田納西-伊斯曼化工(Tennessee-Eastman,TE)過程故障數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn),證明了本文所提算法的有效性,可以為工業(yè)系統(tǒng)實(shí)際故障檢測(cè)和定位提供輔助決策建議.

2 分塊核主成分分析算法

KPCA算法可以通過核映射將監(jiān)測(cè)數(shù)據(jù)映射到高維核空間,通過確定一個(gè)坐標(biāo)系統(tǒng)的正交變換,將監(jiān)測(cè)數(shù)據(jù)變換為一組新的各維度線性無關(guān)的表示.在新的坐標(biāo)系下,變換后的數(shù)據(jù)方差沿新的坐標(biāo)軸最大化[18].本文所提BKPCA是對(duì)KPCA的改進(jìn),對(duì)于復(fù)雜的工業(yè)系統(tǒng)建立更加精細(xì)的主元模型,可以有效提升計(jì)算效率,減小故障檢測(cè)的計(jì)算復(fù)雜度.

2.1 核主成分分析算法

設(shè)X={x1,x2,···,xN}為樣本集,其中N為樣本總數(shù),通過非線性映射?將原始數(shù)據(jù)映射到維數(shù)為無窮大的高維空間Θ中,記為?(xk).核函數(shù)通過映射實(shí)現(xiàn)原始空間點(diǎn)到高維空間的映射,由此映射而得的特征空間中的數(shù)據(jù)是去均值的,則特征空間中的協(xié)方差矩陣為

CΘ的特征值λ,特征向量υ滿足

一般而言,λ會(huì)存在N個(gè)結(jié)果,可以表述為λ1,λ2,···,λN且λ1≥λ2≥···≥λN.存在系數(shù)αi(i=1,2,···,N),使得

代入式(2),并對(duì)式(2)兩邊同乘?(xk)可化為

式(4)可簡(jiǎn)化為

核矩陣Kjk=K(xj,xk)=?(xj)?T(xk),α=[α1α2···αn]T為核矩陣K的特征向量.

上式推導(dǎo)需要假設(shè)?(·)為去均值的,實(shí)際情況并不一定成立,而?(·)與核函數(shù)密切相關(guān),因此在進(jìn)行主成分分析之前,需要對(duì)K進(jìn)行中心化處理,即將式(5)中的K用代替:

其中:1N為每一個(gè)元素都為1/N的N ×N矩陣,N為K的維數(shù).結(jié)合式(3)和式(5),由矩陣K的特征向量α可求出協(xié)方差矩陣CΘ的特征向量υ.

依據(jù)式(7)累積方差貢獻(xiàn)率準(zhǔn)則選取前p個(gè)特征值確定主成分個(gè)數(shù):

對(duì)于新觀測(cè)樣本xnew,其主元空間得分向量可以表示為

其中:l=1,2,···,p,為中心化的特征向量.

其中Λ為p個(gè)主成分對(duì)應(yīng)特征值構(gòu)成的對(duì)角矩陣.通過分析可知T2統(tǒng)計(jì)量變化符合F分布:

其中:n為樣本個(gè)數(shù);a為模型數(shù)據(jù)檢驗(yàn)水平,可以根據(jù)a的取值確定T2的控制限.

SPE控制限計(jì)算公式如下:

其中:

λi為特征值,Na是正態(tài)分布a臨界值.

2.2 分塊原理介紹

實(shí)際工業(yè)過程運(yùn)行時(shí),內(nèi)部結(jié)構(gòu)錯(cuò)綜復(fù)雜,變量之間也存在相互的關(guān)聯(lián),建立單一模型很難對(duì)變量?jī)?nèi)部的關(guān)系做出準(zhǔn)確正確的解釋.本文提出一種有效建立分塊模型的思想,將整個(gè)工業(yè)系統(tǒng)運(yùn)行過程分成若干等級(jí)或者過程,每一過程都建立相應(yīng)模型,這就達(dá)到分塊或多層次的思想,具體原理如圖1所示.其中X?可以看作是原始監(jiān)測(cè)數(shù)據(jù),按照工業(yè)過程將其分類,如圖1 中等,當(dāng)?shù)? 次分類之后仍然具有多個(gè)不同單元時(shí)仍可以對(duì)其進(jìn)行第2次分類.因此圖1只是一個(gè)示意圖,并不是必須分為3層.

圖1 數(shù)據(jù)分塊原理介紹Fig.1 The introduction for data blocking principle

傳統(tǒng)KPCA算法可以得到了主成分的載荷矩陣vk(m×k),即其主元個(gè)數(shù)為m,采樣個(gè)數(shù)為k.針對(duì)不同環(huán)境下,設(shè)備運(yùn)行的先驗(yàn)知識(shí),將原始數(shù)據(jù)劃分為B個(gè)分塊,其中,第b個(gè)分塊包含了mb個(gè)變量,載荷矩陣可以表述如下:

其中vkb(mb×k)表示第b個(gè)分塊中獨(dú)立的主成分載荷矩陣.當(dāng)輸入新的數(shù)據(jù)信息時(shí),將數(shù)據(jù)依據(jù)分塊標(biāo)準(zhǔn)分成B個(gè)分塊.

為方便計(jì)算T2統(tǒng)計(jì)量,將協(xié)方差矩陣根據(jù)分塊原則也進(jìn)行了分塊處理:

因此,T2統(tǒng)計(jì)量與式(10)類似.

SPE統(tǒng)計(jì)量與式(11)類似,第b塊分塊的SPE統(tǒng)計(jì)量計(jì)算如下:

分別使用每一分塊中的T2和SPE統(tǒng)計(jì)量對(duì)其對(duì)應(yīng)分塊的健康狀態(tài)進(jìn)行估計(jì),減少了其他分塊變量的影響,可以提高故障檢測(cè)精度.

2.3 貢獻(xiàn)率分析

系統(tǒng)故障表現(xiàn)在數(shù)據(jù)上主要是出現(xiàn)不正常波動(dòng),同時(shí)這些波動(dòng)的存在也可以幫助確定故障發(fā)生的位置.本文使用BKPCA的方法對(duì)每一個(gè)數(shù)據(jù)分塊引起的T2和SPE統(tǒng)計(jì)量變化進(jìn)行計(jì)算,考慮到T2統(tǒng)計(jì)量主要用于衡量現(xiàn)有監(jiān)測(cè)數(shù)據(jù)距離主元子空間原點(diǎn)的距離,使用各分塊的T2統(tǒng)計(jì)量的變化衡量對(duì)應(yīng)分塊的故障貢獻(xiàn)率,可以有效簡(jiǎn)化故障位置發(fā)生位置確定過程.

由于每一分塊的T2統(tǒng)計(jì)量控制限不同,簡(jiǎn)單的使用統(tǒng)計(jì)量衡量故障貢獻(xiàn)率效果較差.因此,本文構(gòu)建的第b塊數(shù)據(jù)故障貢獻(xiàn)率如下:

使用分塊的貢獻(xiàn)率方法雖然無法直接確定故障變量,但隨著現(xiàn)代工業(yè)系統(tǒng)集成度和自動(dòng)化水平的提升,隔離故障所屬分塊同樣具有非常重要的意義.同時(shí)由于采用分塊方法對(duì)數(shù)據(jù)進(jìn)行處理,可以減少特定故障的監(jiān)測(cè)變量個(gè)數(shù),降低KPCA的計(jì)算復(fù)雜度,提高故障檢測(cè)效率.同時(shí),BKPCA方法考慮了監(jiān)測(cè)變量?jī)?nèi)部固有聯(lián)系,根據(jù)實(shí)際情況建立起更為細(xì)致劃分的主成分模型,減少了其他分塊中變量的影響,可以在一定程度上提升故障檢測(cè)精度.

3 LS-SVM故障檢測(cè)

LS-SVM是SVM的一種擴(kuò)展改進(jìn),通過二次規(guī)劃將非線性問題轉(zhuǎn)換為線性問題,不僅可以降低計(jì)算的成本還大大提高了模型的泛化能力[19].基于BKPCA與LS-SVM的集成故障檢測(cè)方法可以有效降低誤報(bào)率,提高檢測(cè)效率.

3.1 最小二乘支持向量機(jī)

設(shè)訓(xùn)練樣本集D={(xi,yi)},i=1,2,···,m,xi∈Rn,yi ∈{?1,1}為期望輸出.通過非線性映射?(xi)將樣本數(shù)據(jù)從原始空間映射到高維特征空間,其中特征空間中的兩個(gè)類間的距離為2/‖ω‖,為了增大分類邊緣且減小訓(xùn)練的誤差εi,得到函數(shù)

c為超出控制誤差的樣本懲罰程度,si為加權(quán)系數(shù).

LS-SVM通過將等式約束替代SVM中的不等式約束,引入Lagrange系數(shù)αi,定義如下的Lagrange函數(shù):

其中:γ為懲罰因子;b是偏差量;αi為L(zhǎng)agrange乘子系數(shù).利用KKT(Karush Kuhn Tucker)條件[20]求出最優(yōu)的αi和b,引入K(xi,xj)=?T(xi)?(xj)核函數(shù),求L對(duì)ω,b,εi,αi的偏導(dǎo)為0,并代入公式(20),得到如下矩陣方程:

其 中:1V=[1 1···1];α=[α1α2··· αn];?中的元素?ij=K(xi,xj)=?T(xi)?(xj),通過求解矩陣,可得到最后的最小二乘支持向量機(jī)的分類函數(shù)表達(dá)式為

另外本研究選用高斯核函數(shù)對(duì)數(shù)據(jù)處理:

3.2 故障檢測(cè)過程

本文所提方法主要是使用BKPCA與LS-SVM相結(jié)合實(shí)現(xiàn)故障檢測(cè),BKPCA方法主要用于分塊的監(jiān)測(cè)系統(tǒng)的健康狀態(tài),為提高其故障檢測(cè)的精度,在發(fā)現(xiàn)故障之后使用LS-SVM方法對(duì)監(jiān)測(cè)數(shù)據(jù)的健康狀態(tài)進(jìn)行二次判斷,并通過貢獻(xiàn)率的方法對(duì)故障發(fā)生分塊進(jìn)行確定.這種方法可以實(shí)現(xiàn)在線的系統(tǒng)健康狀態(tài)監(jiān)測(cè),并提高故障檢測(cè)效率和精度.具體的工作過程如下所示：

步驟1收集系統(tǒng)歷史運(yùn)行狀態(tài)數(shù)據(jù),根據(jù)實(shí)際設(shè)備運(yùn)行過程進(jìn)行實(shí)際可操作的分塊處理;

步驟2對(duì)數(shù)據(jù)進(jìn)行預(yù)處理并分別構(gòu)建每一分塊KPCA監(jiān)測(cè)模型,計(jì)算每一分塊的T2和SPE控制限,同時(shí)訓(xùn)練建立每一分塊的LS-SVM故障分類器;

步驟3監(jiān)測(cè)系統(tǒng)運(yùn)行狀態(tài)數(shù)據(jù),并對(duì)收集的監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)處理,分別計(jì)算每一分塊T2和SPE統(tǒng)計(jì)量,確定是否超出對(duì)應(yīng)控制限;

步驟4當(dāng)分塊的T2或SPE統(tǒng)計(jì)量未超出控制限則重復(fù)進(jìn)行步驟3,認(rèn)為此時(shí)沒有發(fā)生故障并持續(xù)對(duì)系統(tǒng)運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè),反之則將超出控制限的監(jiān)測(cè)數(shù)據(jù)導(dǎo)入對(duì)應(yīng)分塊的LS-SVM故障分類器檢測(cè)故障因素,當(dāng)LS-SVM檢測(cè)為故障時(shí)認(rèn)為故障已經(jīng)發(fā)生;

步驟5根據(jù)公式(18)分別計(jì)算并比較每一分塊的故障貢獻(xiàn)率,確定發(fā)生故障的分塊.

4 仿真實(shí)驗(yàn)

為驗(yàn)證本文所提方法的有效性,本文使用TE過程數(shù)據(jù)進(jìn)行仿真驗(yàn)證.TE過程數(shù)據(jù)是由Downs等根據(jù)Eastman化學(xué)公司的實(shí)際工藝流程作少許修改后于1993年提出的[21],已經(jīng)被廣泛用于連續(xù)工業(yè)過程的狀態(tài)監(jiān)測(cè)和診斷的優(yōu)化等領(lǐng)域.整個(gè)過程由5個(gè)主要的操作單元組成,即反應(yīng)器、冷凝器、氣液分離塔、循環(huán)壓縮機(jī)和汽提塔,具體流程圖如圖2所示.該數(shù)據(jù)集共包含41個(gè)可供監(jiān)控的測(cè)量變量和12個(gè)操作變量(如表1所示),其中41個(gè)測(cè)量變量又包含22個(gè)連續(xù)過程測(cè)量變量(如表2所示)和19個(gè)成分測(cè)量值.本文選用22個(gè)連續(xù)測(cè)量變量和11個(gè)操作變量結(jié)合對(duì)系統(tǒng)的健康狀態(tài)進(jìn)行監(jiān)測(cè).為保證故障檢測(cè)問題的應(yīng)用,TE過程數(shù)據(jù)集一共被設(shè)計(jì)了21組故障數(shù)據(jù)和1組正常數(shù)據(jù),每組數(shù)據(jù)包含訓(xùn)練數(shù)據(jù)共480個(gè)采樣點(diǎn),測(cè)試數(shù)據(jù)共960個(gè)采樣點(diǎn),其中測(cè)試數(shù)據(jù)在第161個(gè)采樣點(diǎn)處開始加入故障因素.

圖2 TE過程流程圖Fig.2 The flowchart of the TE process

表1 TE過程操縱變量Table 1 The operating variables of TE process

首先按照對(duì)TE過程結(jié)構(gòu)原理的理解將完整的故障數(shù)據(jù)分成5塊,包括:

1)原料塊1:F1,F2,F3,F4,X1,X2,X3,X4;

2)反應(yīng)器塊2:F6,F7,F8,F21,X10,X11;

3)分離器塊3:F11,F12,F13,F14,X7;

4)汽提塔塊4:F15,F16,F17,F18,F19,F8,F9;

5)壓縮機(jī)塊5:F5,F10,F20,F22,X5,X6.

分別檢測(cè)每一分塊中故障因素可以完成故障位置的確定,同時(shí)減小計(jì)算復(fù)雜度.

表2 TE過程的22個(gè)測(cè)量變量Table 2 The 22 measurement variables of TE process

4.1 分塊故障檢測(cè)結(jié)果

緩變故障可以更好的展現(xiàn)BKPCA方法的故障檢測(cè)性能,本文選用TE過程中故障13即反應(yīng)動(dòng)態(tài)偏移故障發(fā)生過程為例對(duì)所提方法進(jìn)行仿真驗(yàn)證.為了更加清楚的展現(xiàn)T2和SPE統(tǒng)計(jì)量對(duì)故障的檢測(cè)效果,仿真實(shí)驗(yàn)只選用前400個(gè)采樣點(diǎn)對(duì)仿真結(jié)果進(jìn)行說明.圖3所示的是每個(gè)分塊的T2和SPE統(tǒng)計(jì)量故障檢測(cè)結(jié)果,其中虛線為對(duì)應(yīng)的控制限.可以發(fā)現(xiàn)在監(jiān)測(cè)數(shù)據(jù)中加入故障因素之后每個(gè)分塊的T2和SPE統(tǒng)計(jì)量均開始出現(xiàn)變化趨勢(shì),且經(jīng)過幾個(gè)采樣點(diǎn)之后均超出控制限,可以檢測(cè)出故障因素,說明這一故障發(fā)生會(huì)同時(shí)引起多個(gè)參數(shù)出現(xiàn)變化.同時(shí)可以發(fā)現(xiàn),只有分塊2即反應(yīng)器塊的T2和SPE統(tǒng)計(jì)量均較早的超出控制限,可以認(rèn)為分塊2參數(shù)變化對(duì)故障的影響最大,符合故障13的產(chǎn)生原理.

圖3 故障13的分塊故障檢測(cè)結(jié)果Fig.3 The result of block fault detection for Fault 13

為了更加清晰的定位故障發(fā)生的位置,本文使用貢獻(xiàn)率的方法對(duì)每一分塊故障的貢獻(xiàn)率進(jìn)行了說明.如圖4展示了故障13中各個(gè)分塊對(duì)故障的貢獻(xiàn)率,經(jīng)過比較可以確定,在故障發(fā)生初期,只有分塊2反應(yīng)器塊和分塊3分離器塊對(duì)故障具有較高的貢獻(xiàn)率.綜合考慮TE過程反應(yīng)原理,出現(xiàn)這種現(xiàn)象主要是由于反應(yīng)器產(chǎn)物進(jìn)入分離器對(duì)分離器中各監(jiān)測(cè)數(shù)據(jù)產(chǎn)生了影響,比較兩者的貢獻(xiàn)率也可以發(fā)現(xiàn)分塊2具有較高的故障貢獻(xiàn)率,即分塊2對(duì)故障具有最大的影響.

圖4 故障13下各分塊的貢獻(xiàn)率Fig.4 The block contribution rate for Fualt 13

為證明本文所提方法的客觀性,本文同樣選用了一個(gè)階躍故障,即TE過程的故障1為例再次對(duì)分塊貢獻(xiàn)率確定故障發(fā)生位置的方法進(jìn)行驗(yàn)證.分析每一分塊中T2和SPE統(tǒng)計(jì)量的變化過程可以發(fā)現(xiàn)隨著A/C進(jìn)料的階躍變化不同塊中的各監(jiān)測(cè)變量也隨之出現(xiàn)了變化,然而經(jīng)過一段時(shí)間之后各變量開始趨于平穩(wěn),甚至回落到正常值,因此出現(xiàn)了如圖5所示的貢獻(xiàn)率情況,可以發(fā)現(xiàn)分塊1貢獻(xiàn)率最高,可以認(rèn)為故障1主要與原料塊相關(guān),符合故障實(shí)際,可以說明本文方法的正確性.

4.2 故障檢測(cè)效率和精度

本文提出一種BKPCA與LS-SVM方法相結(jié)合以實(shí)現(xiàn)高效率高精度的故障檢測(cè)的方法,由于使用了分塊的方法對(duì)數(shù)據(jù)進(jìn)行了處理,可以最大程度上的減少KPCA的監(jiān)測(cè)模型和LS-SVM分類模型建立的復(fù)雜程度,同時(shí)也可以減小在線故障檢測(cè)過程的計(jì)算復(fù)雜度.使用LS-SVM對(duì)BKPCA檢測(cè)的分塊監(jiān)測(cè)數(shù)據(jù)的健康狀態(tài)進(jìn)行二次判斷,提高故障檢測(cè)的精度.如表3所示是使用幾種方法比較TE數(shù)據(jù)集21種故障測(cè)試數(shù)據(jù)的檢測(cè)結(jié)果和運(yùn)行時(shí)間,以誤判率、漏判率和精確度3種參數(shù)共同對(duì)幾種方法的故障檢測(cè)結(jié)果進(jìn)行對(duì)比.

圖5 故障1下各分塊的貢獻(xiàn)率Fig.5 The block contribution rate for Fualt 1

表3 TE數(shù)據(jù)集故障檢測(cè)結(jié)果(%)和運(yùn)行時(shí)間(s)對(duì)比Table 3 The comparison of operation time(s)and results of fault detection(%)for TE data

可以發(fā)現(xiàn)本文所提方法對(duì)各種故障均具有較低的誤判率和漏判率,可以保證其故障檢測(cè)結(jié)果的可信度.同時(shí)在大部分情況下本文所提方法均獲得最高的故障識(shí)別精確度,未獲得最高識(shí)別精度情況下,其精度與最高精度相差不大,這也同時(shí)證明了方法的可靠性.由于新方法綜合了分塊核主成分分析和最小二乘支持向量機(jī),因此無法獲得最小的運(yùn)行時(shí)間,但本文所提方法運(yùn)行時(shí)間遠(yuǎn)遠(yuǎn)小于核主成分分析和最小二乘支持向量機(jī)的運(yùn)行時(shí)間之和,可以說明本文所提方法具有較高的故障檢測(cè)效率.

5 結(jié)論

隨著人們對(duì)工業(yè)過程穩(wěn)定性要求的提升,智能化的故障檢測(cè)方法逐漸引起了人們的廣泛關(guān)注.本文針對(duì)復(fù)雜工業(yè)過程所面對(duì)的數(shù)據(jù)規(guī)模大和故障位置難以確定等問題,提出一種BKPCA與LS-SVM結(jié)合的故障檢測(cè)方法.該方法主要根據(jù)工業(yè)過程原理對(duì)大規(guī)模樣本數(shù)據(jù)進(jìn)行分塊處理,使用BKPCA方法并行處理樣本數(shù)據(jù),分別計(jì)算每一分塊的故障貢獻(xiàn)率,可以有效提高計(jì)算效率,簡(jiǎn)化發(fā)現(xiàn)故障位置的過程.通過LS-SVM方法對(duì)故障檢測(cè)結(jié)果進(jìn)行二次判斷,可以較小故障誤判和漏判,提高故障檢測(cè)精度.使用TE過程數(shù)據(jù)集對(duì)本文所提方法進(jìn)行驗(yàn)證,仿真結(jié)果證明本文所提算法能有效地辨識(shí)出故障發(fā)生位置,提高了故障檢測(cè)精度和效率,可以為后期的故障類型確定和健康維護(hù)等過程提供輔助決策建議.