独立成分相关分析的自适应故障监测方法

摘要：

工业过程数据具有动态、非高斯等特性.独立成分分析(independent component analysis,ICA)既可以分析数据的非高斯形式,又可以极大地去除多变量间的耦合且满足独立性要求.本文引入粒子群算法优化ICA模型参数,自适应地确定独立成分个数.同时,提出一种基于隐马尔科夫链模型(hidden Markov model,HMM)的自适应检测限设计方法,将时间相关数据块的特征信息变化作为过程故障的检测依据.首先利用由时间窗方法确定的独立成分组成监测矩阵来训练HMM模型,旨在提高独立成分间相关性水平的表示能力;然后将得到的HMM模型对监测矩阵进行相关性评估,并在一定容许裕度的基础上设计评估值的自适应因子及检测限,并据此监测特征信息变化,动态地进行在线故障检测.最后,Tennessee Eastman(TE)仿真平台的实验结果表明了所提方法的有效性.

关键词：独立成分分析、粒子群算法、隐马尔科夫模型、相关性评估、自适应因子、故障检测

所属期刊栏目：35

分类号：TP273(自动化技术及设备)

资助基金：国家自然科学基金项目61573137

在线出版日期：2018-12-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1331-1338