石懷濤，劉建昌，丁曉迪，譚　帥，王雪梅
東北大學信息科學與工程學院，遼寧沈陽

東北大學流程工業綜合自動化國家重點實驗室，遼寧沈陽

佳木斯大學信息電子技術學院，黑龍江佳木斯

東北大學后勤服務中心報紙期刊室，遼寧沈陽

摘　　　要：針對基于動態主元分析的故障檢測方法存在的主元個數較多以及計算效率低等問題，本文提出基于混合動態主元分析（ＨｙｂｒｉｄＤｙｎａｍｉｃＰｒｉｎｃｉｐａｌＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ，ＨＤＰ�玻茫粒┑膹碗s過程故障檢測方法。該方法采用分步策略消除數據之間的自相關和互相關性，提高了故障檢測的精度和效率。對ＴＥ過程典型故障和熱連軋過程中斷帶故障檢測結果表明：ＨＤＰＣＡ方法提取的主元個數少于ＤＰＣＡ方法提取的主元個數。并且，基于ＨＤＰＣＡ的Ｔ２ 和ＳＰＥ統計量的檢測性能和檢測精度都由于基于ＤＰＣＡ的統計量。因此，本文提出的方法可以準確有效地檢測出故障。

關　鍵　詞：特征提取；混合動態核主元�勃毩⒃�分析方法；活套故障；故障診斷

１　引　言
ＰＣＡ是一種根據數據協方差進行建模的較優降維技術，它可通過線性變換將高維空間數據變換到低維空間而消除變量間的相關性［１�玻常荨６�ＰＣＡ方法［４�玻担莸募僭O條件之一便是某時刻觀測值對于前面時刻觀測值來說是統計獨立的，對于復雜工業過程，因采樣間隔短，存在儲能環節，使數據采樣之間具有時序相關性（即動態特性）。因此，采用ＰＣＡ方法建立統計模型難以描述數據真實變化。針對ＰＣＡ在處理實際工業過程數據中未考慮數據中序列相關性特點，Ｋｕ［６］等提出了動態ＰＣＡ（ＤＰＣＡ）故障診斷方法，該方法將變量延遲加入數據陣，以構造時間滯后數據陣，再對ＰＣＡ加以改進，從而將時序相關關系提取出來，消除數據序列相關性。Ｍｉｎａ等［７］根據平均估計原理，改進了ＤＰＣＡ故障檢測方法。Ｈｅ等［８］將ＤＰＣＡ應用于挖掘機液壓系統故障檢測，取得了較好的故障檢測效果。ＶｉｌｉａｍＭａｋｉｓ等［９］將ＤＰＣＡ應用于石油狀態檢修模型，仿真結果表明ＤＰＣＡ能準確的檢測出故障。ＤＰＣＡ方法在一定程度上能考慮數據的自時序相關特性，提高診斷精度。但該方法也存在以下缺點：①它將所有的觀測值不加選擇的擴展到前Ｓ個時刻時間序列矩陣以構建增廣矩陣，降低了計算效率。②增加了主元個數。③構建的增廣矩陣的變量個數可能大于采樣數，導致統計模型無法建立。針對以上問題，本文提出了ＨＤＰＣＡ故障檢測方法，該方法首先將前Ｓ個時刻的觀測值擴展到構建的增廣矩陣中，并將增廣矩陣分解成Ｓ個子矩陣；其次分別對各個子相關矩陣進行ＰＣＡ建模，消除變量之間的互相關性；然后，將已經去除了互相關性的子矩陣合并成一個新的混合增廣數據矩陣。較后利用ＰＣＡ對該矩陣進行建模，去除時序自相關性。該方法可以有效的減少主元個數，簡化故障診斷模型的復雜度，增強故障診斷性能。

登錄網站后可下載文件