3多变量统计故障诊断方法.ppt

基于统计学的故障诊断方法ContentsPCA故障诊断方法1KPCA故障诊断方法2ICA故障诊断方法3仿真实验4基于多变量统计的故障诊断方法有不依赖于过程模型、易于实施等特点,近年来在过程工业中得到广泛的应用,特别是对于复杂的过程,描述生产过程的精确数学模型难以建立时。最常用的有主元分析(ponentAnalysis,PCA)、主元回归(ponentRegression,PCR)、偏最小二乘(PartialLeassquare,PLS)、典型相关分析(A)、费舍判别式(FisherDiscriminantAnalysis,FDA)以及隐马尔可夫模型(HiddenMarovModel,HMM)。基于多变量统计的故障诊断方法最常用的有主元分析(ponentAnalysis,PCA)、主元回归(ponentRegression,PCR)、偏最小二乘(PartialLeassquare,PLS)、典型相关分析(A)、费舍判别式(FisherDiscriminantAnalysis,FDA)以及隐马尔可夫模型(HiddenMarovModel,HMM)。在MSPC研究领域中,目前常用的工具有PCA、PCR、A、FDA及HMM等。PCA、PCR、A都属于基于投影的统计降维技术,常用于故障的检测与隔离,而FDA和HMM都是统计模式识别技术,可用于故障的诊断,这其中研究较多的为PCA、PLS及FDA。基于PCA的故障诊断方法主元分析法(PcA,又称主成份分析)(PCA)是由Pearson(1901)最早提出来的。Hotelling(1933)对主元分析进行了改进,其已被广泛应用于各个领域。在过程监控领域相比其它方法具有适应性强、更易实现等优点,另外它在具有降维能力的同时,还可以把过程变量空间划分为表示子空间和残差子空间,实现子空间识别法可以实现的功能,如系统辨识[v]、故障识别等。因此,自从20世纪90年代初以来,PCA吸引了越来越多过程监控学者的关注,国内外也都出现以其为主要内容的专著。基于PCA的故障诊断方法