基于递归稀疏主成分分析的工业过程在线故障监测和诊断

作     者：刘金平 王杰 刘先锋 唐朝晖 马天雨 肖文辉 LIU Jin-ping;WANG Jie;LIU Xian-feng;TANG Zhao-hui;MA Tian-yu;XIAO Wen-hui

作者机构：湖南师范大学智能计算与语言信息处理湖南省重点实验室长沙410081 湖南师范大学物理与电子学院长沙410081 中南大学自动化学院长沙410083 

出 版 物：《控制与决策》 (Control and Decision)

年 卷 期：2020年第35卷第8期

页      面：2006-2012页

核心收录：

学科分类：08[工学] 0835[工学-软件工程] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

基　　金：国家自然科学基金项目(61971188,U1701261,61771492) 湖南省自然科学基金项目(2018JJ3349) 图像信息处理与智能控制教育部重点实验室(华中科技大学)开放基金项目(IPIC2017-03) 湖南省研究生科研创新项目(CX2018B312) 

主　　题：递归稀疏主成分分析 工业过程故障监测 弹性回归网 田纳西-伊斯曼过程 

摘      要：提出一种基于递归稀疏主成分分析(recursive sparse principal component analysis,RSPCA)的工业过程故障监测与诊断方法,可用于时变工业过程的自适应故障监测与诊断.通过引入弹性回归网,将主成分问题转化为Lasso与Ridge结合的凸优化问题,采用秩-1矩阵修正对协方差矩阵进行递归分解,递归更新稀疏载荷矩阵和监测统计量的过程控制限,以实现连续工业过程长时间自适应故障监测,对检测出来的故障通过贡献图法实现对故障的诊断.在田纳西-伊斯曼(TE)过程进行实验验证,结果表明,与传统的故障监测方法相比,所提出的方法有效降低了故障漏检率和误报率,且时间复杂度低,确保了故障监测的灵敏度和实时性.