0 引言
工业锅炉长期处于高温、高压的工作环境,当运行过程中发生故障时,如果不能及时发现和处理,
极易造成重大的安全事故.工业锅炉具有非线性和强耦合的特点,特别是燃煤锅炉,其燃烧过程复杂,受
到外界因素干扰多,难以建立精确的模型对其进行有效的故障监测.与建模方法不同,基于数据驱动的方
法可以通过对数据分析、统计和挖掘获取正常状态和故障状态的特征模式,在不建立过程模型的情况下,
对运行过程进行有效的故障监测.特别是随着信息技术的发展,大量的运行数据被记录和存储,为基于数
据驱动的故障监测与诊断创造了条件.
近年来,很多学者针对复杂工业过程中的故障诊断问题进行深入研究,并提出了多种基于数据驱动
的故障诊断方法.文[1-4]分别采用多种典型数据驱动方法对单模态工业过程进行故障检测与诊断,均取得
了良好效果.针对多模态工业过程,罗静等人采用了模糊 C 均值算法进行模态划分并利用 PCA 建立相应的
监测模型
[5]
;顾炳斌,熊伟丽引入了多块信息提取思想来识别生产过程中的各种运行模态
[6]
,以提高故障
诊断效果;Guo 和 Wang 等人提出了基于概率密度的多模态过程故障检测方法
[7]
,实现了自适应模态分
离,并确立统一的模型控制限;李元等
[8]
和周东华等
[9]
人提出了基于 K 独立元分析-主元分析(K-ICA-PCA)
方法的多模态过程模态划分方法,来解决多模态识别的问题.以上研究主要是针对具有多个确定模态的多
模态过程,而且划分过程比较复杂.工业锅炉通常被认为是一个单模态过程,而随着负荷的变化体现出多
模态的特性,模态之间没有典型的过渡过程,不易进行划分,而仅用单一模型监测使得监测结果的稳健性
无法得到保证. Liu 等人提出一种将多检测模型混合监测的思想运用到洪水监控中,较好地解决了以往单一
模型监测造成的漏报和误报问题,但并未考虑两个相邻稳定工况之间的过渡区域,在工况的过渡区域,变
量的统计特性会发生较大变化,也比较容易造成误报或漏报
[10]
.
工业锅炉是一类典型的连续生产过程,负荷也是连续变化的,没有确定的模态和过渡过程.针对这类
问题,本文提出一种交叉分段 PCA 过程监测和故障诊断方法.选择特定的过程参数作为模态识别值,将过
程数据按照模态识别值进行分类,采用交叉分段的方式将连续的过程划分为多个确定模态,重叠部分定义
为过渡模态,过渡模态利用相邻模型综合判定,提高故障监测的准确性.
1 交叉分段 PCA 建模方法 1.1 PCA 建模方法
主元分析方法(PCA)是一种多元统计分析方法,在过程监测、故障检测和故障诊断等许多领域得到
广泛应用
[12-13]
. PCA 方法只依赖于数据构建模型,根据统计特征进行正交变换(K-L 变换),消除原有向量
各个分量间的相关性,剔除过程数据中的冗余信息,降低数据维数,不需要过程的机理知识,因此在复杂
工业过程故障检测中得到广泛应用
[11-15]
.
采集工业过程正常工况下的历史数据,根据实际工况情况选定模态识别值,根据模态识别值的大小
将工业过程划分为 l 个模态,构建模态样本矩阵 X
i
=[x
i1
,x
i2
,…,x
in
](i=1,2,…,l),其中 X
i
的每一行代
表一个样本,每一列代表一个测量变量.为消除每个样本变量的量纲和数量级不同的限制,对建模样本数
据标准化预处理.根据累计方差贡献率确立主元个数 k,建立 PCA 模型,如式(1)所示
[16-18]
:
评论0
最新资源