计算机应用研究

作者：孟生军,童楚东,

单位：宁波大学信息科学与工程学院,浙江宁波315211；

关键词：动态主成分分析,估计误差,自相关性,缺失数据,

基金：国家自然科学基金资助项目(61773225,61803214)；；

动态主成分分析（DPCA）通过增广矩阵或向量的方式来挖掘采样数据间的时序自相关性。然而，DPCA对自相关的特征成分与残差直接实施监测是不合理的，故其故障检测效果较差。为了剔除采样数据的自相关性以提高故障检测效果，提出一种基于估计误差的动态过程监测方法。首先，通过逐个假设各个过程变量的测量数据缺失，并在已建立的DPCA模型中引入迭代方法（IM）计算得到相应变量缺失数据的估计值。由于该估计值在仅缺失一个变量数据的条件下能较大程度地逼近原测量数据，两者之差（即估计误差）不再存在显著的自相关性，而且该估计误差的变化可直接反映出采样数据变化情况的异常，所以可利用估计误差监测动态过程。最后，通过两个动态过程实例，即动态数值仿真过程与田纳西—伊斯曼（TE）标准测试平台的仿真结果表明，该方法能剔除采样数据间的自相关性，并能有效地提高故障检测效果，验证了该方法不仅可行，而且具有良好的优越性。

来源：2021年第1期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2021年第1期