基于主元分析确定多变量系统控制极限的方法

• 论文 •

基于主元分析确定多变量系统控制极限的方法

罗先喜，，苑明哲,，王宏，黄河

1.中国科学院沈阳自动化研究所信息服务与智能控制研究室，辽宁沈阳100016；2.东华理工大学机械与电子工程学院，江西南昌330013；3.中国科学院研究生院，北京100039；4.中国科学院广州沈阳自动化研究所分所，广东广州511458

出版日期:2012-10-15 发布日期:2012-10-25

Determining control limits of multivariate system based on principal component analysis

LUO Xian-xi,, YUAN Ming-zhe,, WANG Hong, HUANG He

1.Department of Information Service & Intelligent Control, Shenyang Institute of Automation, Chinese Academy of Science, Shenyang 110016, China;2.Mechanics and Electronics Engineering School,East China Institute of Technology, Nanchang 330013, China;3.Graduate School of the Chinese Academy of Sciences, Beijing 100039, China;4.Shenyang Institute of Automation, Guangzhou, Chinese Academy of Science, Guangzhou, 511458, China

Online:2012-10-15 Published:2012-10-25

摘要/Abstract

摘要： 针对存在多个稳定状态的多变量统计过程控制的控制极限问题，提出先分析系统变量的历史数据得到其经验分布，确定该变量的不同稳定状态及对应的状态域；将数据样本按不同的状态分组标准化后，分别进行主元分析，得到不同稳定状态下的Hotelling　s T2及平方预测误差SPE（Q）控制极限。用本方法和普通主元分析法对某钢铁公司局部蒸汽管网的流量数据模拟监控的效果进行对比，表明本方法由于区分不同状态，确定的Hotelling　s T2及平方预测误差SPE（Q）控制极限更精确，能有效降低漏报警和误报警的概率。

关键词: 主元分析, 多变量过程控制, 控制极限, 经验分布, 故障诊断

Abstract: Aiming at the control limits problem of Multivariate Statistical Process Control(MSPC)which had multiple stable states, Empirical Distribution Function(EDF)was obtained by analyzing historical data of system variables, and different stable states as well as corresponding state-domains of variables were determined. After standardizing data samples in different state groups, Hotelling's T2 and Squared Prediction Error(SPE)(Q)control limits in different states were obtained by using Principal Component Analysis(PCA). Through comparison with traditional PCA in flow data monitoring for a steel corporation's local steam pipe network, the proposed method was more accurate on determining Hotelling's T2 and SPE(Q)control limits. It could reduce the probability of leaking alarm or false alarm effectively.

Key words: principal component analysis, multivariate statistical process control, control limit, empirical distribution, fault diagnosis

中图分类号:

TP273

罗先喜,,，苑明哲,，王宏，黄河. 基于主元分析确定多变量系统控制极限的方法[J]. .

LUO Xian-xi,,, YUAN Ming-zhe,, WANG Hong, HUANG He. Determining control limits of multivariate system based on principal component analysis[J]. .

[1]	付松,钟诗胜,林琳,张永健. 基于迁移学习的民航发动机小样本故障诊断[J]. 计算机集成制造系统, 2021, 27(12): 3450-3461.
[2]	王欢,张春,张宁,陈耀华. 具有强泛化性的高铁逆变器开路故障诊断算法[J]. 计算机集成制造系统, 2021, 27(11): 3236-3246.
[3]	徐彦伟,蔡薇薇,颉潭成,陈立海,刘明明. 变工况下基于信息融合的地铁牵引电机轴承故障智能诊断[J]. 计算机集成制造系统, 2021, 27(11): 3247-3258.
[4]	孙晨,文龙,李新宇,高亮,丛建臣. 基于自动机器学习的不平衡故障诊断方法[J]. 计算机集成制造系统, 2021, 27(10): 2837-2847.
[5]	刘鹏程,孙林夫,张常有,王波. 基于交互注意力机制网络模型的故障文本分类[J]. 计算机集成制造系统, 2021, 27(1): 73-90.
[6]	彭成,贺婧,唐朝晖,陈青,桂卫华. 基于双维度EKNN的滚动轴承早期故障分类算法[J]. 计算机集成制造系统, 2021, 27(1): 91-102.
[7]	张文龙,胡天亮,王艳洁,魏永利. 云/边缘协同的轴承故障诊断方法[J]. 计算机集成制造系统, 2020, 26(第3): 589-599.
[8]	刘华一,鄢萍,周强,辛洋,张自凯,潘吉财. 基于语义网的机床故障诊断知识扩展方法[J]. 计算机集成制造系统, 2020, 26(第3): 609-622.
[9]	张卫贞1,曾建潮2,石慧1,董增寿1. 基于核密度估计的实时剩余寿命预测[J]. 计算机集成制造系统, 2020, 26(7): 1794-1801.
[10]	辜振谱,刘晓波,韩子东,洪连环. 基于改进密度峰值聚类的航空发动机故障诊断[J]. 计算机集成制造系统, 2020, 26(5期): 1211-1217.
[11]	张珊珊,李方义,贾秀杰,周丽蓉,刘浩华,张传伟,孔琳. 面向变速箱磨损状态评估的灰靶模型优化[J]. 计算机集成制造系统, 2019, 25(第9): 2159-2166.
[12]	赵宏宇,沈江,安邦. 基于代价敏感方法的智能制造故障诊断[J]. 计算机集成制造系统, 2019, 25(第9): 2180-2187.
[13]	宋亚,夏唐斌,郑宇,卓鹏程,潘尔顺. 基于Autoencoder-BLSTM的涡扇发动机剩余寿命预测[J]. 计算机集成制造系统, 2019, 25(第7): 1611-1619.
[14]	马越,陈捷,洪荣晶,潘裕斌. 多传感器数据融合的风电齿轮箱性能衰退评估[J]. 计算机集成制造系统, 2019, 25(第2): 318-325.
[15]	付宇,殷逸冰,冒慧杰,左洪福,冯正兴. 基于静电监测和神经网络的航发典型故障诊断[J]. 计算机集成制造系统, 2019, 25(第11): 2852-2862.