基于加權(quán)統(tǒng)計(jì)特征KICA的故障檢測(cè)與診斷方法

張成，潘立志，李元

（1 沈陽(yáng)化工大學(xué)理學(xué)院，遼寧 沈陽(yáng) 110142； 2 沈陽(yáng)化工大學(xué)技術(shù)過(guò)程故障診斷與安全性研究中心，遼寧 沈陽(yáng) 110142）

引 言

隨著工業(yè)過(guò)程逐漸趨于復(fù)雜，許多工廠對(duì)生產(chǎn)安全和產(chǎn)品質(zhì)量提出了更高的要求。為了確保工廠安全、提高產(chǎn)品質(zhì)量，在線檢測(cè)與診斷技術(shù)得到快速發(fā)展。近年來(lái)，多變量統(tǒng)計(jì)過(guò)程監(jiān)控(multivariate statistical process monitoring, MSPM)方法被提出并被廣泛用于復(fù)雜工業(yè)過(guò)程故障診斷領(lǐng)域[1-3]。

由于工業(yè)測(cè)量中變量個(gè)數(shù)和被記錄次數(shù)的增加，為了完成過(guò)程監(jiān)控，需要直接從大量數(shù)據(jù)中提取和定義統(tǒng)計(jì)數(shù)據(jù)的重要特征。目前，針對(duì)多變量監(jiān)控問(wèn)題，主元分析(principal component analysis,PCA)和獨(dú)立元分析(independent component analysis,ICA)在線性過(guò)程監(jiān)控中得到了成功的應(yīng)用[4-10]，但是在非線性過(guò)程中PCA 和ICA 的監(jiān)控性能受到制約。為了有效監(jiān)控非線性過(guò)程，基于核主元分析(kernel PCA,KPCA)和核獨(dú)立元分析(kernel ICA,KICA)的多元統(tǒng)計(jì)過(guò)程監(jiān)控方法被廣泛應(yīng)用于工業(yè)過(guò)程[11-14]。雖然上述方法在過(guò)程監(jiān)控中可以識(shí)別特征顯著的故障，但是當(dāng)存在幅值小或者變化慢的故障時(shí)，上述方法的監(jiān)控性能較差。由于工業(yè)過(guò)程存在幅值小、變化緩慢的故障并且往往表現(xiàn)為早期的微小故障，因此研究微小故障檢測(cè)方法對(duì)過(guò)程監(jiān)控有著重要的意義。

目前國(guó)內(nèi)外有很多關(guān)于微小故障檢測(cè)方法的研究[15-22]，其中基于信號(hào)處理的方法是一種常見(jiàn)的微小故障檢測(cè)方法[17-18]，例如，基于小波變分法[19]和經(jīng)驗(yàn)?zāi)B(tài)分解法[20]的信號(hào)特征處理已經(jīng)在許多應(yīng)用中得到了成功推廣。在微小故障中非高斯隨機(jī)項(xiàng)的影響更為明顯[21]，為了處理非高斯數(shù)據(jù)中微小故障的問(wèn)題，基于ICA 與小波變換的微小故障檢測(cè)方法被應(yīng)用并取得良好的效果[22]。由于傳統(tǒng)工業(yè)過(guò)程中的方法對(duì)非線性過(guò)程的監(jiān)控性能較差，因此，為了解決非線性過(guò)程故障檢測(cè)問(wèn)題，基于KICA 的監(jiān)控方法被應(yīng)用于過(guò)程監(jiān)控。雖然KICA 在非線性過(guò)程監(jiān)控中可以識(shí)別特征顯著的故障，但是當(dāng)非線性動(dòng)態(tài)過(guò)程發(fā)生微小故障時(shí)，KICA的監(jiān)控性能較差。

針對(duì)KICA 在非線性動(dòng)態(tài)過(guò)程中對(duì)微小故障檢測(cè)率低的問(wèn)題，本文提出一種基于加權(quán)統(tǒng)計(jì)特征KICA(weighted statistical feature KICA, WSFKICA)的故障檢測(cè)與診斷方法。其基本思想如下：首先，利用KICA 捕獲到獨(dú)立元數(shù)據(jù)和殘差數(shù)據(jù)；然后，在獨(dú)立元空間和殘差空間中通過(guò)加權(quán)統(tǒng)計(jì)特征獲取改進(jìn)統(tǒng)計(jì)特征數(shù)據(jù)集，并由此數(shù)據(jù)集構(gòu)建統(tǒng)計(jì)量進(jìn)行故障檢測(cè)；最后，利用基于變量貢獻(xiàn)圖的方法進(jìn)行過(guò)程故障診斷。

1 核獨(dú)立元分析

假設(shè)s=[s1…sn]Τ是包含n個(gè)獨(dú)立源信號(hào)的隨機(jī)向量，Al×n為混合矩陣，x=[x1…xl]Τ為包含l個(gè)觀測(cè)信號(hào)的隨機(jī)向量(l>n)，滿足關(guān)系式：

x=As(1)

ICA 能夠從觀測(cè)信號(hào)Xl×m(l是變量個(gè)數(shù)，m是樣本個(gè)數(shù))估計(jì)出混合矩陣A和獨(dú)立成分S[9]。

由于ICA本質(zhì)上是一種線性變換方法，因此，為了使ICA 能夠處理非線性問(wèn)題，衍生出了KICA 方法。在KICA 中將xi?Rl×1通過(guò)非線性映射φ映射到高維空間，記高維空間數(shù)據(jù)集為P=[φ(x1) …φ(xm) ]。P的協(xié)方差矩陣如式(2)所示：

2 基于加權(quán)統(tǒng)計(jì)特征KICA 的故障檢測(cè)與診斷方法

2.1 局部方法

局部方法由Basseville 提出[23]，是一種新的突變檢測(cè)方法，該方法監(jiān)視描述系統(tǒng)行為的函數(shù)模型參數(shù)的變化。參數(shù)偏離可以通過(guò)高斯概率密度函數(shù)的均值變化來(lái)識(shí)別。局部方法能夠?qū)跔顟B(tài)維護(hù)中的機(jī)載早期微小故障進(jìn)行檢測(cè)，它特別適用于組件故障。局部方法的目的是將關(guān)于參數(shù)化隨機(jī)過(guò)程的復(fù)雜檢測(cè)問(wèn)題轉(zhuǎn)化為高斯向量均值監(jiān)控的普遍問(wèn)題。將局部方法分別引入到PCA 和KPCA 提出了統(tǒng)計(jì)局部 PCA(statistical local principal component analysis, SLPCA) 和統(tǒng)計(jì)局部KPCA(statistical local kernel principal component analysis,SLKPCA),并在過(guò)程監(jiān)控中得到了成功的應(yīng)用[24-25]。令θ和θ0作為表示過(guò)程異常和正常行為的參數(shù)，采用局部方法，異常參數(shù)可表示為式(6)：

在PCA 過(guò)程監(jiān)控中應(yīng)用局部方法后構(gòu)造的主要?dú)埐詈瘮?shù)[24]如式(10)所示：

其中,ti表示得分矩陣中第i個(gè)樣本；λk表示第k個(gè)得分的方差。

2.2 基于加權(quán)統(tǒng)計(jì)特征KICA 的故障檢測(cè)與診斷方法

KICA 的統(tǒng)計(jì)量的計(jì)算公式如式(5)所示，從中可以看出兩個(gè)統(tǒng)計(jì)量計(jì)算的分別是獨(dú)立元空間和殘差空間中樣本到原點(diǎn)的距離。當(dāng)工業(yè)過(guò)程中存在的故障信息不顯著或者故障尺度較小時(shí)，故障信息與正常信息會(huì)出現(xiàn)大部分的交叉，此時(shí)根據(jù)式(5)無(wú)法檢測(cè)到明顯的故障信息。接下來(lái)通過(guò)修改文獻(xiàn)[26]中的非線性動(dòng)態(tài)數(shù)值例子驗(yàn)證KICA 捕獲的獨(dú)立元中微小故障信息與正常信息的交叉部分不能被輕易發(fā)現(xiàn)。例子模型如式(11)所示：

其中，wi(t)為-2 到2 上均勻分布的隨機(jī)數(shù)；oi(t)是均值為0、方差為0.1 的高斯白噪聲隨機(jī)數(shù)；非線性函數(shù)f(u(t))定義為f(u(t)) =[u1(t)2u2(t)2]Τ。

首先根據(jù)式(11)產(chǎn)生一組包含1000個(gè)正常樣本的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，然后生成另一組包含1000個(gè)樣本的數(shù)據(jù)作為測(cè)試數(shù)據(jù)，測(cè)試數(shù)據(jù)中前500 個(gè)樣本為正常樣本作為校驗(yàn)數(shù)據(jù)，后500 個(gè)樣本則在變量w1上添加幅值為2的階躍故障作為故障數(shù)據(jù)。本模型對(duì)輸出y進(jìn)行監(jiān)控。經(jīng)典的PCA 方法用于KICA白化過(guò)程時(shí)將高維空間降至9維。按照文獻(xiàn)[27]負(fù)熵規(guī)則，KICA 選取的獨(dú)立元個(gè)數(shù)為2。圖1 為獨(dú)立元變量，從中可以看出：在500樣本之后測(cè)試與訓(xùn)練的數(shù)據(jù)始終交叉在一起，進(jìn)一步可以推斷出故障信息無(wú)法通過(guò)統(tǒng)計(jì)量識(shí)別。殘差空間的分析與獨(dú)立元空間類似，當(dāng)存在微小故障時(shí)無(wú)法識(shí)別出交叉部分故障。綜上所述，當(dāng)非線性動(dòng)態(tài)過(guò)程中潛隱變量發(fā)生微小故障時(shí)，故障信息與正常信息出現(xiàn)大部分交叉，此時(shí)故障不容易被完全捕獲。

圖1 KICA獨(dú)立元Fig.1 Independent component using KICA

基于上述分析，本文提出了一種基于加權(quán)統(tǒng)計(jì)特征KICA 的故障檢測(cè)與診斷方法，以提高非線性動(dòng)態(tài)過(guò)程中對(duì)微小故障的監(jiān)控能力。

通過(guò)觀察在PCA 以及KPCA 中應(yīng)用局部方法的過(guò)程，可以發(fā)現(xiàn)構(gòu)造的殘差函數(shù)是由得分平方之后的數(shù)據(jù)減去得分的方差。由于原始數(shù)據(jù)已經(jīng)進(jìn)行了標(biāo)準(zhǔn)化處理，因此也可以看作是對(duì)得分平方之后的數(shù)據(jù)進(jìn)行了中心化處理。本文將局部方法中殘差函數(shù)的思想應(yīng)用到KICA 的獨(dú)立元以及殘差中。加權(quán)統(tǒng)計(jì)特征的作用實(shí)際上是通過(guò)構(gòu)造殘差函數(shù)作為數(shù)據(jù)的統(tǒng)計(jì)特征，然后在統(tǒng)計(jì)特征上考慮權(quán)重的思想，進(jìn)一步使得微小故障可以偏離出正常數(shù)據(jù)，從而可以比較容易識(shí)別出故障信息。

假設(shè)使用KICA 計(jì)算得到獨(dú)立元數(shù)據(jù)集為Sd×m(d表示獨(dú)立元個(gè)數(shù)，m表示樣本個(gè)數(shù))，則可以在獨(dú)立元空間中構(gòu)造統(tǒng)計(jì)特征如式(12)所示：

本文故障診斷過(guò)程包含三部分：離線建模、在線檢測(cè)和故障診斷，具體流程如圖2所示。

圖2 WSFKICA流程示意圖Fig.2 Flow diagram of WSFKICA

(1)離線建模

第一步：對(duì)采集的訓(xùn)練數(shù)據(jù)集X進(jìn)行標(biāo)準(zhǔn)化。

第二步：根據(jù)KICA得到訓(xùn)練數(shù)據(jù)集X的獨(dú)立元數(shù)據(jù)集Sx和殘差數(shù)據(jù)集Ex。

第三步：由Sx和Ex通過(guò)式(12)～式(17)計(jì)算得到改進(jìn)統(tǒng)計(jì)特征數(shù)據(jù)集Rˉs和Rˉe。

第四步：根據(jù)式(18)計(jì)算Rˉs的統(tǒng)計(jì)值R 和Rˉe的統(tǒng)計(jì)值H，使用核密度估計(jì)方法確定R 和H 的控制限分別為RUCL和HUCL。

(2)在線檢測(cè)

第一步：對(duì)測(cè)試數(shù)據(jù)集F應(yīng)用訓(xùn)練數(shù)據(jù)的均值和方差進(jìn)行標(biāo)準(zhǔn)化。

第二步：根據(jù)KICA得到測(cè)試數(shù)據(jù)集F的獨(dú)立元數(shù)據(jù)集Sf和殘差數(shù)據(jù)集Ef。

第三步：由Sf和Ef通過(guò)式(12)～式(17)計(jì)算得到改進(jìn)統(tǒng)計(jì)特征數(shù)據(jù)集Rˉst和Rˉet。

第四步：通過(guò)式(18)確定rˉ的統(tǒng)計(jì)值R和H。

第五步：若R>RUCL或者H>HUCL，則rˉ為故障樣本，否則，rˉ為正常樣本。

(3)故障診斷

需要說(shuō)明的是：WSFKICA 方法在KICA 的基礎(chǔ)上利用加權(quán)統(tǒng)計(jì)特征，提高了非線性動(dòng)態(tài)過(guò)程中微小故障的檢測(cè)率，但是WSFKICA 不是簡(jiǎn)單的KICA和統(tǒng)計(jì)特征的結(jié)合。WSFKICA 還考慮了加權(quán)策略，在保證正常樣本權(quán)重是1的前提下使得較小的故障得到放大，進(jìn)而可以識(shí)別出微小故障的樣本。同時(shí)，給出了基于貢獻(xiàn)圖的故障診斷策略，該策略解決了無(wú)法通過(guò)控制圖找出故障原因的問(wèn)題。

3 仿真實(shí)驗(yàn)

3.1 數(shù)值例子

本節(jié)通過(guò)式(11)數(shù)值例子以及2.2 節(jié)的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)對(duì)本文方法的有效性進(jìn)行驗(yàn)證。采用其他文獻(xiàn)的方法，如ICA、KICA、KPCA、SLKPCA對(duì)此非線性動(dòng)態(tài)過(guò)程例子進(jìn)行仿真實(shí)驗(yàn)，并與WSFKICA 的結(jié)果比較分析。該例子中ICA 和KICA按照負(fù)熵規(guī)則選取兩個(gè)獨(dú)立元；KPCA和SLKPCA按照95%主元貢獻(xiàn)度選取3個(gè)主元。使用兩組正常數(shù)據(jù)，一組用于模型的建立，另一組用于對(duì)權(quán)重系數(shù)中參數(shù)β進(jìn)行交叉驗(yàn)證，將兩個(gè)統(tǒng)計(jì)量的校驗(yàn)準(zhǔn)確率求均值，驗(yàn)證結(jié)果如表1 所示。從表中可以看出β= 4 時(shí)有最好的校驗(yàn)結(jié)果，因此β選取為4。對(duì)該數(shù)值例子在不同窗口寬度下訓(xùn)練的模型進(jìn)行交叉驗(yàn)證并確定窗寬選取為62。

表1 參數(shù)β 取不同值時(shí)的校驗(yàn)準(zhǔn)確率Table 1 Validation accuracy at different parameter β

采用ICA 對(duì)此數(shù)值例子進(jìn)行故障檢測(cè)時(shí)，ICA計(jì)算得到的獨(dú)立元變量如圖3 所示。從圖3 中可以看出，500 樣本之后測(cè)試數(shù)據(jù)和訓(xùn)練數(shù)據(jù)交叉在一起，導(dǎo)致ICA 統(tǒng)計(jì)量I2無(wú)法識(shí)別出故障，同理可知?dú)埐羁臻g也檢測(cè)不出故障數(shù)據(jù)，故ICA 的監(jiān)控指標(biāo)I2和SPE無(wú)法檢測(cè)出故障，檢測(cè)結(jié)果如圖4所示。

圖3 ICA獨(dú)立元Fig.3 ICA independent component

圖4 ICA故障檢測(cè)結(jié)果Fig.4 Fault detection results using ICA

采用KICA 對(duì)此數(shù)值例子進(jìn)行故障檢測(cè)時(shí)，根據(jù)2.2 節(jié)分析可知當(dāng)潛隱變量存在微小故障時(shí)，故障信息與正常信息混在一起無(wú)法區(qū)分。KICA 獨(dú)立元樣本點(diǎn)分布如圖5所示，從中可以看出KICA 控制限無(wú)法區(qū)分故障樣本，故KICA 的監(jiān)控指標(biāo)I2和SPE故障檢測(cè)率較低，檢測(cè)結(jié)果如圖6所示。

圖5 KICA獨(dú)立元空間中樣本Fig.5 Samples in independent component space by KICA

圖6 KICA故障檢測(cè)結(jié)果Fig.6 Fault detection results using KICA

使用KPCA 對(duì)該數(shù)值例子進(jìn)行故障檢測(cè)時(shí)，雖然KPCA 可以處理非線性過(guò)程，但是其對(duì)微小故障檢測(cè)性能較差。圖7 表示KPCA 在主元空間上的樣本點(diǎn)分布情況，從中可以看出故障數(shù)據(jù)都在控制限內(nèi)部，進(jìn)一步可以得出主元空間檢測(cè)不出故障信息。所以KPCA 監(jiān)控指標(biāo)T2和SPE 故障檢測(cè)率較低，如圖8所示。

圖7 KPCA主元空間樣本Fig.7 Samples of principal component space in KPCA

圖8 KPCA故障檢測(cè)結(jié)果Fig.8 Fault detection results using KPCA

SLKPCA 最初是為了處理非線性過(guò)程中KPCA不滿足高斯性的問(wèn)題[25]。使用SLKPCA 對(duì)該數(shù)值例子進(jìn)行故障檢測(cè)時(shí)，雖然SLKPCA 對(duì)微小故障檢測(cè)表現(xiàn)出很大的優(yōu)勢(shì)，但是其對(duì)數(shù)據(jù)同樣要求盡可能服從高斯分布，當(dāng)數(shù)據(jù)不滿足高斯分布時(shí)，其檢測(cè)性能受到制約。由于本例中數(shù)據(jù)是非高斯數(shù)據(jù)，因此使用SLKPCA 進(jìn)行故障檢測(cè)時(shí)有部分故障無(wú)法被有效識(shí)別。故SLKPCA的監(jiān)控指標(biāo)T2和SPE故障檢測(cè)率較低，如圖9所示。

圖9 SLKPCA故障檢測(cè)結(jié)果Fig.9 Fault detection results using SLKPCA

使用WSFKICA 對(duì)該例子進(jìn)行故障檢測(cè)時(shí)，根據(jù)2.2 節(jié)分析可知該方法通過(guò)統(tǒng)計(jì)特征和權(quán)重系數(shù)的方法使得故障信息放大，從而可以在KICA 捕獲到潛隱變量的基礎(chǔ)上容易檢測(cè)出微小故障信息。本文方法獨(dú)立元空間的樣本點(diǎn)如圖10所示，從中可以看出控制限可以有效識(shí)別出故障樣本，故本文方法能夠有效地處理非線性動(dòng)態(tài)過(guò)程中潛隱變量含有微小故障的情況。對(duì)該例子的故障檢測(cè)結(jié)果如圖11所示。

圖10 WSFKICA特征數(shù)據(jù)中樣本Fig.10 Samples in feature data using WSFKICA

圖11 WSFKICA故障檢測(cè)結(jié)果Fig.11 Fault detection results using WSFKICA

采用式(19)進(jìn)行故障診斷時(shí)，統(tǒng)計(jì)量R 和H 的貢獻(xiàn)值如圖12所示，從中可知R和H均表現(xiàn)出變量2貢獻(xiàn)值最大，即主要是由變量2引起的故障。通過(guò)分析可以發(fā)現(xiàn)該數(shù)值例子中變量w1上的故障經(jīng)過(guò)式(11)運(yùn)算后在輸出變量y2上體現(xiàn)最明顯，由圖13可以看出監(jiān)控變量y1、y2、y3的變化趨勢(shì)。由于測(cè)試數(shù)據(jù)中的故障是在500 樣本之后添加到w1上的，因此通過(guò)圖13 可以看出測(cè)試數(shù)據(jù)中前500 個(gè)校驗(yàn)數(shù)據(jù)與正常數(shù)據(jù)的變化趨勢(shì)是相同的，而500 之后的故障數(shù)據(jù)變量有小幅度的偏離，且偏離程度的大小順序?yàn)椋簓2>y1>y3。故可以得出故障主要是由變量y2引起的，這與診斷的結(jié)果一致。

圖12 監(jiān)控變量貢獻(xiàn)圖Fig.12 Contribution charts of monitored variables

圖13 監(jiān)控變量Fig.13 Monitoring variable

上述5 種方法的故障檢測(cè)率的對(duì)比結(jié)果如表2所示，從中可以看出WSFKICA具有最高的檢測(cè)率。

表2 數(shù)值例子中各方法的故障檢測(cè)率Table 2 Fault detection rates of each method in simulated case

3.2 Tennessee Eastman仿真過(guò)程

Downs和Vogel[31]設(shè)計(jì)的(Tennessee Eastman,TE)基準(zhǔn)程序，目前已經(jīng)被廣泛應(yīng)用于過(guò)程監(jiān)控中，此過(guò)程包括五個(gè)主要的轉(zhuǎn)換單元：反應(yīng)器、冷凝器、循環(huán)壓縮機(jī)、氣液分離器和解吸塔，如圖14所示。

圖14 TE過(guò)程流程Fig.14 Layout of TE processes

本節(jié)中仿真數(shù)據(jù)均由TE 仿真器運(yùn)行生成[32]。TE 仿真器共有六個(gè)模態(tài)，本節(jié)中選擇模態(tài)1 作為數(shù)據(jù)生成器，共生成28 組數(shù)據(jù)。將TE 仿真器中時(shí)間參數(shù)設(shè)置為10 h，采樣周期為0.01 h。測(cè)試數(shù)據(jù)中前3 h生成的300個(gè)樣本為正常數(shù)據(jù)作為校驗(yàn)數(shù)據(jù)，后7 h 生成的700 個(gè)樣本是故障數(shù)據(jù)。TE 過(guò)程共包含53個(gè)變量，由于生成的數(shù)據(jù)中有三個(gè)控制變量在整個(gè)過(guò)程中恒定不變選擇舍去，故保留有50個(gè)變量。

使用TE 仿真過(guò)程進(jìn)行驗(yàn)證時(shí)，本節(jié)中ICA 選取2 個(gè)獨(dú)立元；KICA 使用PCA 白化時(shí)將高維降至77 維，從中選取2 個(gè)獨(dú)立元；KPCA 按照95%主元貢獻(xiàn)率選取77 個(gè)主元。表3 給出了各組測(cè)試數(shù)據(jù)使用ICA、KICA、KPCA 和WSFKICA 方法故障檢測(cè)結(jié)果，由于第六組數(shù)據(jù)樣本缺失，因此該組數(shù)據(jù)不做測(cè)試。以第27 組測(cè)試數(shù)據(jù)為例，使用四種方法的檢測(cè)結(jié)果分別如圖15～圖18 所示。對(duì)比四種方法的檢測(cè)結(jié)果，可以看出本文方法能夠快速準(zhǔn)確判斷出故障27 的發(fā)生，并且本文方法的故障檢測(cè)率最高。采用式(19)對(duì)562 時(shí)刻進(jìn)行故障診斷，由統(tǒng)計(jì)量R 和H 診斷結(jié)果如圖19 所示。由圖可知變量9、49 貢獻(xiàn)較高，所以故障27 主要是由變量9、49 引起的。圖20 中反應(yīng)堆溫度和反應(yīng)堆冷卻水流量分別對(duì)應(yīng)變量9 和49，從中可以看出在300樣本之后出現(xiàn)了大幅度的震蕩，這與診斷結(jié)果一致。

圖15 ICA故障檢測(cè)結(jié)果Fig.15 Fault detection results using ICA

圖16 KICA故障檢測(cè)結(jié)果Fig.16 Fault detection results using KICA

圖17 KPCA故障檢測(cè)結(jié)果Fig.17 Fault detection results using KPCA

圖18 WSFKICA故障檢測(cè)結(jié)果Fig.18 Fault detection results using WSFKICA

圖19 故障27貢獻(xiàn)圖Fig.19 Contribution chart of Fault 27

圖20 反應(yīng)堆溫度和反應(yīng)堆冷卻水流量Fig.20 Reactor temperature and reactor cooling water flow

表3 TE過(guò)程中各方法的故障檢測(cè)率Table 3 Fault detection rates of each method in TE process

經(jīng)過(guò)上述分析可知，本文提出的WSFKICA 具有更高的檢測(cè)率。同時(shí)，本節(jié)給出了故障10的故障診斷結(jié)果如圖21 所示，從中可以發(fā)現(xiàn)故障10 主要是由變量18和48引起的。圖22中汽提塔溫度和汽提液產(chǎn)品流分別對(duì)應(yīng)變量18 和48，與文獻(xiàn)[29]中所述的故障類型一致，驗(yàn)證了本文所提診斷方法可以發(fā)現(xiàn)引起故障的原因。

圖21 故障10貢獻(xiàn)圖Fig.21 Contribution chart of Fault 10

圖22 汽提塔溫度和汽提液產(chǎn)品流Fig.22 Stripper temperature and stripper liquid product flow

4 結(jié) 論

針對(duì)KICA 在非線性動(dòng)態(tài)過(guò)程中對(duì)微小故障檢測(cè)率低的問(wèn)題，提出了一種基于WSFKICA 的微小故障檢測(cè)與診斷方法。該方法通過(guò)KICA 與加權(quán)統(tǒng)計(jì)特征相結(jié)合，能夠有效處理非線性動(dòng)態(tài)過(guò)程中存在微小故障的情況。另外，給出了基于變量貢獻(xiàn)圖的故障診斷策略，解決了無(wú)法通過(guò)統(tǒng)計(jì)量獲取故障發(fā)生位置的問(wèn)題。本文通過(guò)數(shù)值例子和TE 過(guò)程驗(yàn)證了本文方法在故障檢測(cè)與診斷中具有更好的表現(xiàn)，同時(shí)，對(duì)非線性動(dòng)態(tài)過(guò)程發(fā)生微小故障的情況具有一定的指導(dǎo)意義。