基于自适应稀疏表示和保局投影的工业故障检测

摘要

针对工业过程中检测和储存的数据维度不断增大,传统的检测方法中存在处理速度慢、故障特征提取不明显等问题,提出了一种基于自适应稀疏表示和保局投影(Adaptive Sparse Representation and Locality Preserving Projections,ASRLPP)的故障检测方法。首先利用稀疏字典学习算法构造残差空间对数据进行特征提取,使数据的全局特征更加明显;然后在残差空间中利用保局投影(Locality Preserving Projections,LPP)算法进行降维操作,对数据进行过滤降维,保留局部特征;最后利用T~2统计量计算控制限进行监控。在检测过程中,引入自适应更新规则,将检测到的正常工况数据用于更新初始训练集,选取更加合理的训练集,动态地调整控制限,使其与所处理的故障数据特征相适应,提高故障检测效率和准确率。通过一个数值例子以及TE(Tennessee-Eastman)过程仿真验证了ASRLPP算法的有效性。