《表1 数值过程的故障检测率》
同样采集上述两类故障工况下的样本数据各1 000个,其中前200个样本数据处理工况正常运行状态下,故障工况从第201个采样点后引入。表1中详细统计了三种动态过程监测方法的故障检测率,其中case 0表示正常工况下的运行状态。从表1中可以看出,三种方法针对正常工况下的采样数据实施监测时,都能很好地将误报率控制在置信限α=99%左右。此外,针对人为引入的两个故障工况,在case 1中DPCA-IM相较于其他两种模型,其故障检测率至少提高了15%。在case 2中DPCA-IM的故障检测效果有进一步的提高,比其他两种动态过程监测模型提高了35%左右。这是因为基于DPCA-IM算法为各个过程变量逐个实施自相关性剔除,相应的估计误差中不再存在显著的自相关特性。如图2所示,估计误差矩阵E中各估计误差的自相关性示意图(以前六个过程变量为例)验证了DPCA-IM算法能够直接剔除采样数据间的时序自相关性,从而使估计误差中不再显著地存在自相关性。
图表编号 | XD00198122500 严禁用于非法目的 |
---|---|
绘制时间 | 2021.01.05 |
作者 | 孟生军、童楚东 |
绘制单位 | 宁波大学信息科学与工程学院、宁波大学信息科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |