识别共线性传感器故障创新策略

　　1 引言

　　传感器是控制系统中非常关键的元件，一旦出现故障将直接影响控制系统的决策，甚至会带来一定的危险，所以传感器的故障检测与诊断研究很有必要。主成分分析法(pca)是一种比较古老的多元数据分析工具，早在1901年pearson就提出了这一方法[1]。该方法利用降维的思想，把多个指标转化为几个综合指标。但是直到20世纪90年代中期这种研究方法才开始引入到故障诊断研究领域。macgregor首先将主成分分析法应用到工业生产的过程监控，而 pranatyasto将其应用到流体催化裂化系统的闭环控制系统等[2]。文献[3]对主成分分析法的数学原理，诊断过程进行了详细的介绍。但是随着 pca方法的广泛应用与研究的深入，传统的pca方法的一些不足逐渐显露了出来，为此研究者在不断的改进传统的pca方法。mohanmed- faouzi harkat提出了一种改进的故障检测指标(di)来代替了传统pca方法的spe故障检测指标[4],麦坚忍，陈友明针对传统的pca方法无法识别出具 有共线性关系的传感器故障提出了使用小波分析法来分离具有共线性关系的传感器故障[5]。但是由于小波自身的时间滞后特性，使得这种方法不能用在故障的在 线实时诊断方面。本文提出了一种能够在线实时识别具有共线性关系的传感器故障的新方法。文章的第一部分分析了传统的pca识别方法失效的原因;第二部分提 出新的故障识别方法;第三部分在变风量系统中验证新的故障识别方法;第四部分将提出的新的故障识别方法加入到传统的pca方法中，给出了改进的pca算 法。

　　2 主成分分析法故障识别失效及原因

　　主成分分析法(pca)使用平方预测误差指标(spe)来检测是否有传感器发生故障，该指标对故障具有很高的灵敏度[4]。当使用spe检测到有传感器发 生故障的时候，需要判断具体是那个传感器发生故障，即故障的识别。故障的识别是故障诊断中一个非常关键的内容。传统的pca方法使用故障识别指标 (svi)来判断发生故障的传感器。如果某个传感器的svi值接近于0，那就表明该传感器发生了故障。经过一系列的试验研究表明：使用pca方法对系统中 的一般传感器有较好的故障检测、故障识别能力[3]。但是它却不能识别出系统中具有共线性关系的传感器故障。

　　变风量空调系统(vav)是一种通过改变送风量来调节室内温湿度的空调系统。它具有灵活性好，节约能源等特点，逐渐成为空调发展的趋势。图1所示的是一个 双管道的vav系统，vav系统的工作流程是：先通过新风管道采集新风，并测量其流量，温度和湿度，在对新风进行一些处理后，将新风送入送风管道，在送风管道通过送风机将风送入房间内，在送风管道内需要测量送风流量，送风的温度、湿度，和管道内的静压。当风从房间内出来的时候一部分将进入回风管道，另一部 分进入排风管道排出，在回风管道内将测量回风的温度、湿度和回风流量，从回风管道出来的风将循环利用送入送风管道。