基于PCA与统计学的工业过程故障检测仿真系统

资 源 简 介

本项目是一个完整的MATLAB故障检测仿真系统，旨在通过数据驱动的方法模拟和检测动态系统中的异常状态。该程序首先构建了一个模拟的数据生成器，能够产生包含多变量传感器的正常运行数据以及带有不同类型故障（如阶跃故障、线性漂移故障、传感器精度下降等）的测试数据。核心算法基于多元统计过程控制（MSPC）理论，具体采用了主成分分析（PCA）技术对高维数据进行降维处理，建立正常工况的统计模型。系统计算两个关键的监控统计量：Hotelling T2统计量（用于监测主元空间的变化）和平方预测误差SPE/Q统计量（用于监测残差空间的变化）。程序会自动根据核密度估计或高斯分布假设计算出95%和99%的置信上限（控制限）。在仿真运行过程中，该程序将实时输入测试数据，动态绘制T2和SPE控制图，一旦统计值超过控制限即触发报警。此外，代码还包含故障重构与定位的基本功能，通过贡献图（Contribution Plots）分析导致故障的主要变量。该项目代码结构清晰，注释详细，非常适合用于学习过程监控、异常检测算法以及MATLAB数据可视化技术。

详 情 说 明

基于统计学方法的工业过程故障检测与仿真平台

项目介绍

本项目是一个基于MATLAB开发的工业过程故障检测与仿真系统。该平台采用多元统计过程控制（MSPC）理论，通过数据驱动的方式模拟动态工业过程，能够生成正常工况数据及包含多种故障类型的测试数据。核心算法利用主成分分析（PCA）对高维过程变量进行降维，建立统计监控模型，并通过Hotelling $T^2$和平方预测误差（SPE/Q）统计量实时监测系统状态。

项目不仅实现了基础的故障检测报警功能，还包含了性能评估指标计算（误报率和检测率）以及基于贡献图的故障诊断功能，是一个完整的从数据生成到故障定位的仿真教学与研究平台。

功能特性

• 动态工业过程仿真：基于AR(1)模型构建潜在变量，模拟具有自相关性的动态工业过程，支持自定义噪声水平。
• 多类型故障模拟：内置三种典型工业故障生成机制：

* 阶跃故障（变量偏移） * 线性漂移故障（渐变） * 传感器精度下降（噪声增大）

• PCA统计建模：基于SVD算法实现主成分分析，自动根据累积方差贡献率（>85%）确定主元个数。
• 自适应控制限计算：

* $T^2$统计量：基于F分布计算控制限。 * SPE(Q)统计量：基于Jackson-Mudholkar近似算法计算控制限。 * 支持95%和99%双重置信水平。

• 实时在线监测：模拟在线数据流，实时计算监控统计量并与控制限对比。
• 性能量化评估：自动计算系统的误报率（FAR）和故障检测率（FDR）。
• 故障诊断与定位：集成贡献图（Contribution Plots）算法，能够自动定位导致故障的关键变量。
• 全方位可视化：提供原始数据趋势图、$T^2$控制图、SPE控制图及故障贡献图的综合展示窗口。

系统要求

• MATLAB R2016a 及以上版本
• Statistics and Machine Learning Toolbox（用于部分统计函数如finv, norminv等）

程序实现逻辑与算法细节

该项目完全在一个主程序脚本中实现，通过模块化的子函数分别处理数据生成、模型训练、监测与可视化。

1. 系统配置与数据生成

程序首先定义全局系统参数，包括训练/测试样本数、变量维度（8维）、潜在变量数（3维）以及故障注入的具体参数。

• 数据模型：采用 $X = T times P^T + E$ 的结构。潜在变量 $T$ 通过一阶自回归过程（AR(1)）生成，以模拟真实的工业动态特性。
• 故障注入：根据配置的故障类型（默认为阶跃故障），在指定的故障起始时刻（第200个采样点）后修改特定变量的数据特征。

2. 模型训练 (PCA)

• 预处理：对训练数据执行Z-Score标准化（均值为0，方差为1）。
• 降维算法：使用奇异值分解（SVD）求解特征值和负荷矩阵。
• 主元选择：程序计算累积方差贡献率，自动截取累积贡献超过85%的前 $k$ 个主元建立模型。

3. 控制限设定

程序严格遵循统计学理论计算阈值：

• $T^2$ 限值：利用自由度为 $k$ 和 $n-k$ 的F分布逆函数计算。
• SPE (Q) 限值：利用残差空间的特征值，通过矩估计（Jackson-Mudholkar近似）计算不服从正态分布的残差平方和的阈值。

4. 在线检测流程

• 标准化：使用训练集的均值（$mu$）和标准差（$sigma$）对新的测试数据进行标准化。
• 投影与重构：将数据投影到主元空间得到得分矩阵 $T$，再反向重构得到 $hat{X}$，从而计算残差矩阵 $E$。
• 统计量计算：

* $T^2$：衡量样本在主元模型内部的偏离程度（马氏距离）。 * $SPE (Q)$：衡量样本在残差空间（模型未解释部分）的偏离程度（欧氏距离平方）。

5. 故障诊断

当检测到故障后，程序会自动选取测试集中 $SPE$ 统计量最大的时刻进行深入分析。

• 贡献图：计算该时刻各变量对统计量的贡献值。对于SPE，使用残差平方 $e_i^2$ 作为指标。通过柱状图展示，贡献值最高的变量即为导致故障的主要原因。

6. 结果可视化

程序最后会生成一个包含四个子图的综合窗口：

1. 原始数据概览：展示部分关键变量的波形，并标记故障引入线。
2. $T^2$ 控制图：绘制统计值曲线及95%、99%两条控制限。
3. SPE (Q) 控制图：同上，用于监测残差变化。
4. 贡献图：针对最大故障时刻的变量贡献分析，辅助定位故障源。

使用方法

直接运行主脚本即可启动仿真。程序将自动执行以下步骤：

1. 初始化参数并生成模拟数据。
2. 输出PCA建模过程中的主元保留情况。
3. 处理测试数据并打印性能评估指标（FAR和FDR）。
4. 弹出图形窗口展示检测曲线和诊断结果。

用户可以通过修改代码顶部的 SysConfig 结构体来调整仿真参数：

• 修改 SysConfig.faultType 可切换故障类型（1=阶跃，2=漂移，3=精度下降）。
• 修改 SysConfig.nVar 或 SysConfig.nLatent 可调整系统规模。
• 修改 SysConfig.faultStart 可调整故障发生的时刻。