數據驅動的工業(yè)過程魯棒監(jiān)測.pdf

1、隨著工業(yè)4.0時代的到來，現(xiàn)代工業(yè)自動化系統(tǒng)不斷朝著復雜化、信息化和智能化的趨勢發(fā)展。過程監(jiān)測作為保障產品質量，過程生產安全和外部環(huán)境友好的關鍵技術，是現(xiàn)代工業(yè)系統(tǒng)不可或缺的重要組成部分。在實際過程中，過程數據，變量和系統(tǒng)本身的各種復雜因素對現(xiàn)有的數據驅動模型魯棒監(jiān)測提出了挑戰(zhàn)。數據復雜性問題指離群點、缺失值和大數據，而變量的復雜特性主要指非高斯性、動態(tài)性以及時變性。除了數據和變量的復雜性，過程系統(tǒng)本身的復雜性主要體現(xiàn)在廠級過程系統(tǒng)的大

2、規(guī)模性，并且廠級系統(tǒng)需要不斷進行局部工藝維護更新。因此系統(tǒng)復雜性問題關系到數據和變量的特性也會導致顯著的性能魯棒性問題。本文針對這些問題，在數據驅動框架下，以概率方法為主要思路，系統(tǒng)性地提出了一套對數據、變量與過程系統(tǒng)的復雜特性具有魯棒特點的統(tǒng)計過程監(jiān)測模型:
　　(1)針對產品質量預報過程中同時存在的過程變量離群點以及過程的多模態(tài)特性。提出了一種基于t分布的混合魯棒概率主元回歸方法。t分布作為高斯分布的更一般形式，其重尾特性可以

3、很好地適應過程的離群點，因而其模型魯棒性也更加優(yōu)越。進一步地，針對過程質量變量建模過程中由于難以獲取而存在的多采樣率問題，進一步地對上述方法引入了半監(jiān)督的改進機制。魯棒半監(jiān)督模型的提出可以有效改善在過程變量具有離群點以及質量變量具有多采樣率的復雜情形下的魯棒建模與質量預報問題。
　　(2)針對過程數據同時存在離群點，缺失值以及非高斯性的問題，提出了一種混合魯棒概率主元分析的建模與故障檢測方法。除了對離群點提出了一種基于t分布的概率

4、主元分析建模方法外，還針對缺失值問題提出了一種部分更新的概率建模思路，最后建立了混合t分布模型來處理過程的非高斯特性。這樣一來，過程數據的離群點，缺失值和非高斯特性都可以在所提出的魯棒概率框架下得到有效地解決。在過程監(jiān)測方面，提出了相應的統(tǒng)計量并基于貝葉斯融合方法提出了混合魯棒模型的全局統(tǒng)計指標。
　　(3)工業(yè)過程通常還同時存在著動態(tài)性問題。針對這類問題提出了兩種魯棒動態(tài)模型建模方案并分別用于過程故障檢測與故障分類。首先提出了一

5、種基于t分布的魯棒線性動態(tài)系統(tǒng)方法。在建模方面提出了一種貝葉斯建模方法對參數進行優(yōu)化;在推理方面提出了使用卡爾曼濾波來估計隱狀態(tài)空間并且推導了基于變分貝葉斯方法的參數學習方案;在過程監(jiān)測方面，提出了一種基于雙高斯混合的統(tǒng)計量構建方法，可以有效解決魯棒模型的統(tǒng)計量設計問題并應用于故障檢測。在魯棒故障分類器建模方面，提出了一種基于隱馬爾科夫模型的魯棒概率主元分析模型，將靜態(tài)的混合魯棒概率主元分析通過對隱空間的指示狀態(tài)增加一階馬爾科夫特性表示

6、成為動態(tài)形式。與傳統(tǒng)的隱馬爾科夫模型相比，魯棒性得到了提高，并且能很好地對動態(tài)過程進行故障分類。
　　(4)過程監(jiān)測統(tǒng)計模型除了對數據質量的魯棒性外，對變量的高斯/非高斯混雜情形也需要考慮模型的性能魯棒性問題。考慮到傳統(tǒng)獨立成分分析方法只是關注于數據分布的非高斯性，而傳統(tǒng)的主元分析則偏向高斯數據建模，因而對于數據的高斯/非高斯混雜情形，上述兩種方法的建模方法由于沒有魯棒的信息表示與提取機制因而監(jiān)測性能均會不同程度的降低。為此，提出

7、了一種概率獨立成分分析的方法，能夠同時提取并靈活表示混雜分布中的高斯/非高斯信息，因而對高斯/非高斯混雜分布建模情形的信息表示和提取性能更強。為了對高斯殘差空間的有效信息進行分析，進一步使用概率主元分析進行殘差建模與監(jiān)測。仿真表明所提出的模型能夠有效運用于各種高斯/非高斯混雜變量分布情形過程的建模并且監(jiān)測，并具有很好的性能魯棒性。
　　(5)針對傳統(tǒng)統(tǒng)計建模與監(jiān)測方法在面對同時具有多工況以及時變特性的失效問題，提出了一種具有魯棒特

8、點的基于遞推混合因子分析的在線監(jiān)測與更新方案。為了實現(xiàn)遞推更新的過程，首先推導了一般遞推期望最大化框架下的遞推混合因子模型的實現(xiàn)方法，基于此提出了一種基于貝葉斯機制的模型成分選擇與更新方法，能夠在不需要過程模態(tài)的先驗知識的條件下很好的對多模態(tài)數據進行遞推學習與隱變量模型建模。另外，針對監(jiān)測過程中分布發(fā)生的時變特性而導致性能降低的問題又提出了一套魯棒的時變過程在線監(jiān)測方案，從而使遞推概率模型能夠在過程工藝發(fā)生改變并新增模態(tài)以及設備性能發(fā)生

9、改變的情形下依然能保持合理的模型在線更新并進行異常監(jiān)測。
　　(6)針對廠級過程的大規(guī)模性以及需要不斷局部更新維護的特點，提出了基于魯棒分布式思想的建模與監(jiān)測方案。傳統(tǒng)的集中式建模不同，魯棒分布式建模關注于分布式局部單元建模并通過貝葉斯融合的方式進行多層可視化統(tǒng)計決策分析，從而系統(tǒng)需要更新維護時也只需要考慮局部分布式子模型的更新。由于不影響其他局部模型的監(jiān)測性能，因此既提高了分布式計算效率，又增加了應對局部模型變化時全局監(jiān)測性能的

10、魯棒性?；诖?，提出了一種魯棒分布式貝葉斯網絡的廠級過程建模與監(jiān)測方案。在建模方面，首先提出對局部單元通過數據驅動方式建立分布式貝葉斯網絡，然后提出了分布式網絡融合的方法;在監(jiān)測方面，提出了基于缺失數據思想的變量重構方法并基于貝葉斯融合算法分別設計并提出了針對變量，分布式單元塊以及廠級過程的多層統(tǒng)計監(jiān)測指標，實現(xiàn)了對廠級過程的具有可視化特點的分布式多層次監(jiān)測的方案。廠級過程除了大規(guī)模外，還存在大數據情形下的魯棒分布式統(tǒng)計建模問題。針對這

11、個問題，在魯棒分布式思想下提出了分布式并行主元分柝方法。在對廠級系統(tǒng)進行的分布式建?？蚣苌洗罱嘶贛apReduce框架的統(tǒng)計量分布式并行算法，并提出了統(tǒng)計量合并的方案以及全局模型的構建方法。監(jiān)測方面，基于貝葉斯融合的方法給出了主元分析模型的統(tǒng)計決策融合方案并基于故障重構實現(xiàn)了多層監(jiān)測策略。所提出的分布式并行方案能夠解決大規(guī)模廠級系統(tǒng)在大數據情形下的建模問題，在繼承了分布式建模系統(tǒng)的性能魯棒性優(yōu)點的同時還具有實現(xiàn)的簡單，快捷并且實用價