許圓圓, 楊 健, 譚 帥, 侍洪波(華東理工大學(xué)化工過(guò)程先進(jìn)控制和優(yōu)化技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室,上海 200237)

基于局部特征的多模態(tài)過(guò)程監(jiān)控方法

許圓圓, 楊 健, 譚 帥, 侍洪波
(華東理工大學(xué)化工過(guò)程先進(jìn)控制和優(yōu)化技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室,上海 200237)

多模態(tài)過(guò)程中各個(gè)模態(tài)均有不同的特征,因此模態(tài)數(shù)據(jù)的局部特征比全局特征更能有效、合理地表征實(shí)際化工過(guò)程。為利用多模態(tài)數(shù)據(jù)的局部特征,提出了基于數(shù)據(jù)局部特征的多模型方法(LFMM)用于多模態(tài)過(guò)程的監(jiān)控。首先,離線階段考慮到數(shù)據(jù)間的時(shí)序信息以及數(shù)據(jù)特征,利用不同時(shí)間窗內(nèi)數(shù)據(jù)的變異系數(shù)(CV)完成多模態(tài)數(shù)據(jù)集的聚類;然后,考慮到不同模態(tài)的數(shù)據(jù)在空間分布上具有不同的疏密性特征,建模階段利用局部離群因子(LOF)算法計(jì)算數(shù)據(jù)在其模態(tài)數(shù)據(jù)集中的局部密度,監(jiān)控時(shí)將在線數(shù)據(jù)的局部密度作為統(tǒng)計(jì)特征,并構(gòu)造全局概率指標(biāo)用于多模態(tài)過(guò)程監(jiān)控;最后,通過(guò)田納西伊斯曼(TE)過(guò)程驗(yàn)證了本文方法的有效性。

多模態(tài); 局部特征; 多模型; 過(guò)程監(jiān)控; 時(shí)序信息

由于各種因素的影響,目前較多的生產(chǎn)過(guò)程呈現(xiàn)出多模態(tài)的特性。從數(shù)據(jù)分布來(lái)看,不同生產(chǎn)模態(tài)下采集到的數(shù)據(jù)服從不同的分布,具有不同的特點(diǎn)[1]。針對(duì)具有多模態(tài)特性的過(guò)程監(jiān)控,多模型方法是目前較為普遍的方法,即對(duì)每個(gè)模態(tài)建立各自的模型,以突出每個(gè)模態(tài)運(yùn)行時(shí)的不同[2]。

為解決多模態(tài)過(guò)程的不同特性,在多模型方法中可選用不同的建模方法。核k均值(KK-means)方法用于具有非線性特性的多模態(tài)過(guò)程數(shù)據(jù)聚類,而后支持向量數(shù)據(jù)描述(SVDD)方法用于局部建模,在線監(jiān)控時(shí)根據(jù)距離最小[3]或者局部離群概率最小[4]原則選用相應(yīng)的模型監(jiān)控。由于不同的高斯元可以表征不同的模態(tài),因此高斯混合模型(Gaussian Mixture Model,GMM)方法被用于多模態(tài)過(guò)程監(jiān)控中。GMM算法中高斯元的個(gè)數(shù)可采用貝葉斯陰陽(yáng)(BYY)算法自動(dòng)確定,每個(gè)高斯元采用主元分析(Principal Component Analysis,PCA)方法降維并建模,在線數(shù)據(jù)則根據(jù)后驗(yàn)概率選擇對(duì)應(yīng)的模態(tài)模型監(jiān)控,并建立以1為控制限的監(jiān)控統(tǒng)計(jì)量[5]。另一方面,PCA-GMM模型監(jiān)控方法解決了GMM建模時(shí)數(shù)據(jù)維度過(guò)高的問(wèn)題,在線選擇對(duì)應(yīng)的局部模型監(jiān)控[6]。同樣,基于隱馬爾科夫(HMM)方法利用概率比策略區(qū)分出訓(xùn)練數(shù)據(jù)集中的穩(wěn)態(tài)和暫態(tài)數(shù)據(jù),將穩(wěn)態(tài)數(shù)據(jù)按照模態(tài)聚類再建模,在線估計(jì)出樣本所屬模態(tài)后監(jiān)控[7]。

上述多模型方法中在線監(jiān)控結(jié)果的確定依賴于在線模型匹配結(jié)果,要求算法具有較高的準(zhǔn)確性和魯棒性。另外,這類方法僅僅選擇單個(gè)模型監(jiān)控,忽略了不同模態(tài)間的關(guān)聯(lián),因此基于不同的整合策略,可將多個(gè)局部模型的監(jiān)控結(jié)果整合得到全局在線監(jiān)控結(jié)果,如基于概率主元分析(PPCA)方法得到整合的T2、均方預(yù)測(cè)誤差(SPE)監(jiān)控指標(biāo)[8]、變化幅值在[0,1]之間的概率指標(biāo)[9-10]、基于貝葉斯推斷方法整合得到的監(jiān)控指標(biāo)[11-14],但是這類監(jiān)控指標(biāo)大都是基于距離的,沒(méi)有利用其他的數(shù)據(jù)特征信息。

一般建立過(guò)程的多模型前需要將訓(xùn)練數(shù)據(jù)集進(jìn)行聚類,即來(lái)自于同一模態(tài)的數(shù)據(jù)被聚為一類。傳統(tǒng)聚類算法忽略了多模態(tài)過(guò)程數(shù)據(jù)間存在的時(shí)序關(guān)系,存在初始聚類中心、聚類個(gè)數(shù)的選擇等問(wèn)題,而后利用數(shù)據(jù)的時(shí)序信息和不同模態(tài)數(shù)據(jù)間的差異性,提出了多種模態(tài)聚類方法。不同時(shí)間片數(shù)據(jù)的負(fù)載矩陣間的相似性可用來(lái)完成模態(tài)劃分及識(shí)別[15]。將LOF算法用于訓(xùn)練數(shù)據(jù)集的增廣矩陣進(jìn)行聚類[14]。對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行矩陣擴(kuò)展[16]或者差分運(yùn)算[4]后,使用局部離群概率(LoOP)算法可檢測(cè)出不同模態(tài)間的切換點(diǎn),完成聚類。但這類方法僅僅基于模態(tài)數(shù)據(jù)間相似性或者數(shù)據(jù)分布來(lái)劃分模態(tài),沒(méi)有考慮到數(shù)據(jù)特征間的差異。

針對(duì)上述問(wèn)題,本文提出了基于數(shù)據(jù)局部特征的多模型方法用于多模態(tài)過(guò)程監(jiān)控,使得監(jiān)控利用到更多的數(shù)據(jù)特征信息,而且利用數(shù)據(jù)的局部特征能更有效地表征實(shí)際過(guò)程。實(shí)際化工過(guò)程中數(shù)據(jù)是依照時(shí)間采樣的,即在同一個(gè)模態(tài)下采集到的數(shù)據(jù)之間存在時(shí)序相關(guān)性,而在不同模態(tài)下采集到的數(shù)據(jù)之間不存在時(shí)序相關(guān)性,所以時(shí)序信息是多模態(tài)過(guò)程數(shù)據(jù)的重要屬性之一。對(duì)于多模態(tài)過(guò)程的監(jiān)控而言,合理利用過(guò)程數(shù)據(jù)間的時(shí)序信息是必要的[17]。獲得不同時(shí)間窗數(shù)據(jù)矩陣的變異系數(shù),由于同時(shí)包含兩種模態(tài)數(shù)據(jù)的時(shí)間窗內(nèi)的變異系數(shù)一定與其他窗口內(nèi)的變異系數(shù)不同,因此在離線階段,結(jié)合數(shù)據(jù)間的時(shí)序信息和變異系數(shù),可將多模態(tài)過(guò)程數(shù)據(jù)進(jìn)行聚類。建模階段利用LOF算法在每個(gè)模態(tài)數(shù)據(jù)集內(nèi)分別計(jì)算其模態(tài)數(shù)據(jù)的局部密度,用來(lái)表征不同模態(tài)數(shù)據(jù)分布的疏密性差異。

本文在貝葉斯推斷準(zhǔn)則的框架下,新建了基于局部密度的全局概率在線監(jiān)控指標(biāo)。主要利用了變異系數(shù)和局部密度這兩個(gè)數(shù)據(jù)特征,“局部”體現(xiàn)在建模時(shí)離線數(shù)據(jù)的局部密度是基于其所屬模態(tài)數(shù)據(jù)集的,并非整個(gè)多模態(tài)過(guò)程數(shù)據(jù)集;監(jiān)控統(tǒng)計(jì)量是基于在線數(shù)據(jù)相對(duì)于每個(gè)模態(tài)數(shù)據(jù)集的局部密度構(gòu)造的兩個(gè)方面。

在多模型方法中有兩個(gè)必要的步驟:離線階段多模態(tài)數(shù)據(jù)需要被劃分到各自對(duì)應(yīng)的模態(tài)數(shù)據(jù)集中及在線監(jiān)控結(jié)果的確定,基于此,本文提出了LFMM方法用于多模態(tài)過(guò)程監(jiān)控。

(1) 提取多模態(tài)數(shù)據(jù)變異系數(shù),結(jié)合數(shù)據(jù)間的時(shí)序關(guān)系可將多模態(tài)數(shù)據(jù)集進(jìn)行聚類,本文提出的聚類方法無(wú)需已知聚類個(gè)數(shù),無(wú)需目標(biāo)函數(shù)進(jìn)行迭代運(yùn)算。

(2) 為更加精確地提取數(shù)據(jù)特征,在該數(shù)據(jù)所屬的模態(tài)數(shù)據(jù)集內(nèi)計(jì)算局部密度,保證了數(shù)據(jù)與其鄰域點(diǎn)均來(lái)自于同一模態(tài)。

(3) 在線監(jiān)控時(shí)提取了數(shù)據(jù)相對(duì)每個(gè)模態(tài)的局部密度特征計(jì)算監(jiān)控結(jié)果,并將所有模態(tài)的監(jiān)控結(jié)果通過(guò)貝葉斯策略加以整合,得到了全局監(jiān)控指標(biāo),避免了受噪聲等影響選擇錯(cuò)誤的模型監(jiān)控,并且獲得的概率指標(biāo)在[0,1]內(nèi)取值,可以簡(jiǎn)單、直觀地獲得其閾值,無(wú)需任何分布知識(shí)或者核密度估計(jì)方法得到。

1 基礎(chǔ)算法

LOF算法是基于數(shù)據(jù)局部密度的無(wú)監(jiān)督離群點(diǎn)檢測(cè)算法[18],若樣本偏離數(shù)據(jù)集,則該樣本被賦予較大的離群因子值,認(rèn)為該樣本越有可能是離群點(diǎn)。算法具體計(jì)算步驟如下:

(1) 樣本xo∈X與其他樣本間的歐氏距離。

(1)

將距離由小到大排序得到xo的p個(gè)近鄰點(diǎn),并將這些近鄰點(diǎn)組成集合Ωo,將xo與這p個(gè)近鄰點(diǎn)間的距離組成集合Θo。

(2) 樣本xo相對(duì)xf的可達(dá)距離。

(2)

(3) 樣本xo的局部可達(dá)密度。

(3)

(4) 樣本xo的局部離群因子值。

(4)

2 LFMM方法

2.1 基于變異系數(shù)的聚類算法

多模態(tài)過(guò)程訓(xùn)練數(shù)據(jù)集X∈Rn×m是在不同模態(tài)過(guò)程下依照時(shí)間順序采集到的觀測(cè)值,在沒(méi)有先驗(yàn)知識(shí)的情況下,無(wú)法明確得知數(shù)據(jù)的模態(tài)信息,所以無(wú)監(jiān)督的聚類算法在建模中是及其重要的。數(shù)據(jù)的時(shí)序信息作為多模態(tài)數(shù)據(jù)的重要屬性,在聚類算法中考慮時(shí)序信息是必要的,因此本文引入了時(shí)間窗策略。此外,由多模態(tài)過(guò)程的特性可知,相同模態(tài)下采集到的數(shù)據(jù)相似,不同模態(tài)下采集到的數(shù)據(jù)不相似,因此可以提取數(shù)據(jù)的均值和方差信息完成聚類。當(dāng)區(qū)分多個(gè)均值相同、方差不同的模態(tài)時(shí),僅僅提取均值信息是不可行的,同樣地,當(dāng)區(qū)分多個(gè)方差相同、均值不同的模態(tài)時(shí),僅僅提取方差信息也是不可行的。因此,本文從訓(xùn)練數(shù)據(jù)集的特征出發(fā),提出了基于數(shù)據(jù)變異系數(shù)的聚類算法,具體步驟如下:

(5)

(2) 計(jì)算當(dāng)前時(shí)間窗數(shù)據(jù)矩陣的變異系數(shù)。數(shù)據(jù)集X∈Rn×1的變異系數(shù)計(jì)算如下:

(6)

通過(guò)式(6)計(jì)算Yk中各變量的變異系數(shù),獲得當(dāng)前時(shí)間窗數(shù)據(jù)矩陣的變異系數(shù)樣本:

(7)

(3) 獲取變異系數(shù)矩陣。通過(guò)移動(dòng)時(shí)間窗,每次更新一個(gè)樣本,按照步驟(2)得到各個(gè)時(shí)刻數(shù)據(jù)矩陣的變異系數(shù)樣本,并組成多模態(tài)過(guò)程變異系數(shù)矩陣C∈R(n-L+1)×m。

(4) 獲取模態(tài)轉(zhuǎn)換點(diǎn)。利用LOF算法計(jì)算C中每個(gè)樣本的局部離群因子值,其值發(fā)生顯著變化的前一個(gè)穩(wěn)定點(diǎn)分別為w1、w2、…、wk-1,則模態(tài)轉(zhuǎn)換點(diǎn)為li=wi+(L-1)(i=1,2,…,k-1)。由數(shù)據(jù)的時(shí)序信息和模態(tài)轉(zhuǎn)換點(diǎn)可將訓(xùn)練數(shù)據(jù)集正確聚類為X1=[x1,…,xl1]T、X2=[xl1+1,…,xl2]T、…、Xk=[xlk-1+1,…,xlk]T。

為確保聚類結(jié)果的正確性,時(shí)間窗口長(zhǎng)度L不能超過(guò)最短穩(wěn)定模態(tài)的長(zhǎng)度,即2 ≤L≤min(l1,l2-l1,…,lk-lk-1),否則最短時(shí)間長(zhǎng)度的穩(wěn)定模態(tài)數(shù)據(jù)特征將被淹沒(méi)。

2.2 基于局部密度的監(jiān)控統(tǒng)計(jì)量

在線階段考慮到采用單一模型即在線選擇一個(gè)最合適的模型監(jiān)控,需要較快速且準(zhǔn)確的模型匹配算法,但這類方法容易受到其他因素的影響,又考慮到不同模態(tài)間的關(guān)聯(lián),所以采用全局監(jiān)控策略對(duì)多模態(tài)過(guò)程的在線數(shù)據(jù)進(jìn)行監(jiān)控。將在線數(shù)據(jù)屬于每個(gè)模態(tài)的后驗(yàn)概率作為權(quán)重用來(lái)整合在線數(shù)據(jù)在不同模態(tài)下的監(jiān)控結(jié)果。

(8)

(9)

(10)

考慮到訓(xùn)練集中的正常數(shù)據(jù)分布在同一水平上,在空間上相對(duì)比較聚集,具有較大的局部密度。同樣地,對(duì)于故障數(shù)據(jù)而言,它的局部密度小于正常數(shù)據(jù)的局部密度,且故障特征越明顯,其局部密度越小。由于LOF算法利用了局部離群值代替局部密度值,即局部密度較小的樣本被賦予較大的局部離群因子值,因此LOF算法可表征樣本間局部密度的相對(duì)大小。鑒于上述分析,本文提出了基于局部密度的全局概率監(jiān)控指標(biāo)(LDGP)。

(11)

hl(xt,Xk)=P{lof(xi∈Xk) ≤lof(xt,Xk)}

(12)

其中,hl(xt,Xk)為在線數(shù)據(jù)xt相對(duì)于模態(tài)k的局部密度概率。

2.3 LFMM方法監(jiān)控流程

(1) 采集所有穩(wěn)定模態(tài)下的過(guò)程數(shù)據(jù)X;

(2) 選擇時(shí)間上連續(xù)的L個(gè)數(shù)據(jù)組成初始時(shí)間窗數(shù)據(jù)矩陣,計(jì)算其變異系數(shù)樣本C1;

(3) 時(shí)間窗數(shù)據(jù)矩陣依次更新一個(gè)樣本,重復(fù)步驟(2),獲得訓(xùn)練數(shù)據(jù)集X的變異系數(shù)矩陣C;

(4) 利用LOF算法找到C中局部離群值發(fā)生顯著變化的前一個(gè)穩(wěn)定點(diǎn)分別為w1、…、wk-1;

(5) 計(jì)算得到模態(tài)轉(zhuǎn)換點(diǎn)l1、l2、…、lk-1,并完成聚類;

(6) 計(jì)算每個(gè)模態(tài)數(shù)據(jù)集的均值μk、方差νk并各自標(biāo)準(zhǔn)化;

(7) 計(jì)算數(shù)據(jù)在其模態(tài)數(shù)據(jù)集中的局部離群值lof(xi∈Xk);

(8) 在線數(shù)據(jù)分別用每個(gè)模態(tài)的均值和方差標(biāo)準(zhǔn)化;

(9) 計(jì)算在線數(shù)據(jù)屬于每個(gè)模態(tài)的后驗(yàn)概率h(μk,νk|xt),以及相對(duì)于每個(gè)模態(tài)數(shù)據(jù)集的局部離群值lof(xt,Xk);

(10) 按式(11)計(jì)算其監(jiān)控統(tǒng)計(jì)量,若超限則在線數(shù)據(jù)xt發(fā)生故障,反之則為正常數(shù)據(jù)。

3 TE過(guò)程仿真測(cè)試

通過(guò)TE過(guò)程仿真驗(yàn)證本文方法的有效性,其中過(guò)程仿真參數(shù)設(shè)置見(jiàn)參考文獻(xiàn)[16]。仿真測(cè)試的訓(xùn)練數(shù)據(jù)集由在模態(tài)1下采集到的1 000個(gè)數(shù)據(jù)和在模態(tài)3下采集到的1 000個(gè)數(shù)據(jù)組成,測(cè)試數(shù)據(jù)集則由200個(gè)正常數(shù)據(jù)和800個(gè)故障數(shù)據(jù)組成。

圖1示出了近鄰個(gè)數(shù)p=50時(shí)本文方法的聚類結(jié)果?？梢悦黠@看出訓(xùn)練數(shù)據(jù)集中的2 000個(gè)正常數(shù)據(jù)被聚類為2個(gè)數(shù)據(jù)集,即認(rèn)為訓(xùn)練數(shù)據(jù)集X由兩個(gè)模態(tài)數(shù)據(jù)組成。從圖1(a)的放大部分可得出l1=w1+(L-1)=999+(2-1)=1 000,即前1 000個(gè)數(shù)據(jù)來(lái)自同一個(gè)模態(tài)。自然地,后1 000個(gè)數(shù)據(jù)來(lái)自另一個(gè)模態(tài)。圖1(b)的放大部分可得出l1=w1+(L-1)=1 000,同樣訓(xùn)練數(shù)據(jù)集也被正確聚類,說(shuō)明該聚類算法可以有效聚類,并且并不需要事先指定模態(tài)的個(gè)數(shù)。

圖1 基于變異系數(shù)的聚類結(jié)果

由于TE多模態(tài)過(guò)程的20種故障中,故障3、9、15發(fā)生后,故障特征均不明顯,大多數(shù)監(jiān)控方法都無(wú)法有效檢測(cè)出故障,同時(shí)由于故障15～20的發(fā)生原因不清楚,因此這些故障都不被用于過(guò)程監(jiān)控方法有效性的驗(yàn)證。3種方法分別對(duì)模態(tài)1和模態(tài)3的12種故障進(jìn)行了檢測(cè),其漏報(bào)率分別見(jiàn)表1和表2,其中概率指標(biāo)控制限設(shè)為99%。

表1 3種方法對(duì)模態(tài)1的12種故障的漏報(bào)率

表2 3種方法對(duì)模態(tài)3的12種故障的漏報(bào)率

同樣是基于數(shù)據(jù)局部密度的方法,LOF方法是在多模態(tài)過(guò)程數(shù)據(jù)集中計(jì)算各個(gè)數(shù)據(jù)的局部離群值,而LFMM方法則是在數(shù)據(jù)所屬的模態(tài)數(shù)據(jù)集中計(jì)算其局部離群值。由表1和表2中LOF方法和LFMM方法的監(jiān)控結(jié)果可看出,數(shù)據(jù)在其所屬模態(tài)數(shù)據(jù)集中得到的局部密度值更能代表真實(shí)信息,在線監(jiān)控時(shí)整合各個(gè)模態(tài)監(jiān)控結(jié)果更能有效地檢測(cè)出過(guò)程故障,因此LFMM方法中離線階段的聚類步驟對(duì)于有效的監(jiān)控效果是必不可少的。另外,也可看出LFMM方法比PCAMM方法可獲得更小的漏報(bào)率,更適合于多模態(tài)過(guò)程監(jiān)控。這是因?yàn)長(zhǎng)FMM方法是在模態(tài)數(shù)據(jù)集空間中提取數(shù)據(jù)特征信息,不會(huì)出現(xiàn)信息丟失,而且nT2指標(biāo)實(shí)質(zhì)上是數(shù)據(jù)在主元空間到均值的馬氏距離,nSPE指標(biāo)是在殘差空間中的歐氏距離,僅利用了模態(tài)數(shù)據(jù)集的均值、方差,而LDGP指標(biāo)是基于數(shù)據(jù)的局部密度的全局概率指標(biāo),其利用了數(shù)據(jù)的近鄰信息。

故障1～7屬于階躍故障,一般的監(jiān)控方法均能檢測(cè)出故障。但是,由表1和表2可看出,在監(jiān)控隨機(jī)故障8～12、漂移故障13、黏滯故障14時(shí),本文算法都有不同程度的改進(jìn),說(shuō)明本文算法在監(jiān)控較難發(fā)現(xiàn)的故障時(shí)也是有效的。

圖2示出了不同方法對(duì)模態(tài)1下發(fā)生的隨機(jī)故障10的監(jiān)控結(jié)果。4種監(jiān)控指標(biāo)對(duì)前200個(gè)正常數(shù)據(jù)的誤報(bào)率分別為1%、1%、3%、1.5%。由圖2(a)可以看出,對(duì)后800個(gè)故障數(shù)據(jù)的監(jiān)控結(jié)果中,LOF方法無(wú)法檢測(cè)出過(guò)程中的故障,實(shí)質(zhì)上是基于局部密度的全局模型監(jiān)控方法,建立全局模型會(huì)淹沒(méi)多模態(tài)過(guò)程中不同模態(tài)的特性,即使它是基于局部特征的方法依然無(wú)法直接適用于多模態(tài)過(guò)程監(jiān)控,因此在獲取數(shù)據(jù)的局部特征時(shí),離線階段的數(shù)據(jù)聚類步驟仍然必不可少,在數(shù)據(jù)所屬的模態(tài)數(shù)據(jù)集中提取到的局部特征才更能代表實(shí)際過(guò)程本身。由圖2(b)和圖2(c)可以看出，PCAMM方法中nSPE指標(biāo)對(duì)于部分故障具有較好的監(jiān)控結(jié)果,但nT2指標(biāo)卻出現(xiàn)較大的漏報(bào),將隨機(jī)故障數(shù)據(jù)誤認(rèn)為是正常數(shù)據(jù),而LFMM方法中LDGP指標(biāo)能更清楚地區(qū)分故障數(shù)據(jù)和正常數(shù)據(jù)如圖2(d)所示。基于局部密度的指標(biāo)LDGP利用了數(shù)據(jù)的近鄰信息,更多地使用到了數(shù)據(jù)的局部特征。

4 結(jié) 論

本文針對(duì)化工過(guò)程的多模態(tài)特性提出了LFMM監(jiān)控方法。LFMM方法說(shuō)明,相比在整個(gè)多模態(tài)數(shù)據(jù)集中,在數(shù)據(jù)所屬的模態(tài)數(shù)據(jù)集中得到的局部特征更加符合實(shí)際過(guò)程特性,因此本文提出的在離線階段結(jié)合了數(shù)據(jù)局部特征和時(shí)序信息的聚類算法是必需的。同時(shí)LFMM方法也是多模型建模方法,為各個(gè)模態(tài)分別建立了局部模型,不會(huì)導(dǎo)致不同模態(tài)的特性被淹沒(méi)。在線階段提出的基于數(shù)據(jù)局部密度特征的全局概率監(jiān)控指標(biāo),綜合了不同模態(tài)的監(jiān)控結(jié)果,能有效地監(jiān)控多模態(tài)過(guò)程中各種故障的發(fā)生。

圖2 3種方法對(duì)模態(tài)1的故障10的監(jiān)控結(jié)果

[1]GUO Jinyu,YUAN Tangming,LI Yuan.Fault detection of multimode process based on local neighbor normalized matrix[J].Chemometrics and Intelligent Laboratory Systems,2016,154:162-175.

[2]REN Shijin,SONG Zhihuan,YANNG Maoyun,etal.A novel multimode process monitoring method integrating LCGMM withmodified LFDA[J].Chinese Journal of Chemical Engineering,2015,23(12):1970-1980.

[3]ISSAM B K,CLAUS Weihs,MOHAMED Limam.Kernel k-means clustering based local support vector domain description fault detection of multimodal processes[J].Expert Systems with Applications,2012,39(2):2166-2171.

[4]楊雅偉,宋冰,侍洪波.多SVDD 模型的多模態(tài)過(guò)程監(jiān)控方法[J].化工學(xué)報(bào),2015,66(11):4526-4533.

[5]XU Xianzhen,XIE Lei,WANG Shuqing.Multimode process monitoring with PCA mixture model [J].Computers and Electrical Engineering,2014(40):2101-2112.

[6]CHOI Sang Wook,PARK J H,LEE I B.Process monitoring using a Gaussian mixture model via principal component analysis and discriminant analysis[J].Computers and Chemical Engineering,2004,28(8):1377-1387.

[7]WANG Fan,TAN Shuai,SHI Hongbo.Hidden Markov model-based approach for multimode process monitoring[J].Chemometrics and Intelligent Laboratory Systems,2015，148:51-59.

[8]GE Zhiqiang,SONG Zhihuan.Mixture Bayesian regularization method of PPCA for multimode process monitoring[J].American Institute of Chemical Engineers,2010,56(11):2838-2849.

[9]YU Jie,QIN S J.Multimode process monitoring with bayesian inference-based finite gaussian mixture models[J].American Institute of Chemical Engineers,2008,54(7):1811-1829.

[10]解翔,侍洪波.多模態(tài)化工過(guò)程的全局監(jiān)控策略[J].化工學(xué)報(bào),2012,63(7):2156-2162.

[11]GE Zhiqiang,SONG Zhihuan.Multimode process monitoring based on Bayesian method[J].Journal of Chemometrics,2009，23:636-650.

[12]GE Zhiqiang,GAO Furong,SONG Zhihuan.Two-dimensional Bayesian monitoring method for nonlinear multimode processes[J].Chemical Engineering Science,2011,66(21):5173-5183.

[13]解翔,侍洪波.一種適用于多模態(tài)過(guò)程監(jiān)控的集成統(tǒng)計(jì)指標(biāo)[J].華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2012,38(4):488-494.

[14]SONG Bing,SHI Hongbo,MA Yuxin,etal.Multi-subspace principal component analysis with local outlier factor for multimode process monitoring[J].Industrial and Engineering Chemistry Research,2014,53(42):16453-16464.

[15]TAN Shuai,WANG Fuli,PENG Jun,etal.Multimode process monitoring based on mode identification[J].Industrial and Engineering Chemistry Research,2012,51(1):374-388.

[16]馬玉鑫.流程工業(yè)過(guò)程故障檢測(cè)的特征提取方法研究[D].上海:華東理工大學(xué),2014.

[17]SONG Bing,TAN Shuai,SHI Hongbo.Time-space locality preserving coordination for multimode process monitoring[J].Chemometrics and Intelligent Laboratoy Systems,2016,151:190-200.

[18]MA Yuxin,SHI Hongbo,MA Hehe,etal.Dynamic process monitoring using adaptive local outlier factor[J].Chemometrics and Intelligent Laboratory Systems，2013,127:89-101.

Multimode Process Monitoring Based on Local Feature

XU Yuan-yuan, YANG Jian, TAN Shuai, SHI Hong-bo

(Key Laboratory of Advanced Control and Optimization for Chemical Processes,Ministry of Education, East China University of Science and Technology,Shanghai 200237,China)

Every mode has different features in a multimode process,so the local features of modal data can be more effectively than global features for the reasonable characterization of chemical process.In order to use the local characteristics of multimodal data,this paper proposes a local feature based multiple model method,called,Local Feature-based Multiple Model (LFMM),for process monitoring.Firstly,the sequential information between data and the modal data features is utilized in the offline phase and the coefficient of variance of data in different time windows is applied for the clustering of the training data of multimode process.In the latter model phase,LOF algorithm is utilized to compute the local data density in their mode data set.In the online phase,by taking the local data density as statistic character,a new global probability index is established as a monitoring statistic for multimode process monitoring.Finally,TE process is adopted to verify the effectiveness of the proposed method.

multimode; local feature; multiple model; process monitoring; sequential information

1006-3080(2017)02-0260-06

10.14135/j.cnki.1006-3080.2017.02.017

2016-09-20

國(guó)家自然科學(xué)基金(61374140);國(guó)家自然科學(xué)基金青年基金(61403072)

許圓圓(1992-),女,安徽定遠(yuǎn)人,碩士生,研究方向?yàn)檫^(guò)程監(jiān)控。

侍洪波,E-mail:hbshi@ecust.edu.cn

TP277

A