徐益平

【摘 要】工業(yè)過程的變化會帶來過程數(shù)據(jù)的局部結(jié)構(gòu)變化，因此對不穩(wěn)定的工業(yè)過程進(jìn)行監(jiān)測和診斷是一個(gè)相當(dāng)大的挑戰(zhàn)。傳統(tǒng)的過程監(jiān)控方法將過程作為一個(gè)整體進(jìn)行培訓(xùn)和建模，但忽略了局部特征。為了構(gòu)造不穩(wěn)定過程的結(jié)構(gòu)，本文引入多模型框架，構(gòu)造了一種新的不穩(wěn)定工業(yè)過程多模型PCA監(jiān)測方法。與傳統(tǒng)方法相比，該方法具有更好的仿真性能。

【關(guān)鍵詞】過程監(jiān)控;工業(yè)過程;PCA

中圖分類號： TP277 文獻(xiàn)標(biāo)識碼： A 文章編號： 2095-2457（2019）22-0060-002

0 引言

不穩(wěn)定的工業(yè)過程是一類不斷變化的工業(yè)過程。例如，在軋鋼過程中，坯料的重量和軋制速度等變量隨訂單的變化而變化。盡管數(shù)據(jù)發(fā)生了變化，但整個(gè)過程仍處于正常狀態(tài)。隨著自動化和信息技術(shù)的進(jìn)步，實(shí)時(shí)管理和統(tǒng)一調(diào)度給工業(yè)過程帶來了不穩(wěn)定性[1]。在傳統(tǒng)的過程監(jiān)控方法中，這樣一個(gè)不穩(wěn)定的工業(yè)過程可能被認(rèn)為是一個(gè)故障，實(shí)際上，它根本不是一個(gè)故障。這種不穩(wěn)定的工業(yè)過程給過程監(jiān)控和故障診斷帶來了新的挑戰(zhàn)。

考慮到系統(tǒng)的復(fù)雜性，基于數(shù)據(jù)驅(qū)動的過程監(jiān)控在過程監(jiān)控領(lǐng)域得到了越來越多的關(guān)注。數(shù)據(jù)驅(qū)動方法的最大優(yōu)點(diǎn)是不依賴于機(jī)理模型。目前主要的數(shù)據(jù)驅(qū)動過程監(jiān)測方法是多元統(tǒng)計(jì)過程監(jiān)測（MSPC）[2]，它包含PCA、PLS、CVA等多種方法。PCA是一種線性降維方法，它將數(shù)據(jù)分解為主成分子空間和剩余子空間[3]。通過構(gòu)造Hotelling T2統(tǒng)計(jì)量和Q統(tǒng)計(jì)量，設(shè)計(jì)了兩個(gè)子空間。PCA方法從原始數(shù)據(jù)中提取特征，得到最大限度的投影內(nèi)部信息[4]。該方法注重樣本數(shù)據(jù)的整體結(jié)構(gòu)，適用于穩(wěn)態(tài)過程監(jiān)測。但針對工業(yè)過程不穩(wěn)定監(jiān)測問題，PCA監(jiān)測不能反映工業(yè)過程局部結(jié)構(gòu)變化的特點(diǎn)，故障率較高。針對這個(gè)問題，本文構(gòu)造了多模型PCA過程監(jiān)控方法，來解決生產(chǎn)模式變遷帶來的過程監(jiān)控問題。

2 多模型PCA過程監(jiān)控方法

對于正常的工業(yè)過程數(shù)據(jù)，PCA方法可以得到過程數(shù)據(jù)的內(nèi)在結(jié)構(gòu)特征，異常狀態(tài)產(chǎn)生時(shí)，就會產(chǎn)生異常數(shù)據(jù)，由于異常數(shù)據(jù)偏離了原始數(shù)據(jù)結(jié)構(gòu)，就會通過統(tǒng)計(jì)量檢驗(yàn)的方式進(jìn)行報(bào)警。在不穩(wěn)定生產(chǎn)過程中，生產(chǎn)模式的變遷也會產(chǎn)生不符合原映射結(jié)構(gòu)的過程數(shù)據(jù)，從而將正常點(diǎn)映射到錯(cuò)誤的檢驗(yàn)結(jié)果中，從而混淆了正常和異常數(shù)據(jù)。針對這種情況，本文提出了一種多模型PCA算法來解決投影異常問題。

在建模過程中，多模型PCA方法首先基于聚類算法將數(shù)據(jù)劃分為若干類。然后，該方法再為每個(gè)類建立了PCA過程監(jiān)控模型。在監(jiān)控過程中，首先對過程數(shù)據(jù)進(jìn)行分類，然后根據(jù)其類標(biāo)簽對每個(gè)測試數(shù)據(jù)進(jìn)行測試。圖1為算法的訓(xùn)練步驟，將訓(xùn)練樣本聚類為K類，并對每個(gè)類進(jìn)行建模。圖2為測試步驟，測試數(shù)據(jù)通過聚類模型進(jìn)行分類，并由相應(yīng)的模型進(jìn)行診斷。

在多模型PCA在線監(jiān)控算法中，對聚類和分類的方法并不加以限定?？梢愿鶕?jù)特定對象的歷史數(shù)據(jù)，通過實(shí)驗(yàn)來確定最佳的聚類和分類方法。

3 實(shí)驗(yàn)分析

本文所要測試的數(shù)據(jù)集是從鋼鐵企業(yè)軋鋼車間的水冷過程中采集的。軋鋼水冷生產(chǎn)過程是鋼鐵企業(yè)軋鋼工藝中的一個(gè)重要環(huán)節(jié)。在軋鋼水冷生產(chǎn)過程中，僅憑經(jīng)驗(yàn)很難對生產(chǎn)的運(yùn)行狀態(tài)進(jìn)行分析和準(zhǔn)確判斷。在本章節(jié)中采用多模型PCA在線監(jiān)控方法，通過實(shí)驗(yàn)的方式對軋鋼水冷數(shù)據(jù)進(jìn)行監(jiān)測和診斷。

圖3是多模型PCA方法對不穩(wěn)定生產(chǎn)狀態(tài)的水冷過程進(jìn)行檢驗(yàn)的統(tǒng)計(jì)檢驗(yàn)圖，圖中紅色曲線對應(yīng)其中包含Hotelling T2檢驗(yàn)，綠色曲線對應(yīng)Q檢驗(yàn)，實(shí)驗(yàn)數(shù)據(jù)包含一個(gè)正常組和5個(gè)含故障的對比組，每組6000個(gè)樣本。從實(shí)驗(yàn)結(jié)果來看，該多模型PCA過程監(jiān)控方法可以對不穩(wěn)定生產(chǎn)過程進(jìn)行有效監(jiān)控，檢驗(yàn)量可以針對各種不同情況的突發(fā)故障產(chǎn)生有效響應(yīng)。

4 結(jié)論

本文針對不穩(wěn)定過程中數(shù)據(jù)結(jié)構(gòu)的變化，提出了一種多模型PCA過程監(jiān)控方法，該方法可以通過局部建模來解決投影異常問題。實(shí)驗(yàn)結(jié)果表明，該方法能較好地識別不穩(wěn)定過程中生產(chǎn)波動對故障樣本的影響，降低了不穩(wěn)定過程的故障誤報(bào)率。

【參考文獻(xiàn)】

[1]Shen Yin，Guang Wang，and Huijun Gao，Data-Driven Process Monitoring Based on Modified Orthogonal Projections to Latent Structures，IEEE Transactions on Control Systems Technology， 2016，24（4）：1480-1487.

[2]Shen Yin，Xianwei Li，Huijun Gao，and Okyay Kaynak，Data-Based Techniques Focused on Modern Industry：An Overview， IEEE Transactions on Industrial Electronics，2015，62（1）：657-667.

[3]Junxiang Yang，Dong Li，and Qiang Gao，Application of Improved DPCA to Distillation Column Process Monitoring，IEEE International Conference on Mechatronics & Automation，2006，19 （21）：1593-1600.

[4]Zhenyue Zhang，and Jing Wang，MLLE：Modified Locally Linear Embedding Using Multiple Weights，International Conference on Neural Information Processing Systems，2006，19（21）：1593-1600.

[5]Shen Yin，Steven X.Ding，Xiaochen Xie，and Hao Luo，A Review on Basic Data-Driven Approaches for Industrial Process Monitoring，IEEE Transactions on Industrial Electronics，2014， 61 （11）：6418-6428.