引用文本

钟凯, 韩敏, 韩冰. 基于动态特性描述的变量加权型分散式故障检测方法. 自动化学报, 2021, 47(9): 2205−2213 doi: 10.16383/j.aas.c180276

Zhong Kai, Han Min, Han Bing. Dynamic feature characterization based variable-weighted decentralized method for fault detection. Acta Automatica Sinica, 2021, 47(9): 2205−2213 doi: 10.16383/j.aas.c180276

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180276

关键词

主成分分析，故障检测，最大相关最小冗余，加权型分散式方法 

摘要

现代工业生产过程往往具有复杂的动态特性: 不同测量变量间会存在不同的时序相关性, 且变量间的相互影响会反映在不同的采样时刻上. 现有的动态过程监测模型往往不能充分挖掘变量间的动态特性, 其故障检测效果也有待进一步提高. 在此背景下, 本文提出一种基于动态特性描述的变量加权型分散式故障检测方法. 利用最大相关最小冗余(Minimal redundancy maximal relevance, mRMR) 算法更准确地描述动态过程变量间的相关性关系, 并利用该相关性的值对原始增广矩阵进行加权处理, 且不同延迟变量对当前测量值的影响大小就通过权值来体现, 因此能更加全面地刻画该测量值的动态特性. 最后建立一种融合mRMR算法, 贝叶斯推理以及动态主成分分析(Dynamic principal componemt amalysis, DPCA)模型的新的分布式建模策略, 提高了模型的容错能力和泛化能力, 取得了更好的故障检测结果.

文章导读

随着现代工业水平的迅猛提高, 其生产规模和生产过程的复杂性也大大增加, 为了保障工业安全和产品质量, 过程监控和故障诊断技术也显得愈发重要[1-2]. 传统的基于模型的过程监测方法依赖于精确的数学模型或充分的先验知识, 极大地限制了其在实际中的应用. 而基于数据驱动的方法无需建立精确的过程机理模型, 直接对过程运行数据进行分析和处理, 据此建立描述过程运行状态的统计模型, 因此很适合于监测难以建模的复杂工业过程, 主要包括, 适合于故障分类和诊断的费舍尔判别(Fisher discriminant analysis, FDA)[3], 主成分分析(Principal component analysis, PCA)[4], 利用质量变量引导过程变量样本空间分解的偏最小二乘(Partial least squares, PLS)[5]以及适用于非高斯过程监测的独立主元分析(Independent component analysis, ICA)[6]. 特别地, PCA作为一种最主要的数据驱动方法, 能够有效地进行数据降维和潜在特征的提取, 并且在上述方法中具有最低的计算复杂度, 因此受到工业界和学术界的广泛关注, 并在故障检测和诊断领域取得了丰富的研究成果[7-8].

实际工业过程采集的过程数据一般都在时间上序列相关, 而基于传统的PCA方法的过程监控并没有考虑数据间的此种关联, 以至于主成分甚至残差都具有未被建模的动态特性, 因此并不适用于动态过程的建模. 文献[9]首先使用延时测量值扩充分析数据阵, 然后对该增广数据阵实施PCA分解以建立数据间的动态关联, 进而提出了动态PCA(Dynamic PCA, DPCA)的主体框架. 此后, DPCA在理论和应用上仍有后继的发展[10-11]. 最近, 文献[12]利用自回归模型提取数据间动态潜隐成分(Dynamic latent variables, DLV), 而PCA模型用于建立残差的静态关系, 因此静态关系和动态关系都得到了很好的表征, 从而提高了动态过程的故障检测效果.

然而, 以上所涉及的方法都是单个集中的模型, 不适用于目前大规模的工业过程故障检测, 而分散式建模策略由于其具有较低的计算复杂度, 较好的模型灵活性和较强的容错能力等优点, 已成为监控大规模工业过程的有力手段[13-14]. 更进一步, 文献[15]利用动态特性选择准则并结合分布式建模的优势, 成功地解决了大规模动态的故障检测问题. 但其在选择子模型变量时所依赖的动态特性准则是一种单纯的线性关系指标, 无法评估变量之间的非线性关联, 因此并没有取得最优的故障检测效果. 文献[16]又提出一种基于互信息(Mutual information, MI)的分散式动态PCA故障检测方法(MI-DPCA), MI准则同时考虑了变量间的线性和非线性关系, 较好地处理了数据的动态性问题. 然而在分散式子块中基于MI准则选择的变量之间往往存在较大的冗余, 从而导致欠佳的故障检测结果. 文献[17]提出了一种基于最大相关最小冗余(Minimal redundancy maximal relevance, mRMR) 变量选择的PCA故障检测, 解决了由MI准则带来的变量间冗余问题, 取得了较好的故障检测效果. 但该模型采取简单地剃除mRMR值超过设定阈值的变量来实现变量选择以建立相应的子块, 因此直接忽略了对当前变量影响较小的测量变量, 并且也不能定量描述保留下的不同测量变量对当前变量的影响程度, 此外该模型也无法解决动态过程的监控问题.

基于以上分散式建模的优势以及描述变量间动态关系方法的不足的讨论, 并受到文献[18]的启发, 本文提出了一种基于动态特性描述的变量加权型分散式故障检测方法(Minimal redundancy maximal relevance — weighted dynamic principal component analysis mRMR-WDPCA). 全文主要创新点如下:

1) 与传统的变量选择方法[15-16]相比, mRMR算法考虑了动态过程中变量间的线性和非线性关联的同时也显著地减少变量间存在的冗余, 从而能更准确地描述变量间的相关性关系.

2) 根据变量间mRMR值的大小对动态增广矩阵中所有测量值赋予不同的权值, 避免遗失含有有用信息的变量, 且不同延迟变量对当前测量值的影响大小就通过权值来体现, 因此能更加全面地刻画该测量值的动态特性.

3) 提出一种融合mRMR算法, 贝叶斯推理以及DPCA模型的加权型分布式建模策略, 提高了模型的容错能力和泛化能力, 取得了更好的故障检测结果. 为全流程动态过程监控方案的设计提供了新的思路.

图 1  基于mRMR的动态特性描述

图 2  基于mRMR-WDPCA故障监测的流程图

图 4  4种方法的故障平均漏报率

针对大型工业系统常常伴有复杂的动态特性, 且变量间的相互影响会体现在不同的采样时刻上等问题. 本文利用分布式mRMR-WDPCA方法充分刻画变量间相关性的同时, 也通过不同权值的赋予定量地描述了不同延迟变量对当前测量变量的影响程度, 凸显了变量间的相关性差异, 从而更好地解决了测量变量的动态特性问题, 取得较好的故障检测结果. 在TE过程上的仿真实验验证mRMR-WDPCA相对于其他方法的优越性. 然而, 本文仅局限于故障检测的分析, 而后续的故障诊断问题还未有所涉及. 此外, 所提的mRMR-WDPCA方法仍是一种线性模型且假设训练数据服从高斯分布, 如何将方法拓展以处理非线性、非高斯复杂过程仍是值得进一步研究之处.

作者简介

钟凯

大连理工大学电子信息与电气工程学部博士研究生. 主要研究方向为工业过程监控, 故障诊断. E-mail: kaizhong0402@ahu.edu.cn

韩敏

大连理工大学电子信息与电气工程学部教授. 主要研究方向为模式识别, 复杂系统建模与分析及时间序列预测. 本文通信作者. E-mail: minhan@dlut.edu.cn

韩冰

航运技术与安全国家重点实验室研究员. 主要研究方向为深海动力定位控制, 船舶动力装置的故障诊断和预测. E-mail: hanbing@sssri.com