引用本文

董洁, 张伟, 彭开香, 马亮. 一种面向工业过程的质量异常检测与故障量化评估方法. 自动化学报, 2022, 48(10): 2406−2415 doi: 10.16383/j.aas.c190880

Dong Jie, Zhang Wei, Peng Kai-Xiang, Ma Liang. A novel method of quality abnormality detection and fault quantitative assessment for industrial processes. Acta Automatica Sinica, 2022, 48(10): 2406−2415 doi: 10.16383/j.aas.c190880

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190880

关键词

质量异常检测，支持向量数据描述，故障量化评估，局部线性嵌入，工业过程 

摘要

质量异常检测(Quality abnormality detection, QAD)与故障量化评估(Fault quantitative assessment, FQA)作为工业过程监控的关键环节, 是故障诊断领域的研究热点. 本文提出了一种新的工业过程质量异常检测与故障量化评估方法. 首先, 采用弹性网络(Elastic net, EN)算法构建了质量相关的变量候选集, 借助典型相关分析(Canonical correlation analysis, CCA)构建了质量相关的特征向量, 并引入支持向量数据描述(Support vector data description, SVDD)实现质量异常检测. 其次, 从优化近邻点距离的角度提出了增强局部线性嵌入(Enhanced local linear embedding, ELLE)算法, 并提出了基于CCA-ELLE的质量异常故障量化评估方法. 最后, 通过田纳西−伊斯曼(Tennessee-Eastman, TE)过程进行仿真验证, 并与传统的方法进行对比分析, 实验结果验证了所提方法的优越性和有效性.

文章导读

质量异常的故障检测与量化评估技术是保证安全生产及获得可靠产品质量的有效手段, 是当前国际过程控制领域的研究热点之一[1]. 复杂工业过程的非线性、高维度特性给其应用带来了极大的挑战. 因此, 有必要建立准确可靠的监测模型质量异常的故障诊断, 为现场维护提供支持.

随着分布式控制系统(Distributed control systems, DCS)的广泛应用, 多元统计过程监测(Multivariate statistical process monitoring, MSPM)方法得到了广泛的关注[2-3]. 主成分分析(Principal component analysis, PCA)作为MSPM的典型方法, 通过将高维空间分解为主元子空间和残差子空间, 进而采用$ {T^2} $和平方预测误差(Square predicted error, SPE)统计量进行检测, 近年来广泛地应用到故障检测领域[4-5]. 然而, 基于PCA的故障检测技术聚焦于故障是否发生, 而忽略了由过程变量引起的故障是否会影响最终产品的质量. 于是, 以偏最小二乘(Partial least squares, PLS)、典型相关分析(Canonical correlation analysis, CCA)等为核心技术的质量异常检测(Quality abnormality detection, QAD)研究成果不断涌现. PLS立足于两组变量之间的协方差最大化. 近年来基于PLS及其相关扩展模型的质量异常检测技术层出不穷. Zhou等[6]将PLS提取过程变量中与质量相关空间的优势与主成分分析相结合, 构建了全潜结构投影(Total-partial least squares, T-PLS)模型, 实现了质量异常检测. Ding等[7]针对静态过程, 提出了一种改进偏最小二乘(Modified partial least squares, MPLS)算法, 提高了分解后子空间可解释性和关键性能指标检测能力. Huang等[8]通过核偏最小二乘法(Kernel partial least squares, KPLS)将主成分分析与质量异常检测相结合, 提高了质量监测的有效性. Wang等[9]从模型鲁棒性的角度将正交信号校正(Orthogonal signal correction, OSC)与改进偏最小二乘(Modified partial least square, MPLS)方法相结合, 提高了模型对微小故障的敏感性, 增加了建模的复杂度, 但其检测性能与MPLS相当. Jiang等[10]通过开发基于MATLAB的面向关键性能指标的故障检测工具箱, 对基于多变量统计分析的众多面向关键性能指标监测方法从建模原理、准确性、检测敏感性等多角度对比分析, 进一步验证了MPLS具有高计算效率, OSC-MPLS具有良好的故障检测能力和灵敏性. 与PLS不同的是, CCA通过最大化两组变量的相关系数来获得质量相关的投影矩阵, 取得了大量研究成果[11]. Chen等[12]将CCA应用于动态过程残差信号的构建, 提高了模型对动态过程的检测性能. Zhang等[13]将CCA与分布式思想相结合, 改善了传统的质量异常检测的效果. 但是, 复杂工业过程的数据往往具有非线性、非高斯等特性, 传统的MSPM方法遭遇一定瓶颈. 支持向量数据描述(Support vector data description, SVDD)算法最早由Tax等[14]提出. 由于其对具有非线性、非高斯特性的数据具有很好的适应能力, 已经广泛地应用到复杂工业过程的故障检测领域. 为了提高模型的检测能力, 基于SVDD的故障检测方法不断涌现. Khediri等[15]将核技术与SVDD相结合, 实现了多模态过程的非线性故障检测. Zhang等[16]采用间隙度量进行数据预处理, 实现了流程工业的厂级监控. Zhu等[17]采用粒子群优化算法对SVDD进行改进, 实现了检测模型的自适应更新, 具有重要的现实意义.

故障检测虽然能够通过报警提示质量异常, 但却不能给出故障根源、传播路径以及故障程度的量化信息. 近年来国内外众多学者对相关问题进行了大量研究[18-19]. 但是, 这些研究专注于故障根源与传播路径辨识, 缺少对故障进行准确的量化评估, 轻则造成维护费用的增加, 重则会导致故障的蔓延和恶化. 因此, 不同于故障根源与传播路径辨识, 对质量异常故障进行合理评估能够为维护人员提供更好的决策支持. Luo等[20]提出了一种采用两级判别指标的方案, 将故障划分为严重故障、轻微故障和无害故障, 实现了故障等级评估. Song等[21]将过程变量空间划分为3个性能相关的子空间, 并在此基础上进行了故障的严重程度分析. Yang等[22]在操作性能评估的过程中采用加权主成分分析(Weighted principal component analysis, WPCA)的方法针对系统不同的性能状态分别建立检测模型, 采用$ {T^2} $统计量构建健康指标, 实现了对系统状态的等级划分. 以上方法虽然能够从检测的角度对故障进行分析, 但是并没有给出精确的量化评估结果. 为此, Guo等[23]采用拉普拉斯特征映射(Laplacian eigenmap, LE)进行低维投影, 得到了更加准确的退化指标. Yan等[24]在评估指标的构建过程中综合考虑不同操作条件, 实现了多工况的状态监测. Sun等[25]在设备健康监测中采用了核稀疏表示的局部线性嵌入算法(Kernel sparse representation–local linear embedding algorithm, KS-LLE)对轴承的不同故障程度进行了量化评估, 得到了良好的评估效果. Atamuradov等[26]采用基于特征融合的监测方法, 实现了电机系统的状态评估. 上述方法虽然能够实现量化评估, 但并未分辨出故障是否造成质量异常, 进而不能提供准确合理的维护建议.

针对上述问题, 本文提出了一种新的工业过程质量异常检测与故障量化评估(Fault quantitative assessment, FQA)方法. 对比已有的工作, 本文的主要贡献归纳如下: 1)采用弹性网络(Elastic net, EN)算法构建了更加可靠的质量相关的变量候选集, 能够为后续的检测与评估提供支持; 2)采用CCA算法强化了候选集变量与质量变量的关系, 并通过SVDD实现了质量异常检测; 3)从优化近邻点距离的角度改进了局部线性嵌入(Local linear embedding, LLE)算法, 并提出了CCA-ELLE算法, 将质量异常的故障样本投影到二维空间进行量化分析, 实现了准确的故障量化评估.

图1 评估指标示意图

图2 质量异常检测与故障量化评估流程图

图3 参数分析

本文提出了一种新的工业过程质量异常检测与量化评估框架. 首先, 采用弹性网络算法筛选出可靠的质量相关的变量候选集; 其次, 提出了CCA-SVDD算法进行质量异常监测, 并取得良好效果; 再次, 从优化近邻点距离的角度提出了ELLE算法, 并与CCA相结合实现了质量异常故障的量化评估; 最后, 通过TE过程进行仿真验证, 并与传统的方法进行对比分析, 实验结果验证了所提方法的优越性和有效性. 下一步的工作是将所提框架应用到多故障多种程度的质量异常检测与故障量化评估中.

作者简介

董洁

北京科技大学自动化学院教授. 2007年获得北京科技大学控制科学与工程博士学位. 主要研究方向为智能控制理论与应用, 过程监控与故障诊断, 复杂系统建模与控制.E-mail: dongjie@ies.ustb.edu.cn

张伟

北京科技大学自动化学院硕士研究生. 主要研究方向为数据驱动的故障诊断与容错控制.E-mail: zw719228639@163.com

彭开香

北京科技大学自动化学院教授. 2007年获得北京科技大学控制科学与工程博士学位. 主要研究方向为复杂工业系统故障诊断与容错控制. 本文通信作者.E-mail: kaixiang@ustb.edu.cn

马亮

北京科技大学自动化学院副教授. 2019年获得北京科技大学控制理论与控制工程博士学位. 主要研究方向为数据驱动的故障诊断与容错控制.E-mail: mlypplover@sina.com