引用本文

闫浩, 王福利, 孙钰沣, 何大阔. 基于贝叶斯网络参数迁移学习的电熔镁炉异常工况识别. 自动化学报, 2021, 47(1): 197−208 doi: 10.16383/j.aas.c200104

Yan Hao, Wang Fu-Li, Sun Yu-Feng, He Da-Kuo. Abnormal condition identification based on Bayesian network parameter transfer learning for the electro-fused magnesia. Acta Automatica Sinica, 2021, 47(1): 197−208 doi: 10.16383/j.aas.c200104

http://www.aas.net.cn/cn/ar1ticle/doi/10.16383/j.aas.c200104

关键词

电熔镁炉，异常工况识别，贝叶斯网络，参数学习，迁移学习 

摘要

在贝叶斯网络(Bayesian network, BN)参数学习中, 如果数据不够充分, 将无法建立准确的BN模型来分析和解决问题. 针对电熔镁炉熔炼过程的异常工况识别建模, 提出一种新的BN参数迁移学习方法来改进异常工况识别精度. 该方法可以解决源域BN与目标域BN在结构不一致情况下的参数迁移学习问题. 在实验部分, 首先在著名的Asia网络上对该方法进行了验证, 然后将其应用于电熔镁炉熔炼过程排气异常工况识别BN模型的参数学习. 实验结果表明, 与小数据下建立的目标域BN模型相比, 该方法较大地提高了异常工况识别的准确性.

文章导读

电熔镁砂又称电熔氧化镁, 是优质菱镁矿石在电熔镁炉中经高温熔融后形成的高纯氧化物. 作为重要的耐火材料, 电熔镁砂已被广泛应用于电子器件、陶瓷、化工等许多领域. 在电熔镁砂的熔炼过程中, 由于各种原材料可能来自不同地域, 质量会有很大差异. 电熔镁炉通过控制系统, 根据不同条件跟踪不同的电流设定点来完成熔炼过程. 当原料的颗粒大小或成分发生变化时, 如果电流的设定点未被及时合理地调整, 则会发生异常. 异常工况的发生将导致高能耗、产品性能下降甚至安全威胁. 因此, 有必要对异常工况进行准确的识别, 以避免造成严重后果. 异常工况的发生具有一定随机性, 这取决于原材料的质量和操作条件. 随着控制算法的改进, 异常工况的发生率不断降低. 这种情况有利于生产合格的电熔镁砂, 却也导致异常工况数据的收集变得更加困难. 尤其是单个电熔镁炉的异常工况数据非常有限. 如果仅依靠少量的异常工况数据来建立异常工况识别模型, 准确性将无法满足实际要求.

目前, 一些针对电熔镁炉熔炼过程的异常工况识别和安全控制的研究成果已被相继提出[1-11]. 在文献[7]中, 一种基于核主成分分析和核偏最小二乘模型的故障诊断方法被应用于电熔镁炉熔炼过程中, 但是该方法无法识别异常工况的类型. 在文献[8]中, 基于操作人员判断和消除异常工况的经验, 一种数据驱动的异常工况识别及自愈控制方法被提出. 但是, 文献[8]仅利用了电流特征进行异常工况识别, 而没有融合多源信息, 并且不能区分异常工况的严重程度. 在文献[9-10]中, 通过融合电流、图像和声音等多源信息, 提出了一种基于贝叶斯网络(Bayesian network, BN)的电熔镁炉熔炼过程异常工况识别方法. 但是, 文献[9-10]所建立的BN模型假设是基于足够多的异常工况数据, 当收集到的异常工况数据很少时, 很难建立有效的异常工况识别模型. 迁移学习能有效地解决这一问题, 它旨在通过使用来自相关源域的数据及其他信息解决目标域问题. 文献[11]基于文献[9-10]建立的BN模型, 考虑了来自同一工厂或其他工厂的电熔镁炉的异常工况数据, 提出一种基于BN参数迁移学习的异常工况识别方法, 提高了目标域异常工况识别的准确率. 然而, 文献[11]所提出的方法仅适用于源域BN与目标域BN结构一致情况下的参数迁移学习. 在实际情况中, 很多工厂仅通过电流特征建立模型对异常工况进行识别, 此时源域BN与目标域BN结构不一致, 文献[11]提出的方法无法利用这些源域信息. 因此, 如何进一步有效地利用这一部分源域信息, 提出适用范围更广泛的BN参数迁移学习方法, 成为亟待解决的问题.

迁移学习已成功应用于分类[12]、滤波[13]、识别[14]、故障诊断[15]、预测[16]以及优化控制[17]等各种领域. 文献[18]表明使用计算智能的迁移学习方法是一项极具意义的研究工作, 包括基于BN的迁移学习、神经网络迁移学习和模糊迁移学习. 然而, 针对BN迁移学习的研究十分有限, 现有的成果主要包括结构迁移学习和参数迁移学习两个方面[19-26]. 针对BN结构迁移学习, 文献[19]提出一种基于条件独立性测试的BN结构迁移学习方法; 文献[20-21]基于评分搜索提出一种针对相关任务的BN结构迁移学习算法. 针对BN参数迁移学习, 文献[22]提出基于网络和片段(子图)相关性的BN参数迁移学习算法; 文献[19]提出基于距离的线性池和局部线性池概率加权方法, 但是该方法仅考虑了条件概率表(Conditional probability table, CPT)大小和数据集大小的影响, 忽略了源域与目标域的适应度. 此外, 专家知识在BN学习过程中起着重要作用[23-24, 27-28]. 文献[23]为了评估多任务BN结构学习中的相关性, 结合领域知识放松假设条件. 文献[24]通过整合知识迁移和专家约束, 提出一种新的BN参数迁移学习方法.

本文旨在目标电熔镁炉异常工况数据稀缺的情况下, 应用迁移学习的思想来建立目标域异常工况识别的BN模型. 与文献[11]相比, 本文放松了源域与目标域结构一致的前提假设, 提出了适用范围更加广泛的源域与目标域结构不一致情况下的BN参数迁移学习方法. 首先, 将目标域BN分解成以单一节点及其父节点为单位的子BN. 然后, 针对目标域的每一个子BN, 在源域中进行搜索, 将具有相同结构关系的源域作为备选源域. 在确定备选源域后, 为避免负迁移, 本文进一步提出了评价目标域与备选源域相似性的度量指标, 该指标由整体结构相似度和参数相似度两部分构成. 其中, 整体结构相似度通过本文提出的基于语义相似度的评价标准来计算; 参数相似度通过提取目标域的专家知识作为约束条件来计算. 根据计算得到的相似度得分, 可以确定备选源域的迁移权重. 最后, 最终的目标域参数由备选源域参数和目标域参数加权获得. 为了评价提出的方法, 首先在著名的Asia网络上比较并说明了迁移学习前后的效果, 然后将所提出的方法应用于建立电熔镁炉熔炼过程排气异常工况识别模型. 实验结果表明, 与目标电熔镁炉缺少异常工况数据的建模方法相比, 本文提出的方法具有更好的异常工况识别性能.

本文的创新点及贡献主要体现在以下三个方面: 1) 本文提出了源域与目标域结构不一致情况下的BN参数迁移学习方法, 其优点在于源域的选择范围更加广泛, 可利用的源域信息更加充分; 2) 本文提出了一种新的评价源域BN与目标域BN相似度的方法, 以避免负迁移的影响; 3) 本文提出的方法被用来解决目标电熔镁炉异常工况数据不够充分的情况下, 异常工况识别的建模问题.

本文章节安排如下: 第1节介绍了BN基础; 第2节描述了电熔镁炉熔炼过程和本文要解决的问题; 第3节提出了新的BN参数迁移学习方法; 第4节先通过著名的Asia网络验证了本文方法的有效性, 然后将本文方法应用于电熔镁炉熔炼过程排气异常工况识别模型的建立以及在线识别; 结论展示在第5节.

图1 BN分解示意图

图2 电熔镁炉熔炼过程示意图

图3 电熔镁炉排气异常工况的BN模型结构

本文针对电熔镁炉熔炼过程中异常工况数据不够充分的情况, 提出了一种新的BN参数迁移学习方法, 解决了源域与目标域结构不一致情形下的参数迁移学习问题. 目标域BN被分解成以单一节点及其父节点为单位的子BN. 针对每一个子BN, 在源域中进行搜索, 将具有相同结构关系的源域作为备选源域. 在确定备选源域后, 为避免负迁移影响, 本文进一步提出了评价备选源域与目标域相似性的指标. 通过计算整体结构相似度和该节点的参数相似度, 确定了备选源域的迁移权重. 最后, 将备选源域参数和目标域参数进行加权, 获得了最终的目标域参数. 在Asia网络以及电熔镁炉熔炼过程排气异常工况识别的实验, 说明了本文提出方法的有效性和优越性.

作者简介

闫浩

东北大学信息科学与工程学院博士研究生. 主要研究方向为人工智能, 复杂工业过程智能建模、控制与优化, 数据挖掘.E-mail: 13644971979@163.com

王福利

东北大学信息科学与工程学院教授. 主要研究方向为复杂工业过程建模与优化, 故障诊断. 本文通信作者. E-mail: wangfuli@ise.neu.edu.cn

孙钰沣

东北大学信息科学与工程学院硕士研究生. 主要研究方向为迁移学习, 贝叶斯网络, 人工智能, 故障诊断. E-mail: sunyufeng0411@163.com

何大阔

东北大学信息科学与工程学院教授. 主要研究方向为智能建模、控制与优化, 复杂工业生产全流程智能监测与故障诊断技术.E-mail: hedakuo@ise.neu.edu.cn