引用本文

褚菲, 许杨, 尚超, 王福利, 高福荣, 马小平. 基于静−动态特性协同感知的复杂工业过程运行状态评价. 自动化学报, 2023, 49(8): 1621−1634 doi: 10.16383/j.aas.c201035

Chu Fei, Xu Yang, Shang Chao, Wang Fu-Li, Gao Fu-Rong, Ma Xiao-Ping. Evaluation of complex industrial process operating state based on static-dynamic cooperative perception. Acta Automatica Sinica, 2023, 49(8): 1621−1634 doi: 10.16383/j.aas.c201035

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c201035

关键词

复杂工业过程，运行状态评价，静−动态特性协同，慢特征分析，稀疏学习 

摘要

针对当前过程监测和运行状态评价方法等对工况信息感知不全面、漏报和误报现象严重等问题, 在深入研究工业现场数据静−动态特性协同感知方法的基础上, 提出关键性能指标(Key performance indicators, KPI)驱动的慢特征分析(Slow feature analysis, SFA)算法. 将关键性能指标信息融入到慢特征分析中, 协同感知复杂工业过程的静−动态特性变化, 并进一步通过计算潜变量之间的相似度及其一阶差分间的相似度实现对过程稳态和过渡的评价. 在此基础上, 建立基于静−动态特性协同感知的过程运行状态评价统一框架. 针对非优状态, 提出基于稀疏学习的非优因素识别方法, 实现对非优因素变量的准确识别. 最后, 通过重介质选煤过程实际生产数据和田纳西·伊斯曼(Tennessee Eastman, TE)过程数据验证了该方法的有效性.

文章导读

为保障生产安全和产品质量, 实现综合经济效益最大化, 过程监控一直是工业领域关注的热点问题. 目前, 过程监控技术已成功应用于矿物加工、冶金、石化等重要工业制造过程, 并取得了一定的经济效益[1-2]. 然而, 传统过程监测技术仅关注异常工况的发生, 在未出现显著异常状况时, 由于过程存在扰动和不确定性, 导致非优乃至较差运行状态频发. 特别在中国矿产加工、冶金等典型原材料加工工业中, 尚存在原材料变化频繁、运行环境复杂恶劣、工况波动剧烈、设备运行状态不佳、产品质量和工艺参数无法实时全面检测, 导致生产过程非优状态频发, 运行控制效果难以满足实际生产要求[3-5].

近年来兴起的过程运行状态评价方法对保障复杂工业过程安全高效运行、提高企业综合经济效益具有重要意义[6-11], 相关研究成果不断涌现. 例如文献[6]提出一种面向多模式工业过程操作安全性和最优性评价的概率框架, 利用高斯混合模型表征多种模式, 构建安全性和最优性指标, 并将其划分为不同的稳态等级进行评估. 然而, 对于非最佳的运行状态, 该方法仅能进行定性分析, 无法实现定量分析. 文献[7]提出一种基于Fisher判别分析的过程运行状态在线评价方法, 通过计算数据间相似度将未知状态样本划分至相似状态, 有效减小数据间差异, 提高运行状态识别准确率; 然而, 该方法未能提取与综合经济性能指标相关的信息, 无法进一步识别非优因素. 文献[8]基于构建的软测量模型, 提出一种关键指标协调优化方法, 实现了生产过程的优化运行. 文献[9]提出一种基于综合经济指标相似度的在线运行状态评价方法, 将全潜结构投影法应用于过程运行状态评价. 通过进一步分解偏最小二乘法(Partial least squares, PLS)子空间和残差空间中的变化, 有效提取与综合经济指标相关的信息, 据此将数据分为不同的稳态等级, 进而实现在线评价. 文献[10]提出一种针对非高斯过程的运行最优性评估及非最优因素识别策略, 利用生产过程过渡阶段信息实现在线评估, 并结合各操作量贡献率识别非优因素[11]. 文献[12]提出一种全潜鲁棒偏M估计的最优状态鲁棒评价方法, 通过对样本数据进行加权, 消除离群点影响, 提高算法在低质量工业数据建模中的鲁棒性.

然而, 由于实际生产装置存在明显动态变化和反馈调节作用, 过程测量值具有显著时序相关性, 呈现出典型的多维时间序列特点. 单一的静态特性分析往往无法全面感知工况特性, 导致模型泛化能力不足、误报与漏报问题严重[13-15]. 为此, 学者们提出了各类过程动态统计建模方法, 例如动态PLS[16]、多尺度主元分析[17]、状态空间方程[18]等. 然而, 这些方法均无法清晰区分过程动态信息与稳态信息, 因而对动态异常不敏感. 慢特征分析(Slow feature analysis, SFA)算法是一种有效的能从多维时间序列数据中提取动态信息的无监督学习方法. SFA的潜变量具有缓慢变化的特点, 有效从多维时序数据中抽取过程内在动态变化规律.

在实际生产过程中, 经验丰富的工程人员对过程运行状态的定性评价可归结为某种抽象的、蕴含深层次运行状态信息的关键性能指标(Key performance indicator, KPI), 用来统一表征大型复杂工业过程中决策者最为关心的重要指标, 这与温度、压力、流量、液位等传统参数共同构成了多源、多率过程数据. 然而, KPI本质上描述了低水平技术/组件的性能与高水平生产质量、生产效率、能源和原材料消耗等之间的定量关系[24-25], 而这类信息通常难以在线实时获取, 特别是运行状态评价信息需要有经验的操作人员进行事后分析得到. 一个可行的思路是基于历史数据建立运行状态评价结果与快采过程变量之间的数学模型, 实现KPI的实时预报, 从而对过程运行状态进行在线评价. 例如文献[26]通过引入性能指标对SFA的动态信息进行分解的方法, 实现过程性能指标的有效监控.

为此, 本文提出一种新的KPI驱动的SFA模型(KPI-driven SFA), 通过对过程静−动态特性进行协同感知, 实现了对运行状态评价信息的有效利用. 在此基础上, 建立了新的复杂工业过程运行状态评价框架. SFA本身是一种无监督学习算法, 本文在SFA优化目标的基础上, 进一步挖掘潜变量和KPI之间的相关关系, 将运行状态评价信息有效融入到慢特征中, 在协同感知过程静−动态特性信息的同时, 显著提高慢特征与KPI之间的相关性. 通过计算潜变量t及其一阶差分t˙之间的相似度, 从稳态和动态的不同角度对过程运行状态进行精细描述, 加深工程人员对过程运行状态的认知与理解.

在监测到非优状态后, 操作人员最为关心的问题在于如何有效识别导致运行状态非优的关键变量. 传统识别方法主要基于贡献图技术, 在变量维数高、采样噪声及干扰显著时, 存在识别准确率低等不足. 本文在运行状态评价方法基础上, 进一步提出一种基于组套索的非优因素识别方法, 消除无关变量影响, 实现对非优因素变量的准确识别, 为工程人员进行针对性调整与维护, 提供有益的指导信息.

本文主要贡献如下: 1)采用KPI-driven SFA算法, 实现对过程静−动态特性的感知, 通过对过程内在本质特性的提取, 能有效减少过程噪声等过程不确定性影响, 相比于一般运行状态评价方法, 本文方法能有效减少误报和漏报问题; 2)提出基于静−动态特性协同感知的运行状态评价统一框架, 在过程静−动态特性感知的基础上, 设计过程动态特性指标, 与静态指标协同分析, 对过程状态精确评价的同时实现对过程状态变化方向的识别; 3)提出基于稀疏学习的非优因素识别方法, 从原始过程变量中获取具有组稀疏性的非优因素变量, 通过组套索对某个变量在过去一段时间内的总体贡献施加惩罚, 迫使无关变量的整体贡献率趋近于零, 从而实现对非优因素变量的准确识别和定位.

图 1  基于静−动态特性协同感知的复杂工业过程运行状态在线评价流程图

图 2  基于稀疏学习的非优因素识别流程图

图 3  重介质选煤工艺流程图

针对复杂工业过程中由于过程感知不全面导致漏报、误报现象严重的问题, 本文提出一种基于静−动态特性协同感知的运行状态评价方法, 并将其应用于重介质选煤过程. 通过本文提出的KPI-driven SFA算法, 实现工业过程静−动态特性协同感知以及运行状态信息的深度提取. 利用特征信息的相似度以及一阶差分信息的相似度, 完成对过程稳态和过渡的评价; 在此基础上, 给出基于静−动态特性协同感知的运行状态评价的统一框架, 实现过程运行状态实时评价与演化趋势实时监测, 有效减少误报、漏报问题. 当运行状态非优时, 本文提出一种基于稀疏学习的非优因素识别方法, 基于低质量过程数据实现非优因素变量准确识别, 降低无关变量影响, 提高识别结果的可解释性. 最后, 基于重介质选煤过程实际生产数据, 全面分析和验证了本文方法的有效性和实用性. 今后将对无监督或半监督机制等数据学习方法展开进一步研究工作.

作者简介

褚菲

中国矿业大学信息与控制工程学院教授. 2014年获得东北大学博士学位. 主要研究方向为复杂工业过程的建模、控制与优化, 统计过程监测及运行状态评价. E-mail: chufeizhufei@sina.com

许杨

中国矿业大学信息与控制工程学院硕士研究生. 2019年获得中国矿业大学学士学位. 主要研究方向为复杂工业过程运行优化及运行状态评价. E-mail: xuyang_668@sina.com

尚超

清华大学自动化系副教授. 2016年获得清华大学博士学位. 主要研究方向为大数据解析及工业应用, 过程监控与故障诊断和工业过程建模. 本文通信作者. E-mail: c-shang@tsinghua.edu.cn

王福利

东北大学信息科学与工程学院教授. 1988年获得东北大学博士学位. 主要研究方向为复杂工业系统的建模、控制与优化, 过程监测和故障诊断. E-mail: wangfuli@ise.neu.edu.cn

高福荣

香港科技大学化工系教授. 主要研究方向为过程建模、控制和监测. E-mail: kefgao@ust.hk

马小平

中国矿业大学信息与控制工程学院教授. 2001年获中国矿业大学博士学位. 主要研究方向为过程控制, 网络化控制系统及故障检测. E-mail: xpma@cumt.edu.cn