引用本文

张晨, 孔祥玉, 胡昌华. 独立慢特征分析建模方法及其在动态故障检测中的应用. 自动化学报, 2025, 51(11): 2520−2533 doi: 10.16383/j.aas.c250134

Zhang Chen, Kong Xiang-Yu, Hu Chang-Hua. Independent-slow feature analysis modelling method and its application in dynamic fault detection. Acta Automatica Sinica, 2025, 51(11): 2520−2533 doi: 10.16383/j.aas.c250134

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c250134

关键词

独立慢特征，动态过程，故障检测，网格搜索

摘要

故障检测与诊断技术是保证复杂装备或工业过程正常运行的技术支撑和有效手段, 独立成分分析(ICA)作为一种典型的多元统计过程监测方法, 可充分挖掘数据的高阶统计信息. 传统ICA方法在预处理阶段采用主成分分析(PCA)进行白化和降维, 但PCA的静态性质导致ICA在动态过程监测中的效果不太理想. 为解决这一问题, 提出一种独立慢特征分析(ISFA)建模方法. ISFA以原始观测矩阵和白化矩阵为自变量构造双目标优化函数, 基于牛顿迭代法求解目标函数, 使用网格搜索优化权重系数, 利用指数加权移动平均修正统计量并构建综合检测指标. 最后, 利用数值仿真和电动伺服机构实验验证了所提方法的有效性.

文章导读

故障检测与诊断技术是保证复杂装备或工业过程正常运行的技术支撑和有效手段, 也是当前自动化领域的研究热点之一. 鉴于运行过程采集到大量的传感器数据, 基于数据驱动的多元统计过程监测(Multivariate statistical process monitoring, MSPM)方法优势明显, 并且得到广泛应用[1−3]. 通过运行过程的离线数据和在线观测数据, 该方法能实现有效的过程监测与故障检测.

独立成分分析(Independent component analysis, ICA)是常见的MSPM方法之一[4]. ICA通过负熵最大化准则提取特征, 将观测信号分解成相互独立的成分(Independent component, IC). 作为高阶统计量, IC能提供更丰富的统计信息, 也能更好地反映测量数据的内在属性. 因此, ICA被引入多个领域进行特征提取. Xu等[5]提出一种基于独立成分分析和主成分分析(Principal component analysis, PCA)相结合的多变量过程监控方法, 在提取完特征后借助贝叶斯分类器进行故障检测. Yang等[6]将随机森林和独立成分分析结合起来构建模型, 并很好地检测到了所有的光伏故障. Zhang等[7]提出一种基于顶点封装的区间独立成分分析方法, 随后引入数据封装的思想, 最后构造的统计量有效监测了过程的变化. 尽管这些引入取得了一定效果, 但ICA在实际应用中还是存在一个明显的缺点: 动态过程监测效果不理想. 这是因为ICA在预处理阶段使用PCA进行白化和降维, 但PCA是一种静态的降维方法[8].

对于大多数工业过程, 夹杂有噪声和干扰的过程变量是自相关和时变的[9], 这使得ICA不适合用于监测这样的动态过程. 为解决这个问题, Zhang等[10]扩展ICA方法并提出动态ICA (Dynamic independent component analysis, DICA). 通过引入时滞来构建增广矩阵, 互相堆叠的观测向量增强了自相关性, 传统ICA可以进一步提取时变动态特征. 但对于高维过程, 即使只考虑一阶自相关, 数据的维度也会显著增加. 同时, 在这些动态方法中, 所有变量都以相同的时滞处理, 而动态特性对不同的变量可能有不同的影响. 因此, DICA并没有充分利用ICA的统计优势, 在动态过程监控中的性能也不够有效.

另一方面, 为从过程数据中提取重要动态信息, 慢特征分析(Slow feature analysis, SFA)被提出[11]. SFA的基本准则是, 变化越是缓慢的变量, 越是包含数据的关键信息. SFA是一种无监督的特征提取方法, 旨在提取缓慢变化的包含数据有用信息的慢特征. 基于SFA在提取动态特征上的优势, SFA得到了广泛应用. Ji等[12]提出一种基于SFA的数据驱动方法, 并应用于传感器的故障检测和分类任务. Zhang等[13]通过对慢特征进行稀疏化处理, 提升了动态空调系统故障诊断的有效性. Saafan等[14]提出一种基于稀疏SFA的模型, 并通过两个数据集验证了该方法在故障检测上的优越性.

基于以上分析, Feng等[15]提出一种同时考虑高阶静态特征和慢特征的时间序列特征提取方法SICA (Slow-independent component analysis), 解决了传统ICA的非高斯假设和无序性问题. 但该方法仍有两点不足: 一是该方法目标函数的自变量是白化矩阵, 而不是原始观测矩阵, 这会损失部分动态特性; 二是该方法没有提出明确的权重系数求解方法, 只能通过试错法确定. Li等[16]提出一种基于统计独立性和时间慢度相结合的独立慢特征分析方法来监测非高斯和非线性过程的方法, 并与深度学习方法相结合实现故障检测和分类. 但该方法在构造最优目标函数时, 认为统计独立性和时间慢度同样重要, 并设置这两部分的权重系数为1, 并没有对系数取值进行更广泛的分析和讨论. 在此基础上, 本文提出一种独立慢特征分析(Independent-slow feature analysis, ISFA)建模方法. ISFA以原始观测矩阵和白化矩阵为自变量构造双目标优化函数, 基于牛顿迭代法求解目标函数, 使用网格搜索优化权重系数, 最后构造综合检测指标实现故障检测.

与现有故障检测方法相比, 本文所提ISFA主要贡献如下: 1)以原始观测矩阵和白化矩阵为自变量构造双目标优化函数, 同时考虑高阶独立性和慢特征; 2)使用网格搜索优化权重系数, 有效提升算法可靠性; 3)借助指数加权移动平均(Exponentially weighted moving average, EWMA)技术融合历史样本信息和当前样本信息构造综合检测指标, 提升故障检测效果.

图1  单特征提取算法

图2  基于ISFA的故障检测流程图

图3  数值仿真变量相关性检验结果

针对ICA动态过程监测效果不理想的问题, 本文提出一种独立慢特征分析建模方法. 该方法以原始观测矩阵和白化矩阵为自变量构造双目标优化函数, 基于牛顿迭代法求解目标函数, 使用网格搜索优化权重系数, 最后利用EWMA修正统计量并构造综合检测指标实现故障检测. 在数值仿真和电动伺服机构实验中, ISFA均展现出优越的故障检测性能.

在实际装备运行过程中, 过程变量与过程变量之间以及过程变量与质量变量之间都存在非线性关系, 线性SFA模型在实际过程监控应用中往往无法得到满意的效果. 为了处理这类非线性问题, 带核技巧的SFA和带深度学习的SFA (Deep SFA)是目前常用的方法. 考虑到独特的模型结构、强大的学习能力以及与复杂非线性特性高度契合的算法设计, 深度学习方法在处理非线性系统时具有显著优势. 下一步, 作者考虑引入深度学习方法来应对非线性系统的故障检测问题.