基于降維映射的工業(yè)過程建模與監(jiān)測(cè).pdf

1、工業(yè)4.0時(shí)代與“中國(guó)制造2025”為現(xiàn)代工業(yè)帶來了更多的機(jī)遇與挑戰(zhàn)，現(xiàn)代工業(yè)自動(dòng)化系統(tǒng)日益復(fù)雜，其信息化與智能化的程度日益加深。過程監(jiān)測(cè)是現(xiàn)代工業(yè)的關(guān)鍵技術(shù)，其目的是保障生產(chǎn)過程安全、提高產(chǎn)品質(zhì)量和生產(chǎn)效率、降低工業(yè)能耗和污染。傳統(tǒng)的統(tǒng)計(jì)分析過程監(jiān)測(cè)技術(shù)基于較樸素的假設(shè)（如獨(dú)立同分布、線性、穩(wěn)定工況），而在實(shí)際工業(yè)過程其面臨多方面的問題與挑戰(zhàn)，主要可以歸納為樣本特性層面（主要包括離群點(diǎn)、缺失值、多采樣率與工業(yè)大數(shù)據(jù)）與變量特性層面（主

2、要包括互相關(guān)、非線性、監(jiān)督指標(biāo)約束和時(shí)變性）。本文從流形學(xué)習(xí)的角度出發(fā)，針對(duì)性地從上述兩個(gè)層面研究了基于降維映射的工業(yè)過程建模和過程監(jiān)測(cè)問題。全文的主要研究?jī)?nèi)容如下:
　　(1)針對(duì)質(zhì)量預(yù)報(bào)中的非線性與互相關(guān)問題，提出了基于自學(xué)習(xí)核回歸模型(SLKR)的回歸建模與質(zhì)量預(yù)報(bào)方法，其建模過程帶有質(zhì)量約束。不同于傳統(tǒng)核方法需要人為選定核函數(shù)的形式與參數(shù)，SLKR通過特殊設(shè)計(jì)的半正定規(guī)劃(SDP)基于給定的建模數(shù)據(jù)自主地優(yōu)化學(xué)習(xí)出核空間。

3、原始數(shù)據(jù)變量間的非線性相關(guān)關(guān)系在這個(gè)核空間中被最大程度地恢復(fù)為線性，并同時(shí)最大化這些線性相關(guān)的核空間變量與質(zhì)量變量間的回歸關(guān)系。SLKR模型非線性數(shù)據(jù)處理能力強(qiáng)，基于SLKR模型的質(zhì)量預(yù)報(bào)精度高。
　　(2)數(shù)據(jù)的局部信息更能夠表現(xiàn)數(shù)據(jù)的本質(zhì)關(guān)系特征、更符合數(shù)據(jù)的特征分布。傳統(tǒng)質(zhì)量預(yù)報(bào)模型跟據(jù)分布的全局形態(tài)建模，忽視數(shù)據(jù)局部特性中所蘊(yùn)含的信息。針對(duì)這一問題，提出了基于鄰域保持嵌入回歸模型(NPER)的回歸建模與質(zhì)量預(yù)報(bào)方法，其采樣

4、局部信息建模。并進(jìn)一步針對(duì)樣本數(shù)量少于數(shù)據(jù)維度的情況（稀疏性），對(duì)回歸參數(shù)進(jìn)行彈性網(wǎng)懲罰(EN)，提出了基于稀疏鄰域保持嵌入回歸模型(SNPER)的回歸建模與質(zhì)量預(yù)報(bào)方法。最后針對(duì)工業(yè)過程時(shí)變性，借鑒即時(shí)學(xué)習(xí)的思想，提出了基于局部加權(quán)稀疏鄰域保持嵌入回歸模型(LW-SNPER)的回歸建模與質(zhì)量預(yù)報(bào)方法，可以保證回歸參數(shù)的稀疏性，具有較強(qiáng)的跟蹤過程時(shí)變性的能力，質(zhì)量預(yù)報(bào)精度高。
　　(3)針對(duì)質(zhì)量約束的故障檢測(cè)問題，提出了基于監(jiān)督式

5、的自學(xué)習(xí)核模型(S-SLK)的過程建模與故障檢測(cè)方法。S-SLK擴(kuò)展了MVU的建模范圍，利用了過程變量與質(zhì)量變量相關(guān)關(guān)系中所蘊(yùn)含的信息。考慮到質(zhì)量變量測(cè)量值的珍貴性，進(jìn)而提出基于廣義監(jiān)督自學(xué)習(xí)核模型(GSS-SLK)的過程建模與故障檢測(cè)方法，可以最大程度地利用含有任意程度的缺失值的多個(gè)質(zhì)量變量數(shù)據(jù)。此方法同樣可以處理多采樣率問題。
　　(4)針對(duì)故障檢測(cè)中的大數(shù)據(jù)問題，提出了一種基于分層技術(shù)的多層最大方差展開模型（MLMVU）的過

6、程建模與故障檢測(cè)方法。傳統(tǒng)的MVU模型高效的非線性處理能力使得基于此模型的過程建模與故障檢測(cè)方法檢測(cè)率高，漏報(bào)率低。然而其計(jì)算復(fù)雜度與空間要求嚴(yán)重限制了其在大規(guī)模數(shù)據(jù)上的可擴(kuò)展性。MLMVU模型將大規(guī)模數(shù)據(jù)被有序切割并分配到多層結(jié)構(gòu)，在犧牲有限精度的前提下顯著地提升計(jì)算效率、降低空間要求。通過生成采樣率較高的TE過程數(shù)據(jù)，驗(yàn)證了基于MLMVU過程建模與故障檢測(cè)方法的有效性，并具體分析了其中某故障的故障源與檢測(cè)效果，說明了大數(shù)據(jù)在統(tǒng)計(jì)過程

7、監(jiān)測(cè)中的意義。
　　(5)針對(duì)類別指標(biāo)的約束的非線性故障分類問題，分別提出了兩種基于監(jiān)督最大方差展開模型（SMVU1與SMVU2）的過程建模與故障分類方法。當(dāng)監(jiān)測(cè)到系統(tǒng)運(yùn)行異常時(shí)，我們需要及時(shí)準(zhǔn)確地獲取故障的類別信息，以方便做出正確的應(yīng)對(duì)措施。通過將類別指標(biāo)的約束關(guān)系引入統(tǒng)計(jì)過程監(jiān)測(cè)模型，可以在數(shù)據(jù)降維的同時(shí)提取數(shù)據(jù)中與故障類別最相關(guān)的信息，并去除冗余變量與噪聲，其故障分類結(jié)果準(zhǔn)確度高。
　　(6)針對(duì)數(shù)據(jù)特性層面的離群點(diǎn)問

8、題，本文所提出的模型也做了相應(yīng)處理使得其對(duì)離群點(diǎn)更加魯棒。針對(duì)MVU模型及其改進(jìn)模型，本文均將嚴(yán)格的等式約束放松為不等式約束;這樣訓(xùn)練出的模型更加魯棒，少量的離群點(diǎn)不會(huì)對(duì)建模產(chǎn)生較大影響。NPE模型及其改進(jìn)模型，使用最小化局部重構(gòu)誤差的思想計(jì)算鄰域關(guān)系與投影，天然地對(duì)離群點(diǎn)不敏感。另外針對(duì)變量特性層面的互相關(guān)問題、非線性問題，本文以構(gòu)建基于數(shù)據(jù)降維映射的統(tǒng)計(jì)監(jiān)測(cè)模型為研究思路，依托于流形學(xué)習(xí)方法，通過局部建模發(fā)掘真實(shí)的數(shù)據(jù)低維流形結(jié)構(gòu)，