数据驱动的工业过程鲁棒监测

发布时间：2018-04-09 02:37

  本文选题：过程监测　切入点：动态过程　出处：《浙江大学》2016年博士论文

【摘要】：随着工业4.0时代的到来,现代工业自动化系统不断朝着复杂化、信息化和智能化的趋势发展。过程监测作为保障产品质量,过程生产安全和外部环境友好的关键技术,是现代工业系统不可或缺的重要组成部分。在实际过程中,过程数据,变量和系统本身的各种复杂因素对现有的数据驱动模型鲁棒监测提出了挑战。数据复杂性问题指离群点、缺失值和大数据,而变量的复杂特性主要指非高斯性、动态性以及时变性。除了数据和变量的复杂性,过程系统本身的复杂性主要体现在厂级过程系统的大规模性,并且厂级系统需要不断进行局部工艺维护更新。因此系统复杂性问题关系到数据和变量的特性也会导致显著的性能鲁棒性问题。本文针对这些问题,在数据驱动框架下,以概率方法为主要思路,系统性地提出了一套对数据、变量与过程系统的复杂特性具有鲁棒特点的统计过程监测模型:(1)针对产品质量预报过程中同时存在的过程变量离群点以及过程的多模态特性。提出了一种基于t分布的混合鲁棒概率主元回归方法。t分布作为高斯分布的更一般形式,其重尾特性可以很好地适应过程的离群点,因而其模型鲁棒性也更加优越。进一步地,针对过程质量变量建模过程中由于难以获取而存在的多采样率问题,进一步地对上述方法引入了半监督的改进机制。鲁棒半监督模型的提出可以有效改善在过程变量具有离群点以及质量变量具有多采样率的复杂情形下的鲁棒建模与质量预报问题。(2)针对过程数据同时存在离群点,缺失值以及非高斯性的问题,提出了一种混合鲁棒概率主元分析的建模与故障检测方法。除了对离群点提出了 一种基于t分布的概率主元分析建模方法外,还针对缺失值问题提出了一种部分更新的概率建模思路,最后建立了混合t分布模型来处理过程的非高斯特性。这样一来,过程数据的离群点,缺失值和非高斯特性都可以在所提出的鲁棒概率框架下得到有效地解决。在过程监测方面,提出了相应的统计量并基于贝叶斯融合方法提出了混合鲁棒模型的全局统计指标。(3)工业过程通常还同时存在着动态性问题。针对这类问题提出了两种鲁棒动态模型建模方案并分别用于过程故障检测与故障分类。首先提出了一种基于t分布的鲁棒线性动态系统方法。在建模方面提出了一种贝叶斯建模方法对参数进行优化;在推理方面提出了使用卡尔曼滤波来估计隐状态空间并且推导了基于变分贝叶斯方法的参数学习方案;在过程监测方面,提出了一种基于双高斯混合的统计量构建方法,可以有效解决鲁棒模型的统计量设计问题并应用于故障检测。在鲁棒故障分类器建模方面,提出了一种基于隐马尔科夫模型的鲁棒概率主元分析模型,将静态的混合鲁棒概率主元分析通过对隐空间的指示状态增加一阶马尔科夫特性表示成为动态形式。与传统的隐马尔科夫模型相比,鲁棒性得到了提高,并且能很好地对动态过程进行故障分类。(4)过程监测统计模型除了对数据质量的鲁棒性外,对变量的高斯/非高斯混杂情形也需要考虑模型的性能鲁棒性问题。考虑到传统独立成分分析方法只是关注于数据分布的非高斯性,而传统的主元分析则偏向高斯数据建模,因而对于数据的高斯/非高斯混杂情形,上述两种方法的建模方法由于没有鲁棒的信息表示与提取机制因而监测性能均会不同程度的降低。为此,提出了一种概率独立成分分析的方法,能够同时提取并灵活表示混杂分布中的高斯/非高斯信息,因而对高斯/非高斯混杂分布建模情形的信息表示和提取性能更强。为了对高斯残差空间的有效信息进行分析,进一步使用概率主元分析进行残差建模与监测。仿真表明所提出的模型能够有效运用于各种高斯/非高斯混杂变量分布情形过程的建模并且监测,并具有很好的性能鲁棒性。(5)针对传统统计建模与监测方法在面对同时具有多工况以及时变特性的失效问题,提出了一种具有鲁棒特点的基于递推混合因子分析的在线监测与更新方案。为了实现递推更新的过程,首先推导了一般递推期望最大化框架下的递推混合因子模型的实现方法,基于此提出了一种基于贝叶斯机制的模型成分选择与更新方法,能够在不需要过程模态的先验知识的条件下很好的对多模态数据进行递推学习与隐变量模型建模。另外,针对监测过程中分布发生的时变特性而导致性能降低的问题又提出了 一套鲁棒的时变过程在线监测方案,从而使递推概率模型能够在过程工艺发生改变并新增模态以及设备性能发生改变的情形下依然能保持合理的模型在线更新并进行异常监测。(6)针对厂级过程的大规模性以及需要不断局部更新维护的特点,提出了基于鲁棒分布式思想的建模与监测方案。传统的集中式建模不同,鲁棒分布式建模关注于分布式局部单元建模并通过贝叶斯融合的方式进行多层可视化统计决策分析,从而系统需要更新维护时也只需要考虑局部分布式子模型的更新。由于不影响其他局部模型的监测性能,因此既提高了分布式计算效率,又增加了应对局部模型变化时全局监测性能的鲁棒性。基于此,提出了一种鲁棒分布式贝叶斯网络的厂级过程建模与监测方案。在建模方面,首先提出对局部单元通过数据驱动方式建立分布式贝叶斯网络,然后提出了分布式网络融合的方法;在监测方面,提出了基于缺失数据思想的变量重构方法并基于贝叶斯融合算法分别设计并提出了针对变量,分布式单元块以及厂级过程的多层统计监测指标,实现了对厂级过程的具有可视化特点的分布式多层次监测的方案。厂级过程除了大规模外,还存在大数据情形下的鲁棒分布式统计建模问题。针对这个问题,在鲁棒分布式思想下提出了分布式并行主元分析方法。在对厂级系统进行的分布式建模框架上搭建了基于MapReduce框架的统计量分布式并行算法,并提出了统计量合并的方案以及全局模型的构建方法。监测方面,基于贝叶斯融合的方法给出了主元分析模型的统计决策融合方案并基于故障重构实现了多层监测策略。所提出的分布式并行方案能够解决大规模厂级系统在大数据情形下的建模问题,在继承了分布式建模系统的性能鲁棒性优点的同时还具有实现的简单,快捷并且实用价值高的优点。
[Abstract]:In addition to the complexity of data and variables , the complexity of process data , variables and non - Gaussian characteristics can be solved effectively . In addition to the complexity of data and variables , the complexity of the process system is mainly due to the non - Gaussian , dynamic and temporal variability . ( 4 ) In addition to the robustness of the traditional statistical modeling and monitoring method , this paper presents a method for modeling and monitoring of Gaussian / non - Gaussian mixture .

【学位授予单位】：浙江大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：O212
，

本文编号：1724503