多模型PCA方法用于不穩定工業過程的監測

徐益平

【摘 要】工業過程的變化會帶來過程數據的局部結構變化，因此對不穩定的工業過程進行監測和診斷是一個相當大的挑戰。傳統的過程監控方法將過程作為一個整體進行培訓和建模，但忽略了局部特征。為了構造不穩定過程的結構，本文引入多模型框架，構造了一種新的不穩定工業過程多模型PCA監測方法。與傳統方法相比，該方法具有更好的仿真性能。

【關鍵詞】過程監控;工業過程;PCA

中圖分類號： TP277 文獻標識碼： A 文章編號： 2095-2457（2019）22-0060-002

0 引言

不穩定的工業過程是一類不斷變化的工業過程。例如，在軋鋼過程中，坯料的重量和軋制速度等變量隨訂單的變化而變化。盡管數據發生了變化，但整個過程仍處于正常狀態。隨著自動化和信息技術的進步，實時管理和統一調度給工業過程帶來了不穩定性[1]。在傳統的過程監控方法中，這樣一個不穩定的工業過程可能被認為是一個故障，實際上，它根本不是一個故障。這種不穩定的工業過程給過程監控和故障診斷帶來了新的挑戰。

考慮到系統的復雜性，基于數據驅動的過程監控在過程監控領域得到了越來越多的關注。數據驅動方法的最大優點是不依賴于機理模型。目前主要的數據驅動過程監測方法是多元統計過程監測（MSPC）[2]，它包含PCA、PLS、CVA等多種方法。PCA是一種線性降維方法，它將數據分解為主成分子空間和剩余子空間[3]。通過構造Hotelling T2統計量和Q統計量，設計了兩個子空間。PCA方法從原始數據中提取特征，得到最大限度的投影內部信息[4]。該方法注重樣本數據的整體結構，適用于穩態過程監測。但針對工業過程不穩定監測問題，PCA監測不能反映工業過程局部結構變化的特點，故障率較高。針對這個問題，本文構造了多模型PCA過程監控方法，來解決生產模式變遷帶來的過程監控問題。

2 多模型PCA過程監控方法

對于正常的工業過程數據，PCA方法可以得到過程數據的內在結構特征，異常狀態產生時，就會產生異常數據，由于異常數據偏離了原始數據結構，就會通過統計量檢驗的方式進行報警。在不穩定生產過程中，生產模式的變遷也會產生不符合原映射結構的過程數據，從而將正常點映射到錯誤的檢驗結果中，從而混淆了正常和異常數據。針對這種情況，本文提出了一種多模型PCA算法來解決投影異常問題。

在建模過程中，多模型PCA方法首先基于聚類算法將數據劃分為若干類。然后，該方法再為每個類建立了PCA過程監控模型。在監控過程中，首先對過程數據進行分類，然后根據其類標簽對每個測試數據進行測試。圖1為算法的訓練步驟，將訓練樣本聚類為K類，并對每個類進行建模。圖2為測試步驟，測試數據通過聚類模型進行分類，并由相應的模型進行診斷。

在多模型PCA在線監控算法中，對聚類和分類的方法并不加以限定。可以根據特定對象的歷史數據，通過實驗來確定最佳的聚類和分類方法。

3 實驗分析

本文所要測試的數據集是從鋼鐵企業軋鋼車間的水冷過程中采集的。軋鋼水冷生產過程是鋼鐵企業軋鋼工藝中的一個重要環節。在軋鋼水冷生產過程中，僅憑經驗很難對生產的運行狀態進行分析和準確判斷。在本章節中采用多模型PCA在線監控方法，通過實驗的方式對軋鋼水冷數據進行監測和診斷。

圖3是多模型PCA方法對不穩定生產狀態的水冷過程進行檢驗的統計檢驗圖，圖中紅色曲線對應其中包含Hotelling T2檢驗，綠色曲線對應Q檢驗，實驗數據包含一個正常組和5個含故障的對比組，每組6000個樣本。從實驗結果來看，該多模型PCA過程監控方法可以對不穩定生產過程進行有效監控，檢驗量可以針對各種不同情況的突發故障產生有效響應。

4 結論

本文針對不穩定過程中數據結構的變化，提出了一種多模型PCA過程監控方法，該方法可以通過局部建模來解決投影異常問題。實驗結果表明，該方法能較好地識別不穩定過程中生產波動對故障樣本的影響，降低了不穩定過程的故障誤報率。

【參考文獻】

[1]Shen Yin，Guang Wang，and Huijun Gao，Data-Driven Process Monitoring Based on Modified Orthogonal Projections to Latent Structures，IEEE Transactions on Control Systems Technology， 2016，24（4）：1480-1487.

[2]Shen Yin，Xianwei Li，Huijun Gao，and Okyay Kaynak，Data-Based Techniques Focused on Modern Industry：An Overview， IEEE Transactions on Industrial Electronics，2015，62（1）：657-667.

[3]Junxiang Yang，Dong Li，and Qiang Gao，Application of Improved DPCA to Distillation Column Process Monitoring，IEEE International Conference on Mechatronics & Automation，2006，19 （21）：1593-1600.

[4]Zhenyue Zhang，and Jing Wang，MLLE：Modified Locally Linear Embedding Using Multiple Weights，International Conference on Neural Information Processing Systems，2006，19（21）：1593-1600.

[5]Shen Yin，Steven X.Ding，Xiaochen Xie，and Hao Luo，A Review on Basic Data-Driven Approaches for Industrial Process Monitoring，IEEE Transactions on Industrial Electronics，2014， 61 （11）：6418-6428.