基于FRI-FCM的工業(yè)過程模糊監(jiān)控

王　蕊　李宏光

(北京化工大學(xué)信息科學(xué)與技術(shù)學(xué)院，北京　100029)

?

基于FRI-FCM的工業(yè)過程模糊監(jiān)控

王蕊李宏光

(北京化工大學(xué)信息科學(xué)與技術(shù)學(xué)院，北京100029)

摘要：模糊監(jiān)控是對傳統(tǒng)的工業(yè)過程圖表監(jiān)控方式的一類改進(jìn)策略。通過對復(fù)雜工業(yè)過程監(jiān)控方法的研究，針對復(fù)雜工業(yè)過程非線性、關(guān)聯(lián)度強(qiáng)的數(shù)據(jù)特性，給出了一種基于FRI-FCM算法的工業(yè)過程模糊監(jiān)控方法，建立了簡化的分類產(chǎn)生式規(guī)則的模糊知識表達(dá)方法。采用基于模糊匹配度的監(jiān)控推理，實(shí)現(xiàn)了對工業(yè)過程異常狀態(tài)的預(yù)測。試驗(yàn)結(jié)果驗(yàn)證了所提方法的有效性。

關(guān)鍵詞：模糊監(jiān)控器FRI-FCM分類產(chǎn)生式規(guī)則過程監(jiān)控模糊推理模糊匹配DMF回收過程智能化

0引言

過程監(jiān)控是工業(yè)生產(chǎn)穩(wěn)定性、安全性的保障，也是改善產(chǎn)品質(zhì)量、提高經(jīng)濟(jì)效益的重要途徑[1]。目前，工業(yè)過程大多采用基于計(jì)算機(jī)的圖表監(jiān)控方式，而隨著過程監(jiān)控要求的提高以及智能化技術(shù)的發(fā)展，模糊監(jiān)控器越來越受到關(guān)注。Mamboundou[2]將模糊監(jiān)控器與模型預(yù)測控制方法結(jié)合，實(shí)現(xiàn)預(yù)測參數(shù)的在線調(diào)整；Jamshidi等人[3]應(yīng)用模糊監(jiān)控器實(shí)現(xiàn)了連續(xù)線性定常奇異攝動系統(tǒng)的混合控制。另外，模糊監(jiān)控器作為一種有效的優(yōu)化策略，被廣泛應(yīng)用于電力系統(tǒng)中，如Svalina[4]采用模糊監(jiān)控器消除因風(fēng)速變化引起的有效功率的波動；Krichen[5]運(yùn)用模糊監(jiān)控器實(shí)現(xiàn)有效功率與定子電壓間差異最小化；Breban[6]采用模糊監(jiān)控器最小化直流電壓、降低消耗功率來提高系統(tǒng)的效率。此外，模糊監(jiān)控器還被應(yīng)用于醫(yī)學(xué)領(lǐng)域，如血糖控制[7-8]等。

然而，目前模糊監(jiān)控器大多依賴模糊規(guī)則實(shí)現(xiàn)模糊決策的功能[7-17]，監(jiān)控參數(shù)少、規(guī)則少、決策過程簡單。FRI-FCM是一種融合了模糊推理規(guī)則和模糊認(rèn)知圖的綜合推理算法，它通過對數(shù)據(jù)的充分利用，避免了由于數(shù)據(jù)量增加而造成的規(guī)則失效問題，可用于較大規(guī)模數(shù)據(jù)的分類問題[12]。為此，本文提出應(yīng)用FRI-FCM算法對工業(yè)過程進(jìn)行模糊監(jiān)控的方法，將簡化的分類產(chǎn)生式規(guī)則方法用于決策知識的模糊表達(dá)，給出了一種基于模糊匹配的模糊推理方法，實(shí)現(xiàn)對工業(yè)過程異常狀態(tài)的預(yù)測。

1基于FRI-FCM的模糊推理方法

模糊認(rèn)知圖(fuzzycognitivemap，F(xiàn)CM)是由模糊概念節(jié)點(diǎn)和聯(lián)結(jié)模糊概念節(jié)點(diǎn)的有向邊組成的模糊有向圖。概念節(jié)點(diǎn)間的因果關(guān)系用權(quán)重表示，其取值范圍為[-1，1]。令FCM的概念節(jié)點(diǎn)為C1,C2,…,Ci,…,Cn,設(shè)有向邊權(quán)重ei,j∈[-1,1]，矩陣E=(ei,j)為FCM的鄰接矩陣或關(guān)聯(lián)矩陣，ei,j為概念節(jié)點(diǎn)Ci、Cj之間的權(quán)重，依據(jù)鄰接矩陣E和初始狀態(tài)向量C=[C1(t),C2(t),…,Cn(t)]1×n，通過公式C(t+1)=f[c(t)×E]進(jìn)行迭代推理。

傳統(tǒng)的模糊認(rèn)知圖在進(jìn)行推理時(shí)要鄰接矩陣，即概念節(jié)點(diǎn)間有明確的因果關(guān)系，然而對于工業(yè)數(shù)據(jù)，明確參數(shù)間的因果關(guān)系并不容易。為彌補(bǔ)傳統(tǒng)FCM對處理這類問題的不足，采用FRI-FCM方法，將傳統(tǒng)FCM推理過程轉(zhuǎn)換成模糊“If-Then”規(guī)則推理，使其處理工業(yè)過程問題更具可靠性，推理過程更易于理解。FRI-FCM的結(jié)構(gòu)如圖1所示，它由五層結(jié)構(gòu)組成，分別為輸入層、前件層、規(guī)則層、結(jié)論層和輸出層。

圖1　FRI-FCM結(jié)構(gòu)圖Fig.1　Structure of FRI-FCM

1.1輸入層

1.2前件層

(1)

1.3規(guī)則層

合理的規(guī)則表達(dá)方法是有效推理的前提，這里可以采用簡化的分類產(chǎn)生式規(guī)則的知識表達(dá)方法。依據(jù)規(guī)則前件對規(guī)則結(jié)論的影響程度，將條件劃分為強(qiáng)烈(SD)、重要(IMP)、輔助(AUX)三種，并將模糊規(guī)則進(jìn)行相應(yīng)分類 。三種條件和規(guī)則的定義如表1所示。

表1　簡化的分類產(chǎn)生式規(guī)則Tab.1　Simplified classification production rules

簡化的分類產(chǎn)生式規(guī)則的一般形式定義為：

Rule：If (RuType,CondList)，

Then (ConClu) withα

RuType表示規(guī)則類型，分為強(qiáng)烈(SD)、重要(IMP)、輔助(AUX)三種，用字母代碼表示；CondList表示規(guī)則條件，用and或or來表示多個規(guī)則前件的邏輯關(guān)系；ConClu表示規(guī)則結(jié)論；α∈[0,1]為規(guī)則閾值，可由歷史數(shù)據(jù)統(tǒng)計(jì)得到或由專家決定。如規(guī)則：

Rule：If(IMP,[FI-110:Z,PB,suddenly])，

Then(LI-104:Z,NS,gradually) with 0.7。

規(guī)則層中每個概念節(jié)點(diǎn)Ri表示一條“If-Then”規(guī)則。以對稱三角形隸屬函數(shù)為例，隸屬函數(shù)可以用三個特征值表征，即Aij=(ZAij,hAij，CAij),ZAij為對稱三角形隸屬函數(shù)的邊界值，hAij為隸屬度為0.5對稱三角形隸屬函數(shù)的寬度，CAij為轉(zhuǎn)折點(diǎn)處的值。依據(jù)模糊規(guī)則進(jìn)行匹配度計(jì)算時(shí)，首先要自定義時(shí)間程度區(qū)間，通過式(2)來計(jì)算跟蹤時(shí)間內(nèi)的狀態(tài)隨時(shí)間的變化程度S(x,t)。

(2)

然后在采樣t時(shí)刻和最大跟蹤T時(shí)刻，用式(3)分別計(jì)算規(guī)則相似度，m為規(guī)則前件總數(shù)。

(3)

最后用式(4)計(jì)算跟蹤時(shí)間內(nèi)所有相似度的算數(shù)平均值為最終匹配度。當(dāng)匹配度大于α?xí)r，規(guī)則被激活。

(4)

匹配度β說明滿足規(guī)則的程度，0≤β≤1。β的值越接近于1，說明滿足規(guī)則的程度越大。

1.4結(jié)論層

(5)

1.5輸出層

在輸出層，將所啟用的規(guī)則按照規(guī)則分類，以SD>IMP>AUX的優(yōu)先級順序處理。當(dāng)規(guī)則之間發(fā)生矛盾時(shí)，以優(yōu)先級高的規(guī)則結(jié)論為主。

2工業(yè)過程模糊監(jiān)控

工業(yè)過程監(jiān)控系統(tǒng)主要包括三個功能模塊：①數(shù)據(jù)通信模塊完成與主站之間的數(shù)據(jù)通信；②數(shù)據(jù)分析處理模塊提供監(jiān)控?cái)?shù)據(jù)給人機(jī)界面，從而實(shí)現(xiàn)對下位運(yùn)行情況的在線監(jiān)測；③數(shù)據(jù)上傳和發(fā)布模塊負(fù)責(zé)將監(jiān)測數(shù)據(jù)通過局域網(wǎng)進(jìn)行上傳，同時(shí)還具備事故處理能力。工業(yè)過程監(jiān)控系統(tǒng)的網(wǎng)絡(luò)結(jié)構(gòu)包括底層的控制網(wǎng)絡(luò)和上層的操作網(wǎng)絡(luò)，底層控制網(wǎng)絡(luò)是工業(yè)控制的主要部分；上層操作網(wǎng)絡(luò)主要是給人機(jī)界面提供監(jiān)控的數(shù)據(jù)，用戶除了可以通過人機(jī)界面查詢、瀏覽工業(yè)動態(tài)數(shù)據(jù)，還可以實(shí)現(xiàn)工業(yè)現(xiàn)場各儀表參數(shù)、泵、閥開關(guān)的處理。

基于FRI-FCM的模糊監(jiān)控就是根據(jù)最大跟蹤時(shí)間內(nèi)監(jiān)控參數(shù)的狀態(tài)信息，篩選出符合條件的預(yù)測方案，主要步驟如下。

①設(shè)定最大跟蹤時(shí)間tmax，它是指在保證系統(tǒng)安全運(yùn)行條件下，能夠反映監(jiān)控參數(shù)狀態(tài)變化趨勢的理論最小時(shí)間。分別在t0時(shí)刻與tmax時(shí)刻采集監(jiān)控參數(shù)狀態(tài)量(X,T)=[(x1,t0),(x2,t0),…,(xn,t0)]與(X,T)= [(x1,tmax),(x2,tmax),…,(xn,tmax)]作為輸入，由FRI-FCM的輸入層向前件層傳遞，n為監(jiān)控參數(shù)的總數(shù)。

②監(jiān)控參數(shù)模糊化，并計(jì)算時(shí)間程度S(x,t)。將采集的監(jiān)控參數(shù)運(yùn)行狀態(tài)量(X,T)應(yīng)用四元結(jié)構(gòu)(P：Q1，Q2，t)進(jìn)行模糊化，其中P為監(jiān)控參數(shù)，Qi∈Parameter_Value_Set(i)，i=1，2。

③篩選預(yù)測方案。每個預(yù)測方案代表一條模糊規(guī)則，監(jiān)控參數(shù)模糊化后，計(jì)算每一條規(guī)則的模糊匹配度。如果匹配度大于等于規(guī)則閾值，則此規(guī)則被激活，即該條規(guī)則通過篩選。

④判斷是否有規(guī)則被激活。若沒有，則重復(fù)步驟②和步驟③，計(jì)算下一時(shí)刻ti=ti+1的匹配度，直至規(guī)則被激活；否則，重復(fù)步驟③，將激活規(guī)則結(jié)論傳遞到前件層繼續(xù)進(jìn)行匹配。

⑤判斷是否仍有匹配規(guī)則，若有，則重復(fù)步驟④；否則，輸出預(yù)測結(jié)果。當(dāng)被監(jiān)控的工業(yè)過程運(yùn)行狀態(tài)發(fā)生較大變化或超出允許范圍的參數(shù)波動時(shí)，監(jiān)控系統(tǒng)輸出相應(yīng)測量結(jié)果。基于FR1-FCM的模糊監(jiān)控推理流程如圖2所示。

圖2　基于FRI-FCM的模糊監(jiān)控推理流程圖Fig.2　Flowchart of fuzzy monitoring inference based on FRI-FCM

3應(yīng)用實(shí)例

3.1DMF回收過程監(jiān)控

DMF回收過程[14-15]監(jiān)控系統(tǒng)如圖3所示,其人機(jī)監(jiān)控界面包括6個部分：①系統(tǒng)總貌監(jiān)控統(tǒng)一查看系統(tǒng)中所有監(jiān)測變量；②工藝流程監(jiān)控對DMF回收過程進(jìn)行查看；③實(shí)時(shí)趨勢視圖主要對相關(guān)數(shù)據(jù)變量進(jìn)行實(shí)時(shí)趨勢查看；④歷史趨勢圖主要對相關(guān)數(shù)據(jù)變量進(jìn)行歷史趨勢查看；⑤報(bào)警監(jiān)視主要包括實(shí)時(shí)報(bào)警和歷史報(bào)警，當(dāng)有報(bào)警出現(xiàn)時(shí)，實(shí)時(shí)報(bào)警進(jìn)行聲光報(bào)警信息提醒，歷史報(bào)警主要提供報(bào)警信息的結(jié)構(gòu)化查看和報(bào)警消除功能；⑥數(shù)據(jù)報(bào)表視圖主要實(shí)現(xiàn)實(shí)時(shí)數(shù)據(jù)的分類記錄和歷史數(shù)據(jù)信息的查詢、打印等。

3.2模糊監(jiān)控

以DMF回收過程精餾塔為例，其關(guān)鍵監(jiān)控參數(shù)包括塔頂溫度TI-102h、塔頂壓力PI-102a、塔頂回流

量FI-103、進(jìn)料量、導(dǎo)熱油流量FI-110、塔釜壓力PI-102b、塔釜液位LI-104和塔釜溫度TI-102a。

圖3　DMF回收過程監(jiān)控系統(tǒng)示意圖Fig.3　The monitoring system of DMF recovery processes

①數(shù)據(jù)采集DMF回收精餾塔數(shù)據(jù)如表2所示。

表2　DMF回收精餾塔數(shù)據(jù)Tab.2　Data of the DMF recovery and rectification column

②數(shù)據(jù)模糊化：按照參數(shù)性質(zhì)的不同，表2中的參數(shù)分為{TI-102a,TI-102g,PI-102b}和{FI-110,FI-103,LI-104,PI-102a}兩類。參數(shù)TI-102a、TI-102g、PI-102b采用對稱梯形的隸屬函數(shù)，其模糊值劃分為Parameter_Value_Set2={NS,Z,PB}；參數(shù)FI-110、FI-103、LI-104、PI-102a采用對稱梯形的隸屬函數(shù)，其模糊值劃分為Parameter_Value_Set1={NB,NS,Z,PS,PB}。

③建立模糊規(guī)則：模糊規(guī)則基于操作專家的先驗(yàn)知識獲得，表3給出了精餾塔的部分模糊監(jiān)控規(guī)則。

表3　模糊監(jiān)控規(guī)則表Tab.3　Rules of the fuzzy monitoring

④建立FRI-FCM：將每條規(guī)則的前件與結(jié)論的關(guān)聯(lián)關(guān)系建立FRI-FCM，如圖4所示。

圖4　模糊監(jiān)控規(guī)則FRI-FCM示意圖Fig.4　The FRI-FCM of fuzzy monitoring rules

⑤模糊推理：對模糊化的參數(shù)值與規(guī)則庫中的規(guī)則進(jìn)行匹配。由表2可知，在2008/4/18/1:03時(shí)刻，導(dǎo)熱油流量FI-110開始快速上升，其他參數(shù)相對穩(wěn)定，F(xiàn)I-110模糊化的結(jié)果為(FI-110:Z,PB,suddenly)?；诖四：Y(jié)果，按上述推理過程計(jì)算每條規(guī)則的匹配度，有兩條規(guī)則滿足閾值要求，其相應(yīng)的模糊匹配度依次為0.75、0.68。激活規(guī)則如下。

Rule1:If(SD,FI-110:Z,PB,suddenly)，

Then(TI-102a:Z,PB,suddenly)with0.7

Rule2:If(IMP，(TI-102a:Z,PB,suddenly))，Then(PI-102b:Z,PB,suddenly)

and(LI104:Z,NB,suddenly)with0.65

這兩條規(guī)則給出的預(yù)測結(jié)果為：導(dǎo)熱油流量FI-110快速上升會導(dǎo)致塔板溫度TI-102a快速升高，從而引起塔釜液位LI104較快的下降以及塔釜壓力PI-102b快速升高。與表2變化對比可知，預(yù)測結(jié)果準(zhǔn)確。

4結(jié)束語

本文基于FRI-FCM算法，實(shí)現(xiàn)了對工業(yè)過程狀態(tài)的模糊監(jiān)控，并依據(jù)工業(yè)數(shù)據(jù)的特點(diǎn)提出簡化的分類產(chǎn)生式規(guī)則知識表達(dá)方法，給出了合理的推理過程；將專家對于時(shí)間的感知加入到模糊規(guī)則中，較好地彌補(bǔ)了靜態(tài)數(shù)據(jù)分析在動態(tài)過程控制方面存在的不足。此方法不需要復(fù)雜數(shù)據(jù)的計(jì)算過程。工業(yè)實(shí)例驗(yàn)證表明，此方法易于實(shí)現(xiàn)，能夠?yàn)椴僮魅藛T提供準(zhǔn)確的參考意見。

然而，對于生產(chǎn)過程參數(shù)模式變化的情況，由于其數(shù)據(jù)量、數(shù)據(jù)區(qū)間以及生產(chǎn)要求都有所不同，監(jiān)控參數(shù)模糊區(qū)間的劃分也要作相應(yīng)改變，后續(xù)的研究工作將關(guān)注實(shí)現(xiàn)FRI-FCM算法的在線學(xué)習(xí)，從而實(shí)現(xiàn)根據(jù)工藝要求在線調(diào)整模糊區(qū)間劃分的目的。

參考文獻(xiàn)：

[1]DVORAKD,KUIPERSB.Model-BasedMonitoringofDynamicSystems[C]//IJCAI,1989: 1238-1243.

[2]MAMBOUNDOUJ,LANGLOISN.Indirectadaptivemodelpredictivecontrolsupervisedbyfuzzylogic[C]//FuzzySystems,2011IEEEInternationalConferenceon,IEEE,2011: 2979-2986.

[3]JAMSHIDIF,FAKHARIANA,BEHESHTIMTH.Fuzzysupervisorapproachonlogic-basedswitchingH2/H∞ [J].ProceedingsoftheInstitutionofMechanicalEngineers,PartI:JournalofSystemsandControlEngineering,2010,224(1): 11-19.

[4]SVALINAI,GALIZINAV,LUJICR,etal.Anadaptivenetwork-basedfuzzyinferencesystem(ANFIS)fortheforecasting:Thecaseofclosepriceindices[J].ExpertSystemswithApplications,2013,40(15): 6055-6063.

[5]KRICHENL,FRANCOISB,OUALIA.Afuzzylogicsupervisorforactiveandreactivepowercontrolofafixedspeedwindenergyconversionsystem[J].ElectricPowerSystemsResearch,2008,78(3):418-424.

[6]BREBANS,SAUDEMONTC,VIEILLARDS,etal.Experimentaldesignandgeneticalgorithmoptimizationofafuzzy-logicsupervisorforembeddedelectricalpowersystems[J].MathematicsandComputersinSimulation,2013(91): 91-107.

[7]GEZ,SONGZ,GAOF.Reviewofrecentresearchondata-basedprocessmonitoring[J].Industrial&EngineeringChemistryResearch,2013,52(10): 3543-3562.

[8]LIUSW,HUANGHP,LINCH,etal.Fuzzy-logic-basedsupervisorofinsulinbolusdeliveryforpatientswithtype1diabetesmellitus[J].Industrial&EngineeringChemistryResearch,2013,52(4): 1678-1690.

[9]MENGD,PEIZ.Extractinglinguisticrulesfromdatasetsusingfuzzylogicandgeneticalgorithms[J].Neurocomputing,2012,78(1): 48-54.

[10]PAPAGEORGIOUEI,MARKINOSAT,GEMTOSTA.Fuzzycognitivemapbasedapproachforpredictingyieldincottoncropproductionasabasisfordecisionsupportsysteminprecisionagricultureapplication[J].AppliedSoftComputing,2011,11(4): 3643-3657.

[11]MENDONCAM,ANGELICOB,ARRUDALVR,etal.Adynamicfuzzycognitivemapappliedtochemicalprocesssupervision[J].EngineeringApplicationsofArtificialIntelligence,2013,26(4): 1199-1210.

[12]SONGHJ,MIAOCY,WUYTSR,etal.Anextensiontofuzzycognitivemapsforclassificationandprediction[J].FuzzySystems,IEEETransactionson,2011,19(1): 116-135.

[13]CHENSM,HSINWC,YANGSW,etal.Fuzzyinterpolativereasoningforsparsefuzzyrule-basedsystemsbasedontheslopesoffuzzysets[J].ExpertSystemswithApplications,2012,39(15): 11961-11969.

[14]李宏光，王睿，楊滁光.DMF回收精餾塔溫度專家遞階協(xié)調(diào)控制系統(tǒng)[J].儀器儀表學(xué)報(bào)，2009，30(6)：143-147.

[15]辛?xí)詷?，李宏?DMF回收過程專家區(qū)域協(xié)調(diào)控制系統(tǒng)設(shè)計(jì)[J].化工學(xué)報(bào)，2008，59(7)：1854-1858.

[16]王華強(qiáng)，顧曼曼.DMF回收溫度監(jiān)測通信方案的設(shè)計(jì)[J].安徽大學(xué)學(xué)報(bào)(自然科學(xué)版)，2012，36(6)：44-50.

[17]敖俊卿,劉向杰.負(fù)荷頻率系統(tǒng)的LFC模糊監(jiān)控器設(shè)計(jì)[J].廣東輸電與變電技術(shù),2008(5):14-16.

中圖分類號：TH7;TP273+.4

文獻(xiàn)標(biāo)志碼：A

DOI:10.16086/j.cnki.issn1000-0380.201607005

FRI-FCMBasedFuzzyMonitoringMethodforIndustrialProcesses

Abstract：Fuzzy supervisory approaches are recognized as the improvement of traditional diagram supervisory systems for industrial processes.Taking advantage of the studies on process monitoring methodologies for complex industrial processes,a fuzzy supervisory approach for industrial processes based on a FRI-FCM algorithm is presented to deal with the nonlinear and highly correlated process data.By building the fuzzy representation of simplified classifying production rules and using fuzzy reasoning based on fuzzy matching degrees,the implemented system is able to predicate the abnormality of industrial processes.Furthermore,an engineering instance is employed to verify the effectiveness of the contribution.

Keywords:Fuzzy supervisory systemsFRI-FCMClassifying production rulesIndustrial process monitoringFuzzy inferenceFuzzy matchingDMF recovery processesIntelligent

中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)基金資助項(xiàng)目(編號：YS1404)。

修改稿收到日期：2015-06-11。

第一作者王蕊(1989—)，女，現(xiàn)為北京化工大學(xué)控制工程專業(yè)在讀碩士研究生；主要從事模糊監(jiān)控方向的研究。