基于混合分塊DMICA-PCA的全流程過(guò)程監(jiān)控方法

江偉，王振雷，王昕

(1化學(xué)工程聯(lián)合國(guó)家重點(diǎn)實(shí)驗(yàn)室，華東理工大學(xué)化工過(guò)程先進(jìn)控制和優(yōu)化技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，上海 200237；2上海交通大學(xué)電工與電子技術(shù)中心，上海 200240)

基于混合分塊DMICA-PCA的全流程過(guò)程監(jiān)控方法

江偉1，王振雷1，王昕2

(1化學(xué)工程聯(lián)合國(guó)家重點(diǎn)實(shí)驗(yàn)室，華東理工大學(xué)化工過(guò)程先進(jìn)控制和優(yōu)化技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，上海 200237；2上海交通大學(xué)電工與電子技術(shù)中心，上海 200240)

分塊策略被廣泛運(yùn)用于全流程過(guò)程監(jiān)控領(lǐng)域，以解決全流程過(guò)程變量關(guān)系復(fù)雜性較高的問(wèn)題，但傳統(tǒng)的分塊策略與子塊建模方法都未考慮過(guò)程的動(dòng)態(tài)性問(wèn)題，并且傳統(tǒng)的分塊策略都片面依賴于過(guò)程知識(shí)或過(guò)程數(shù)據(jù)信息，影響了過(guò)程監(jiān)控的效果，為此提出了一種基于混合分塊DMICA-PCA的過(guò)程監(jiān)控方法。在分析過(guò)程的動(dòng)態(tài)性后，先利用已知的部分過(guò)程知識(shí)進(jìn)行變量的初步分塊，接著利用各分塊變量之間改進(jìn)的廣義Dice's系數(shù)(MGDC)進(jìn)行進(jìn)一步的分塊。然后采用DMICA-PCA方法對(duì)每個(gè)子塊進(jìn)行建模得到子塊的統(tǒng)計(jì)量，并通過(guò)加權(quán)方法得到總的聯(lián)合指標(biāo)進(jìn)行故障檢測(cè)。同時(shí)對(duì)每個(gè)子塊采用改進(jìn)的故障診斷方法，提高了診斷效果。最后將該方法應(yīng)用在TE過(guò)程的過(guò)程監(jiān)控中，證明了該方法的有效性。

主元分析；過(guò)程控制；過(guò)程系統(tǒng)；混合分塊；全流程；改進(jìn)的廣義Dice's系數(shù)

引 言

隨著現(xiàn)代工業(yè)生產(chǎn)過(guò)程對(duì)產(chǎn)品質(zhì)量和安全性的要求日益提高，過(guò)程監(jiān)控正在起著越來(lái)越關(guān)鍵的作用[1-2]。其中，基于多變量統(tǒng)計(jì)過(guò)程監(jiān)控(multivariate statistical process monitor, MSPM)的方法是過(guò)程監(jiān)控領(lǐng)域的研究熱點(diǎn)[3-4]。而在所有的MSPM方法中，主元分析(principal component analysis, PCA)是一種被廣泛運(yùn)用的方法[5-6]，它能對(duì)過(guò)程數(shù)據(jù)進(jìn)行有效降維，并消除了變量之間的相關(guān)性，從而獲得較好的過(guò)程監(jiān)控效果，但該方法仍存在著不能提取過(guò)程數(shù)據(jù)非高斯信息的問(wèn)題。為此，基于獨(dú)立成分分析(independent component analysis, ICA)的過(guò)程監(jiān)控方法被提出[7]，該方法不僅能夠提取過(guò)程數(shù)據(jù)的非高斯信息，還能提取過(guò)程數(shù)據(jù)的高階統(tǒng)計(jì)量信息[8]。但是，對(duì)于具有多個(gè)操作單元、大量過(guò)程變量、變量關(guān)系復(fù)雜等特點(diǎn)的全流程過(guò)程來(lái)說(shuō)，這些傳統(tǒng)的MSPM方法都不能實(shí)現(xiàn)有效的監(jiān)控[9]。

為了克服全流程過(guò)程變量關(guān)系復(fù)雜性較高的問(wèn)題并提取全流程過(guò)程數(shù)據(jù)的局部變量信息，提高過(guò)程監(jiān)控效果，分塊方法被提出[10-11]。Westerhuis等[12]和Cherry等[13]分別提出了多塊PCA與多塊PLS及其改進(jìn)的全流程過(guò)程監(jiān)控方法，這類方法雖然提高了全流程過(guò)程的監(jiān)控效果，但這些分塊方法過(guò)于依賴過(guò)程知識(shí)，不能應(yīng)用于對(duì)過(guò)程知識(shí)了解不足的全流程過(guò)程。為此，基于數(shù)據(jù)驅(qū)動(dòng)的分塊方法被提出，Ge等[14]和衷路生等[15]首先提出了一種基于分布式PCA的全流程過(guò)程監(jiān)控方法，將在同一主元方向上貢獻(xiàn)度高的變量自動(dòng)劃分在同一子塊中。然而基于分布式PCA的分塊方法只考慮了過(guò)程變量的均值與方差信息，卻忽視了變量的其他概率分布信息，影響了子塊的監(jiān)控效果。為此Jiang等[16-17]又先后提出了基于變量之間的Hellinger距離(Hellinger distance, HD)或者互相關(guān)信息(mutual information, MI)進(jìn)行分塊的辦法，考慮了變量之間的概率分布信息，降低了子塊變量之間的非線性關(guān)系，提高傳統(tǒng)MSPM方法對(duì)每個(gè)子塊的監(jiān)控效果。另外，針對(duì)全流程過(guò)程數(shù)據(jù)分布的特點(diǎn)，Wang等[18-19]提出了利用過(guò)程數(shù)據(jù)的PCA建模后的負(fù)荷矩陣P和ICA建模后的混合矩陣W的信息進(jìn)行分塊，分別提高了對(duì)變量數(shù)據(jù)高斯和非高斯分布的全流程過(guò)程監(jiān)控效果。然而這些分塊方法都是假設(shè)某一時(shí)刻的觀測(cè)數(shù)據(jù)與過(guò)去時(shí)刻的觀測(cè)數(shù)據(jù)序列無(wú)關(guān)，即過(guò)程是靜態(tài)的。但是在實(shí)際復(fù)雜工業(yè)過(guò)程特別是化工過(guò)程中過(guò)程變量普遍存在動(dòng)態(tài)關(guān)系，即某些變量現(xiàn)在的觀測(cè)數(shù)據(jù)與其他變量的過(guò)去時(shí)刻的觀測(cè)數(shù)據(jù)具有相關(guān)性，如果在分塊與建模中不考慮這一問(wèn)題，往往得不到好的監(jiān)控效果，如文獻(xiàn)[20]說(shuō)明對(duì)于簡(jiǎn)單的化工過(guò)程，考慮其動(dòng)態(tài)性進(jìn)行過(guò)程監(jiān)控的效果要更好，而對(duì)全流程過(guò)程則更需要考慮其動(dòng)態(tài)特性。另外，大部分的全流程過(guò)程都能知道部分過(guò)程知識(shí)，如果在分塊中只考慮變量數(shù)據(jù)信息而不考慮這部分過(guò)程知識(shí)信息，將有可能導(dǎo)致許多過(guò)程上毫不相關(guān)的變量被劃分到一個(gè)子塊中，進(jìn)而影響子塊的監(jiān)控效果。

為此，本文提出了一種基于混合分塊動(dòng)態(tài)改進(jìn)的ICA(dynamic modified ICA,DMICA)-PCA的全流程過(guò)程監(jiān)控方法。在確定全流程過(guò)程的具體時(shí)滯后，首先根據(jù)已知的過(guò)程知識(shí)進(jìn)行第一次分塊，然后根據(jù)各分塊變量數(shù)據(jù)之間改進(jìn)的廣義Dice's系數(shù)(modified general Dice's coefficient, MGDC)進(jìn)行進(jìn)一步的分塊。為了解決過(guò)程的動(dòng)態(tài)性以及過(guò)程數(shù)據(jù)存在的高斯與非高斯混合分布的問(wèn)題，本文對(duì)各子塊采用DMICA-PCA方法進(jìn)行建模，獲得每個(gè)子塊的統(tǒng)計(jì)量，并對(duì)每個(gè)子塊的統(tǒng)計(jì)量進(jìn)行加權(quán)得到總的聯(lián)合指標(biāo)實(shí)現(xiàn)對(duì)實(shí)際工業(yè)過(guò)程的在線監(jiān)控。另外，本文將采用改進(jìn)的主元方向貢獻(xiàn)度方法進(jìn)行故障診斷。最后，通過(guò)TE過(guò)程的仿真實(shí)驗(yàn)說(shuō)明所提方法的有效性。

1 過(guò)程的動(dòng)態(tài)性分析

在傳統(tǒng)的過(guò)程監(jiān)控方法中，各變量被認(rèn)為在時(shí)間上不相關(guān)。然而，在許多化工過(guò)程中，由于產(chǎn)品生產(chǎn)流程較長(zhǎng)，過(guò)程變量之間普遍存在著動(dòng)態(tài)關(guān)系，即某些變量與其他變量存在時(shí)間上的延遲。如果在對(duì)全流程過(guò)程的分塊與建模過(guò)程中不考慮這一特性，將會(huì)影響過(guò)程監(jiān)控的效果。為了解決這一問(wèn)題，本文通過(guò)分析過(guò)程動(dòng)態(tài)性得到過(guò)程的時(shí)滯值τ。在確定過(guò)程的時(shí)滯后，對(duì)過(guò)程變量進(jìn)行分塊與建模時(shí)，都需要考慮當(dāng)前時(shí)刻以及過(guò)去τ時(shí)刻內(nèi)的數(shù)據(jù)信息，以此消除過(guò)程的動(dòng)態(tài)性問(wèn)題，為此每個(gè)變量x可以擴(kuò)展為x(τ)

其中，本文采用平行分析法來(lái)計(jì)算時(shí)滯值τ，具體公式見文獻(xiàn)[21]。

2 分塊方法

傳統(tǒng)的分塊方法只考慮了當(dāng)前時(shí)刻變量之間的相關(guān)關(guān)系進(jìn)行分塊，而對(duì)于動(dòng)態(tài)過(guò)程則需要考慮變量的當(dāng)前時(shí)刻與過(guò)去時(shí)刻的相關(guān)關(guān)系進(jìn)行分塊。并且為了解決傳統(tǒng)分塊方法完全依賴于過(guò)程知識(shí)導(dǎo)致應(yīng)用對(duì)象不具有普遍性，或完全依賴于數(shù)據(jù)驅(qū)動(dòng)而造成子塊變量過(guò)程不相關(guān)的問(wèn)題。本文提出了混合分塊的策略，先利用已知的部分過(guò)程知識(shí)進(jìn)行分塊，接著利用變量數(shù)據(jù)之間的MGDC值進(jìn)行進(jìn)一步的分塊。

2.1 基于過(guò)程知識(shí)的分塊方法

對(duì)于大部分全流程過(guò)程，都可以知道其部分過(guò)程知識(shí)，本文利用已知的部分過(guò)程知識(shí)，特別是生產(chǎn)過(guò)程及裝置的過(guò)程知識(shí)對(duì)原有的過(guò)程變量進(jìn)行分塊。因此，對(duì)于給定的數(shù)據(jù)集X(X∈RN×m，其中N為采樣個(gè)數(shù)，m為變量個(gè)數(shù))，可以根據(jù)過(guò)程知識(shí)將其首先分塊為

2.2 基于MDGC的分塊方法

為了進(jìn)一步降低全流程過(guò)程的復(fù)雜性，并解決按照部分過(guò)程知識(shí)進(jìn)行分塊存在的不足，需要對(duì)分塊后的過(guò)程變量進(jìn)行進(jìn)一步的分塊。主要對(duì)各變量之間的MGDC進(jìn)行子塊的劃分，GDC是衡量?jī)勺兞肯嗨菩缘南禂?shù)，具體兩變量xr與xq之間的GDC值為[22]

而對(duì)于動(dòng)態(tài)全流程過(guò)程需要考慮變量與其他變量的過(guò)去時(shí)刻的相關(guān)性，因此第k個(gè)分塊Xk(Xk∈RN×mk)中的變量xkr與其他任意變量xkq的MGDC值為

式中，考慮到了時(shí)滯τ的影響。而對(duì)分塊中各變量之間的MGDC值計(jì)算，可以得到一個(gè)矩陣Qk

透過(guò)矩陣Qk值的分析可以對(duì)分塊中的變量進(jìn)行進(jìn)一步的分塊，本文采用K均值聚類的方法，通過(guò)對(duì)矩陣Qk進(jìn)行K均值聚類[23]，可以將數(shù)據(jù)集Xk進(jìn)一步分為

另外，由于對(duì)過(guò)程知識(shí)不能完全了解，基于部分過(guò)程知識(shí)進(jìn)行分塊后，不同分塊中的變量可能依然存在著相關(guān)性，需要根據(jù)各變量對(duì)其他分塊中變量的MDGC值，將系數(shù)值較大的變量補(bǔ)充到該子塊中，因此最終數(shù)據(jù)集X可分為

3 建模方法

在對(duì)過(guò)程變量的分塊完成以后，需要對(duì)每個(gè)子塊進(jìn)行建模獲得相應(yīng)的統(tǒng)計(jì)量以及統(tǒng)計(jì)監(jiān)控限，以實(shí)現(xiàn)對(duì)每個(gè)子塊的在線監(jiān)控。為了簡(jiǎn)化過(guò)程監(jiān)控的步驟，本文通過(guò)對(duì)子塊統(tǒng)計(jì)量進(jìn)行加權(quán)得到總的聯(lián)合指標(biāo)，并獲得相應(yīng)的統(tǒng)計(jì)監(jiān)控限，以實(shí)現(xiàn)對(duì)整個(gè)全流程過(guò)程的在線監(jiān)控。

3.1 基于DMICA-PCA的建模方法

為了描述每個(gè)子塊的過(guò)程動(dòng)態(tài)信息，在對(duì)子塊數(shù)據(jù)進(jìn)行建模時(shí)，需要構(gòu)建子塊的增廣矩陣進(jìn)行建模，對(duì)第k個(gè)子塊Xk(Xk∈RN×mk)來(lái)說(shuō)，其增廣矩陣為

本文采用MICA-PCA方法對(duì)增廣矩陣進(jìn)行建模，由文獻(xiàn)[24]可知該方法可以有效解決過(guò)程數(shù)據(jù)存在的高斯與非高斯混合分布的問(wèn)題。

其中，lT2和lSPE為相應(yīng)的統(tǒng)計(jì)量T2和SPE的統(tǒng)計(jì)監(jiān)控限，具體公式見文獻(xiàn)[27]。通過(guò)KDE方法可以得到相應(yīng)的統(tǒng)計(jì)監(jiān)控限。對(duì)MICA統(tǒng)計(jì)量和PCA統(tǒng)計(jì)量進(jìn)行加權(quán)得到新的統(tǒng)計(jì)量，通過(guò)KDE方法可得相應(yīng)的統(tǒng)計(jì)監(jiān)控限，即

3.2 總的聯(lián)合指標(biāo)的建立

本文使用一個(gè)總的聯(lián)合指標(biāo)進(jìn)行過(guò)程監(jiān)控，定義該指標(biāo)G2為

通過(guò)對(duì)正常工況數(shù)據(jù)得到的總的聯(lián)合指標(biāo)G2進(jìn)行KDE分析，即可求得總的統(tǒng)計(jì)監(jiān)控限lG2。

4 故障檢測(cè)與診斷步驟

4.1 故障檢測(cè)步驟

本文的監(jiān)控方法可分為離線建模和在線監(jiān)控，離線建模主要為了獲得各子塊的統(tǒng)計(jì)監(jiān)控限和總的聯(lián)合指標(biāo)的統(tǒng)計(jì)監(jiān)控限，而在線監(jiān)控主要是為了在線監(jiān)控系統(tǒng)的運(yùn)行狀態(tài)，具體步驟如下。

（1）離線建模

① 首先對(duì)正常工況下的樣本數(shù)據(jù)集X∈Rm×n進(jìn)行均值中心化以及標(biāo)準(zhǔn)化的數(shù)據(jù)處理。

② 利用平行分析法對(duì)標(biāo)準(zhǔn)化后的數(shù)據(jù)集進(jìn)行過(guò)程動(dòng)態(tài)性分析，得到時(shí)滯值τ。

③ 利用已知的部分過(guò)程知識(shí)對(duì)標(biāo)準(zhǔn)化后的數(shù)據(jù)集進(jìn)行初步分塊，接著利用MDGC方法進(jìn)行進(jìn)一步的分塊。

④ 采用DMICA-PCA方法對(duì)各子塊數(shù)據(jù)集進(jìn)行建模，得到相應(yīng)的監(jiān)控統(tǒng)計(jì)量，并計(jì)算出子塊的統(tǒng)計(jì)監(jiān)控限。

⑤ 對(duì)各子塊的統(tǒng)計(jì)量進(jìn)行加權(quán)得到總的聯(lián)合指標(biāo)G2，并計(jì)算出聯(lián)合指標(biāo)的統(tǒng)計(jì)監(jiān)控限lG2。

（2）在線監(jiān)控

① 在線獲取實(shí)時(shí)數(shù)據(jù)，進(jìn)行數(shù)據(jù)均值中心化及標(biāo)準(zhǔn)化的數(shù)據(jù)處理。

② 根據(jù)離線建模子塊的劃分結(jié)果，進(jìn)行子塊劃分。

③ 計(jì)算出各子塊的統(tǒng)計(jì)量，實(shí)施加權(quán)后得到總的聯(lián)合指標(biāo)，判斷是否超限。

4.2 故障診斷步驟

在本文方法中，當(dāng)故障發(fā)生后，各子塊將被分為兩類：監(jiān)控效果較好的子塊和監(jiān)控效果較差的子塊。因?yàn)榇嬖诠收舷嚓P(guān)變量的子塊能夠提取更多的故障信息，所以與故障相關(guān)的變量在監(jiān)控效果較好的子塊中的概率比在監(jiān)控效果較差的子塊中的概率要高。因此可以基于監(jiān)控效果較好的子塊進(jìn)行故障診斷，該子塊中貢獻(xiàn)度最高的幾個(gè)變量即為引起故障或受故障影響的變量。

式中，λ(i)是第i個(gè)特征值，pi,j是負(fù)荷矩陣P的一個(gè)元素。如果有d個(gè)失控狀態(tài)，則第j個(gè)變量總的貢獻(xiàn)度之和為

由于是對(duì)增廣矩陣進(jìn)行主元方向貢獻(xiàn)度求解，因此最終第j變量的總的貢獻(xiàn)度為

5 TE過(guò)程仿真實(shí)驗(yàn)

5.1 TE過(guò)程

TE過(guò)程是由伊斯曼化學(xué)公司創(chuàng)建的，其目的是為評(píng)價(jià)過(guò)程控制和監(jiān)控方法提供一個(gè)現(xiàn)實(shí)的工業(yè)過(guò)程。TE過(guò)程包括5個(gè)主要單元，分別為反應(yīng)器、冷凝器、壓縮機(jī)、分離器和汽提塔。該過(guò)程包括41個(gè)測(cè)量變量(包括22個(gè)連續(xù)測(cè)量變量和19個(gè)成分測(cè)量值)和12個(gè)控制變量。TE過(guò)程的詳細(xì)描述可見文獻(xiàn)[29]，TE過(guò)程的流程如圖1所示[30]，圖中1～13分別對(duì)應(yīng)于物料流程1～13。TE過(guò)程變量數(shù)與生產(chǎn)單元數(shù)較多，變量之間關(guān)系較為復(fù)雜，變量還存在著高斯與非高斯混合分布以及非線性相關(guān)的問(wèn)題，另外TE過(guò)程還具有動(dòng)態(tài)性問(wèn)題，該過(guò)程較為符合本文所研究的全流程過(guò)程特點(diǎn)。文獻(xiàn)[14-19]中全流程監(jiān)控方法都是基于此對(duì)象進(jìn)行研究，因此本文也采用該對(duì)象進(jìn)行相應(yīng)的仿真研究。

5.2 基于混合分塊DMICA-PCA的TE過(guò)程仿真

在仿真實(shí)驗(yàn)中，首先選取52維的960組正常數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，之后采用平行分析法獲得TE過(guò)程的時(shí)滯值τ，τ=2。然后計(jì)算出各變量與其他變量當(dāng)前及過(guò)去兩個(gè)時(shí)刻數(shù)據(jù)的GDC值，發(fā)現(xiàn)有些變量與其他變量過(guò)去時(shí)刻數(shù)據(jù)的GDC值較大，如變量1前一時(shí)刻的值與變量44當(dāng)前時(shí)刻值的GDC為0.99(最大為1)，即變量44與變量1前一時(shí)刻的相關(guān)度較大。因此存在部分變量與其他變量的過(guò)去時(shí)刻的相關(guān)性較高，對(duì)TE過(guò)程進(jìn)行分塊與建模時(shí)需要考慮其動(dòng)態(tài)特性。為此，本文首先根據(jù)TE過(guò)程已知的部分過(guò)程知識(shí)，即TE過(guò)程已知的生產(chǎn)單元，將與反應(yīng)器和冷凝器相關(guān)的變量、壓縮機(jī)和分離器相關(guān)的變量、汽提塔相關(guān)的變量分別劃分到3個(gè)分塊中，具體分塊結(jié)果如表1所示。為了進(jìn)一步降低TE過(guò)程的復(fù)雜性，本文采用MGDC方法對(duì)各分塊進(jìn)行進(jìn)一步的分塊，并利用K均值聚類方法將同一分塊中MGDC值相近的變量劃分到一個(gè)子塊中，同時(shí)為了補(bǔ)充對(duì)過(guò)程知識(shí)了解的不足，將其他分塊中與該子塊變量的MGDC值較大的變量也添入該子塊(如變量7和變量13)，最終的分塊結(jié)果如表2所示。文獻(xiàn)[20]通過(guò)J-B檢測(cè)的方法得出TE過(guò)程52個(gè)變量中34個(gè)變量為高斯分布，18個(gè)變量為非高斯分布，而采用文獻(xiàn)[24]中的MICA-PCA方法可以有效處理TE過(guò)程數(shù)據(jù)存在的高斯與非高斯混合分布的問(wèn)題。為了處理TE過(guò)程存在的動(dòng)態(tài)性問(wèn)題，本文則采用DMICA-PCA方法得到各子塊相應(yīng)的統(tǒng)計(jì)量與統(tǒng)計(jì)監(jiān)控限，各子塊各自的統(tǒng)計(jì)監(jiān)控限分別為1.79、1.89、2、3、1.6。再運(yùn)用加權(quán)方法計(jì)算得到總的聯(lián)合指標(biāo)并估計(jì)出總的統(tǒng)計(jì)監(jiān)控限(3.05)，以此進(jìn)行TE過(guò)程的故障檢測(cè)。

圖1 TE過(guò)程流程[30]Fig.1 Flow chart of TE process[30]

表1 基于部分過(guò)程知識(shí)的分塊結(jié)果Table 1 Block results based on partial process knowledge

表2 最終的分塊結(jié)果Table 2 Final block results

在線監(jiān)控時(shí)，選用960組過(guò)程數(shù)據(jù)進(jìn)行仿真，故障是在第161個(gè)數(shù)據(jù)時(shí)刻引入的。采取本文所用方法得到總的聯(lián)合指標(biāo)，并與統(tǒng)計(jì)監(jiān)控限比較，判斷其是否超限。經(jīng)多次實(shí)驗(yàn)，得到的檢測(cè)率與其他方法進(jìn)行對(duì)比，在21種故障中，本文的方法都不差于文獻(xiàn)[24]的方法，表3給出了部分故障的檢測(cè)率對(duì)比結(jié)果。同時(shí)為了證明基于過(guò)程動(dòng)態(tài)性進(jìn)行分塊與建模方法的有效性，表3還給出了基于靜態(tài)混合分塊的過(guò)程監(jiān)控方法的檢測(cè)率，即對(duì)利用過(guò)程知識(shí)分塊后的子塊基于其GDC進(jìn)行進(jìn)一步的分塊，并對(duì)子塊采用MICA-PCA方法進(jìn)行建模，得到聯(lián)合指標(biāo)D2進(jìn)行監(jiān)控。由表3可以看出，靜態(tài)混合分塊方法的監(jiān)控效果要優(yōu)于傳統(tǒng)方法，但本文提出的基于混合分塊DMICA-PCA的過(guò)程監(jiān)控方法對(duì)于這幾類故障要比靜態(tài)方法有更好的監(jiān)控效果。

表3 TE過(guò)程故障2、5、8、10、11、13、16、19的檢測(cè)率對(duì)比Table 3 Detection rate comparison of fault 2, 5, 8, 10, 11, 13, 16, 19 in TE process/%

故障10是流4段C(圖1)的進(jìn)料溫度發(fā)生隨機(jī)波動(dòng)引起故障，根據(jù)表3與圖2，可以看出本文的故障檢測(cè)效果比PCA與文獻(xiàn)[24]中的方法都要好。圖3給出了故障11部分子塊的監(jiān)控圖，除了第5子塊的監(jiān)控效果較好，其他子塊的監(jiān)控效果與圖3(a)、(b)類似，因此對(duì)該子塊進(jìn)行故障診斷，其他子塊的變量的貢獻(xiàn)度設(shè)為0，得出的結(jié)果如圖4(a)所示，發(fā)現(xiàn)變量4[總進(jìn)料(流4)]、18(汽提器溫度)與故障相關(guān)。圖4(b)給出的傳統(tǒng)方法的診斷結(jié)果，可以看出變量3(E進(jìn)料)、19(汽提器流量)、38(成分E)的貢獻(xiàn)度的值最高。而實(shí)際上52個(gè)變量中與該故障關(guān)系最相近的是變量4和18，因此傳統(tǒng)方法的診斷效果不如本文的方法。而分布式PCA方法雖然也得出了變量18與故障相關(guān)，但是還得出了變量19、變量46(壓縮機(jī)再循環(huán)閥)與故障相關(guān)，影響了故障的定位。基于MI的方法的診斷結(jié)果為變量18、19與故障相關(guān)，同樣存在定位困難的問(wèn)題，因此本文的方法對(duì)故障10的診斷效果更好。

圖2 TE過(guò)程故障10的監(jiān)控圖對(duì)比Fig.2 Comparison of monitoring for fault 10 of TE process

通過(guò)TE過(guò)程的仿真實(shí)驗(yàn)，可以看出本文提出的基于混合分塊DMICA-PCA方法，不僅在故障檢測(cè)效果上優(yōu)于傳統(tǒng)的PCA與ICA及文獻(xiàn)[24]的方法，而且本文提出的方法在一些故障中定位故障變量的精確度上要優(yōu)于傳統(tǒng)方法與其他分塊方法，因此本文提出的方法對(duì)TE過(guò)程可以實(shí)現(xiàn)較好的監(jiān)測(cè)和診斷。由于本文方法在分塊與建模過(guò)程中都考慮了過(guò)程的動(dòng)態(tài)特性，并采用高斯與非高斯聯(lián)合指標(biāo)進(jìn)行監(jiān)控，因此本文提出的過(guò)程監(jiān)控方法適合于具有動(dòng)態(tài)特性、數(shù)據(jù)分布復(fù)雜的全流程化工過(guò)程的過(guò)程監(jiān)控，由TE過(guò)程仿真實(shí)驗(yàn)結(jié)果可以證明這一特點(diǎn)。

圖3 TE過(guò)程故障10部分子塊的監(jiān)控圖對(duì)比Fig.3 Comparison of monitoring of partial sub blocks for fault 10 of TE process

圖4 TE過(guò)程故障10的貢獻(xiàn)圖對(duì)比Fig.4 Comparison of contribution for fault 10 of TE process

6 結(jié) 論

本文提出了一種基于混合分塊DMICA-PCA的全流程故障檢測(cè)與診斷方法，有效地降低了全流程過(guò)程的復(fù)雜性。該方法利用變量當(dāng)前時(shí)刻的值與其他變量過(guò)去時(shí)刻的值存在相關(guān)性，首先利用平行分析法得到全流程過(guò)程的時(shí)滯值。接著利用復(fù)雜工業(yè)過(guò)程已知的部分過(guò)程知識(shí)進(jìn)行分塊，并利用變量之間的MGDC值進(jìn)行進(jìn)一步的分塊。并通過(guò)DMICA-PCA方法對(duì)每個(gè)子塊進(jìn)行建模，解決了子塊數(shù)據(jù)存在的高斯與非高斯混合分布以及過(guò)程變量數(shù)據(jù)存在的動(dòng)態(tài)性問(wèn)題。通過(guò)構(gòu)建聯(lián)合指標(biāo)進(jìn)行故障檢測(cè)，并通過(guò)對(duì)每個(gè)子塊進(jìn)行故障診斷，提高了故障檢測(cè)與診斷的效果，最后通過(guò)對(duì)TE過(guò)程的仿真實(shí)驗(yàn)證明了該方法的有效性。

[1] JIA Q L, ZHANG Y W. Quality-related fault detection approach based on dynamic kernel partial least squares[J]. Chemical Engineering Research and Design, 2016, 106: 242-252.

[2] WANG T, WU H, NI M,et al. An adaptive confidence limit for periodic non-steady conditions fault detection[J]. Mechanical Systems and Signal Processing, 2016, 72: 328-345.

[3] SONG B, TAN S, SHI H. Process monitoringviaenhancedneighborhood preserving embedding[J]. Control Engineering Practice, 2016, 50: 48-56.

[4] LI N, YANG W, YANG Y. Spatial-statistical local approach for improved manifold-based process monitoring[J]. Industrial & Engineering Chemistry Research, 2015, 54(34): 8509-8519.

[5] LI W, YUE H H, VALLE C S,et al. Recursive PCA for adaptive process monitoring[J]. Journal of Process Control, 2000, 10(5): 471-486.

[6] 童楚東, 史旭華. 基于互信息的 PCA 方法及其在過(guò)程監(jiān)測(cè)中的應(yīng)用[J]. 化工學(xué)報(bào), 2015, 66(10): 4101-4106. TONG C D, SHI X H. Mutual information based PCA algorithm with application in process monitoring[J]. CIESC Journal, 2015, 66(10): 4101-4106.

[7] HYVARINEN A, OJA E. Independent component analysis: algorithms and applications[J]. Neural Networks, 2000, 13(4): 411-430.

[8] ZHANG Y W, ZHANG Y. Fault detection of non-Gaussian processes based on modified independent component analysis [J]. Chemical Engineering Science, 2010, 65: 4630-4639.

[9] WANG B, JIANG Q C, YAN X F. Fault detection and identification using a Kullback-Leibler divergence based multi-block principal component analysis and bayesian inference[J]. Korean Journal of Chemical Engineering, 2014, 31(6): 930-943.

[10] MACGREGOR J F, JAECKLE C, KIPARISSIDES C,et al. Process monitoring and diagnosis by multiblock PLS methods [J]. AIChE J., 1994, 40: 826-838.

[11] GE Z Q, SONG Z H. Two-level multiblock statistical monitoring for plant-wide processes [J]. Korean J. Chem. Eng., 2009, 26: 1467-1475.

[12] WESTERHUIS J A, KOURTI T, MACGREGOR J F. Analysis of multiblock and hierarchical PCA and PLS models[J]. Journal of Chemometrics, 1998, 12(5): 301-321.

[13] CHERRY G A, QIN S J. Multiblock principal component analysis based on a combined index for semiconductor fault detection and diagnosis[J]. IEEE Transactions on semiconductor manufacturing, 2006, 19(2): 159-172.

[14] GE Z Q, SONG Z H. Distributed PCA model for plant-wide process monitoring[J]. Industrial & Engineering Chemistry Research, 2013, 52(5): 1947-1957.

[15] 衷路生, 何東, 龔錦紅, 等. 基于分布式 ICA-PCA 模型的工業(yè)過(guò)程故障監(jiān)測(cè)[J]. 化工學(xué)報(bào), 2015, 66(11): 4546-4554. ZHONG L S, HE D, GONG J H,et al. Fault monitoring of industrial process based on distributed ICA-PCA model[J]. CIESC Journal,2015, 66(11): 4546-4554.

[16] JIANG Q C, WANG B, YAN X F. Multiblock independent component analysis integrated with Hellinger distance and Bayesian inference for non-Gaussian plant-wide process monitoring[J]. Industrial & Engineering Chemistry Research, 2015, 54(9): 2497-2508.

[17] JIANG Q C, YAN X F. Plant-wide process monitoring based on mutual information multiblock principal component analysis[J]. ISA Transactions, 2014, 53(5): 1516-1527.

[18] WANG B, YAN X F, JIANG Q C,et al. Generalized Dice's coefficient based multi-block principal component analysis with Bayesian inference for plant-wide process monitoring[J]. Journal of Chemometrics, 2015, 29(3): 165-178.

[19] WANG B, YAN X F, JIANG Q C. Independent component analysis model utilizing de-mixing information for improved non-Gaussian process monitoring[J]. Computers & Industrial Engineering, 2016, 94: 188-200.

[20] HUANG J, YAN X F. Dynamic process fault detection and diagnosis based on dynamic principal component analysis, dynamic independent component analysis and Bayesian inference[J]. Chemometrics and Intelligent Laboratory Systems, 2015, 148: 115-127.

[21] 鐘麗麗. 基于動(dòng)態(tài)主元分析的故障診斷研究[D]. 青島: 青島科技大學(xué), 2013. ZHONG L L. Research on fault diagnosis of dynamic principle component analysis[D]. Qingdao: Qingdao University of Science and Technology, 2013.

[22] ZHANG Y, LIU Y, JI Z. Vector similarity measurement method[J]. Technical Acoustics, 2009, 4(5): 532-536.

[23] 張子羿, 胡益, 侍洪波. 一種基于聚類方法的多階段間歇過(guò)程監(jiān)控方法[J]. 化工學(xué)報(bào), 2013, 64(12): 4522-4528. ZHANG Z Y, HU Y,SHI H B.Multi-stage batch process monitoring based on a clustering method [J]. CIESC Journal, 2013, 64(12): 4522-4528.

[24] 江偉, 王昕, 王振雷. 基于 LTSA 和 MICA 與 PCA 聯(lián)合指標(biāo)的過(guò)程監(jiān)控方法及應(yīng)用[J]. 化工學(xué)報(bào), 2015, 66(12): 4895-4903. JIANG W, WANG X, WANG Z L. LTSA and combined index based MICA and PCA process monitoring and application [J]. CIESC Journal, 2015: 66(12):4895-4903.

[25] LI X, YANG Y, ZHANG W. Statistical process monitoringviageneralized non-negative matrix projection[J]. Chemometrics and Intelligent Laboratory Systems, 2013, 121: 15-25.

[26] 楊正永, 王昕, 王振雷. 基于 LTSA 和聯(lián)合指標(biāo)的非高斯過(guò)程監(jiān)控方法及應(yīng)用[J]. 化工學(xué)報(bào), 2014, 66(4): 1370-1377. YANG Z Y,WANG X,WANG Z L. LTSA and combined index based non-Gaussian process monitoring and application[J].CIESC Journal, 2014: 66(4):1370-1379.

[27] YUE H H, QIN S J. Reconstruction-based fault identification using a combined index[J]. Industrial and Engineering Chemistry Research, 2001, 40(20): 4403-4414.

[28] XIE L, LI Z, ZENG J,et al. Block adaptive kernel principal component analysis for nonlinear process monitoring[J]. AIChE Journal, 2016, 62(12): 4334-4345.

[29] CHIANG L H, RUSSELL E L, BRAATZ R D. Fault Detection and Diagnosis in Industrial Systems [M]. Berlin: Springer, 2001.

[30] JIANG Q C, YAN X F. Probabilistic weighted NPE-SVDD for chemical process monitoring[J]. Control Engineering Practice, 2014, 28: 74-89.

Plant-wide process monitoring based on mixed multiblock DMICA-PCA

JIANG Wei1, WANG Zhenlei1, WANG Xin2
(1State Key Laboratory of Chemical Engineering,Key Laboratory of Advanced Control and Optimization for Chemical Processes,East China University of Science and Technology,Shanghai200237,China;2Center of Electrical & Electronic Technology,Shanghai Jiao Tong University,Shanghai200240,China)

Multiblock strategy is widely used in plant-wide process monitoring to solve problems with complicated relationships between process variables. Traditional multiblock strategies and sub-block modeling methods are not effective in plant-wide process monitoring, because dynamic characteristics of the process have not been considered and knowledge or data information of the process is exclusively exploited. A mixed multiblock DMICA-PCA method was proposed to improve process monitoring performance. First, variables were sliced into initial sub-blocks by obtained process knowledge after analysis of process dynamics and further sliced into final sub-blocks by modified general Dice's coefficient (MGDC) between variables of initial sub-blocks. Then, the DMICA-PCA method was used to establish model and acquire statistical values of variables in final sub-blocks and a combined overall index from weighted sum was developed for fault detection, which improved performances by simultaneous diagnosis on each sub-block. Effectiveness of the proposed method was validatedon monitoring the Tennessee-Eastman (TE) process.

principal component analysis; process control; process systems; mixed multiblock; plant-wide process; modified general Dice's coefficient

Prof. WANG Zhenlei, wangzhen_l@ecust.edu. cn

TP 277

：A

：0438—1157（2017）02—0759—08

10.11949/j.issn.0438-1157.20161309

2016-09-19收到初稿,2016-12-05收到修改稿。

聯(lián)系人：王振雷。

：江偉(1991—)，男，碩士研究生。

國(guó)家自然科學(xué)基金重點(diǎn)項(xiàng)目(61134007)；國(guó)家自然科學(xué)基金青年項(xiàng)目(61403141)；上海市“科技創(chuàng)新行動(dòng)計(jì)劃”研發(fā)平臺(tái)建設(shè)項(xiàng)目(13DZ2295300)；上海市自然科學(xué)基金項(xiàng)目(14ZR1421800)；流程工業(yè)綜合自動(dòng)化國(guó)家重點(diǎn)實(shí)驗(yàn)室開放課題基金資助項(xiàng)目(PAL-N201404)。

Received data: 2016-09-19.

Foundation items: supported by the Key Program of National Natural Science Foundation of China (61134007), the Youth Program of National Natural Science Foundation of China (61403141), the Shanghai “Technology Innovation Action Plan” Development Platform for Building Projects (13DZ2295300), the Natural Science Foundation of Shanghai (14ZR1421800) and the State Key Laboratory of Synthetical Automation for Process Industries (PAL-N201404).