面向非线性动态工业过程的慢特征网络监测方法

摘要

本发明公开了面向非线性动态工业过程的慢特征网络监测方法。该方法充分考虑了复杂工业过程的线性与非线性、静态与动态特性并存的特点，通过设计一种新的神经网络结构，即慢特征网络来建立过程监测模型。本方法利用线性映射模块提取过程的线性信息，并将其与传统的编码器神经网络得到的信息进行融合，用于同时处理变量间的线性与非线性关系。本方法在优化目标中加入了特征的缓变约束来同时提取动静态信息。同时引入弹性网正则化对特征进行稀疏选择，防止过拟合现象。本方法综合考虑了线性与非线性、动态与静态过程信息，具有很强的可解释性，相比传统的监测方法，提高了监测精度，丰富了监测信息，为过程监测方法的研究指明了新的方向。

说明书

技术领域

本发明属于工业过程监测领域，特别是涉及一种考虑工业过程兼具静态与动态特性、过程变量间线性与非线性关系并存的情况，将线性特性纳入非线性神经网络结构，并提取过程动态信息的慢特征网络监测方法。

背景技术

随着工业制造水平的提高和经济的飞速发展，现代工业过程规模不断扩大、过程的复杂性不断提升。这种种趋势，在提高制造效率与产品质量的同时，也为生产过程的安全性带来了一定的挑战。庞大的系统，复杂的工作机理，都使得生产过程中发生故障的可能性大大增加，且故障所造成的危害与损失也随之变得更为严重。诸如石油化工、火力发电等大型工业制造过程，一旦出现故障，轻则造成财产损失，重则导致人员伤亡与安全性事故。因此，对于生产过程的运行状态进行精确、细致地监测尤为重要。

同时，随着物联网、大数据与人工智能技术的进步与普及，数据驱动的过程监测手段也被广泛研究与应用。然而，以主成分分析为代表的传统的过程监测模型均为线性模型，无法有效处理过程变量间的非线性关系，且仅能捕捉过程的静态特性。以慢特征分析为代表的动态过程监测模型虽能同时检测到过程的异常动态行为，但仍然为线性方法。显然，对于线性与非线性关系并存、静态与动态特性兼有的复杂工业过程，应全面地监测其稳态特性与静态特性，并对过程本身的线性与非线性信息进行提取与融合，从而达到提高监测精度与灵敏度，增加监测结果的可靠性与可解释性的目的。

发明内容

本发明的目的在于针对现有非线性的动态工业过程的监测技术的不足，提供一种慢特征网络过程监测模型。该方法能自动地提取过程的线性与非线性的动静态信息，捕捉潜在过程特性的变化，反映过程的真实运行状态，区分过程的工况切换、潜在异常和真正的故障，并指明异常或故障发生在过程的线性部分还是非线性部分。本发明提高了在线过程监测的可解释性与性能，并可应用于实际工业生产，从而确保生产过程的安全性与生产效率。

本发明的目的是通过以下技术方案来实现的：面向非线性动态工业过程的慢特征网络监测方法，该方法包括以下步骤：

步骤1：建模数据收集与预处理：收集正常运行状态下的过程数据作为训练数据集，并进行标准化预处理。

收集正常工况下的原始过程数据矩阵X

其中mean(X

步骤2：搭建慢特征网络模型。

(1)对于输入数据矩阵X中的某个样本x，分别利用可训练的线性映射矩阵W

f

f

其中，对于深度为L层的编码器E第l层的输入x

其中W

(2)对于得到的线性特征向量f

f＝f

其中

(3)利用多层全连接网络组成的解码器D将特征向量f映射到与输入数据x相同的维度，得到重构数据

其中编码器D中每层的传递关系与公式(4)一致。

步骤3：利用训练数据集训练慢特征网络。

建立优化目标，同时最小化重构误差与标准化特征

其中

步骤4：通过训练数据经过慢特征网络提取的特征构建监测统计量以及各统计量的相应控制限。

根据已训练好的慢特征网络得到的线性与非线性特征及重构结果，建立如下5个统计量：

(1)预测误差平方和(SPE)：

(2)线性静态统计量T

其中

(3)非线性静态统计量T

其中

(4)线性动态统计量S

其中

(5)非线性动态统计量S

其中

对于以上5个监测统计量，利用核密度估计，计算其各自的控制限。

步骤5：在线监测，根据各个统计量的超限情况分析过程运行状态。

对于在线监测采集到的新样本，首先对其进行标准化，再利用慢特征网络求取其重构结果与特征，并计算其5个统计量，将其5个统计量与各自的控制限进行比较。统计量超限情况的分析遵循以下两条规则：

(1)若三个静态统计量(T

(2)若超出控制限的统计量均为线性统计量(T

将不同的超限形式与其对应的结果分析总结如下表(其中×表示超限，√表示不超限)：

本发明中提出的方法主要面向非线性的、具有动态行为的工业过程提出了相应的监测模型，即慢特征网络。该方法充分考虑了复杂工业过程的线性与非线性、静态与动态特性并存的特点，并设计了一种新型的慢特征神经网络结构来建立过程监测模型。在处理过程变量间线性与非线性关系并存的方面，本发明利用线性映射模块提取过程的线性信息，并将其与传统的编码器神经网络得到的信息进行融合，用于同时处理变量间的线性与非线性关系。在处理动静特性并存的方面，本发明在原有自编码器的优化目标中加入了特征的缓变约束来同时提取动静态信息。此外，为使得在线应用时得到更加清晰的监测结果，本发明提出了五种监测统计量，分别用于表征过程的残差空间稳态信息、线性静态信息、线性动态信息、非线性静态信息和非线性动态信息，并根据各统计量在线监测时的表现形式给出了相应的结果分析，便于工业工程师采取相应的措施。本发明在建立慢特征网络监测模型的同时引入弹性网正则化对特征进行稀疏选择，防止过拟合现象。本发明综合考虑了线性与非线性、动态与静态过程信息，具有很强的可解释性，相比传统的监测方法，提高了监测精度，丰富了监测信息，为过程监测方法的研究指明了新的方向。

附图说明

下面结合附图和实施对发明进一步说明：

图1为慢特征网络结构示意图；

图2为慢特征网络监测结果图；

图3为慢特征分析监测结果图；

图4为核慢特征分析监测结果图。

具体实施方式

下面结合附图和具体实例，对本发明作进一步详细说明。

本实例采取数据为浙江省某电厂的发电过程数据，整个发电系统的输出功率为600MW，共包含温度、压力、流量等162个过程变量，变量间兼具线性与非线性关系。以采样一次的 162个过程变量作为一个样本点，其中训练数据集中包括2940个样本点，在线应用数据中则包含2820个样本，采样时间均为一分钟。在线应用时，自第496个样本点起，发电系统的循环水泵出现了出口压力过大的故障。

本发明的面向非线性动态过程的慢特征网络监测方法包括以下步骤：

步骤1：建模数据收集与预处理：收集正常运行状态下的过程数据作为训练数据集，并进行标准化预处理。

设训练集的原始过程数据矩阵X

其中mean(X

步骤2：搭建慢特征网络模型。慢特征网络的结构示意图可参考图1。

(1)对于输入数据矩阵X中的某个样本x，分别利用可训练的线性映射矩阵W

f

f

此处设置矩阵W

其中W

(4)对于得到的线性特征向量f

f＝f

其中

(5)利用多层全连接网络组成的解码器D将特征向量f映射到与输入数据x相同的维度，得到重构数据

其中编码器D中每层的传递关系与公式(4)一致。

步骤3：利用训练数据集训练慢特征网络。

建立优化目标，同时最小化重构误差与标准化特征

其中

步骤4：通过训练数据经过慢特征网络提取的特征构建监测统计量以及各统计量的相应控制限。

根据已训练好的慢特征网络得到的线性与非线性特征及重构结果，建立如下5个统计量：

(1)预测误差平方和(SPE)：

(2)线性静态统计量T

其中

(3)非线性静态统计量T

其中

(4)线性动态统计量S

其中

(5)非线性动态统计量S

其中

对于以上5个监测统计量，利用核密度估计，计算其各自的控制限，结果分别为240、46.4、 84.9、46.9、85。

步骤5：在线监测，根据各个统计量的超限情况分析过程运行状态。

对于在线监测采集到的新样本，首先对其进行标准化，再利用慢特征网络求取其重构结果与特征，并计算其5个统计量，将其5个统计量与各自的控制限进行比较。统计量超限情况的分析遵循以下两条规则：

(1)若三个静态统计量(T

(2)若超出控制限的统计量均为线性统计量(T

将不同的超限形式与其对应的结果分析总结如下表(其中×表示超限，√表示不超限)：

本示例中，慢特征网络的监测结果如图2所示。根据慢特征网络的在线监测策略可知，故障被成功检测出来，其不仅影响静态工作点，而且会引起动态异常，并且发生在过程的线性部分。为了验证这一结论，此处计算了每个过程变量和故障变量(循环水泵的出口压力) 之间的相关系数，发现有8个变量与故障变量的相关系数高于0.8，这表明结论是可靠的。

此处选取了两类过程监测方法与本发明中的慢特征网络进行对比，分别是尚超等人提出的纯线性的慢特征分析方法(Shang,C.,Yang,F.,Gao,X.,Huang,X.,Suykens,J.A.K.,&Huang, D.(2015).Concurrent monitoring of operating conditiondeviations and process dynamics anomalies with slow feature analysis.AIChEJournal,2015,61(11),3666-3682.)和核慢特征分析方法(Ma,K.J.,Han,Y.J.,Tao,Q.,&Wang,J.(2011).Kernel-based slow feature analysis.PatternRecognit.Artif.Intell.,24(2),153-159.)，其监测结果分别如图3和图4所示。观察其监测结果图可以发现，虽然这两种对比方法均检测到了故障的发生，但在过程未出现异常时发生了严重的误报警现象，且部分统计量在故障发生后发生一定的漏报警，降低了监测的可靠性。下表列出了慢特征网络和两种对比方法误报率和检测精度的对比结果，可见慢特征网络方法具有最低的误报率和最高的检测精度，证实了其具有更高的检测灵敏度与准确率。此外，慢特征网络还能有效判断故障发生在线性部分还是非线性部分，在提高监测性能的同时提供了更多的监测信息，增加了监测结果的可解释性。