基于FRI-FCM的工業過程模糊監控

王　蕊　李宏光

(北京化工大學信息科學與技術學院，北京　100029)

?

基于FRI-FCM的工業過程模糊監控

王蕊李宏光

(北京化工大學信息科學與技術學院，北京100029)

摘要：模糊監控是對傳統的工業過程圖表監控方式的一類改進策略。通過對復雜工業過程監控方法的研究，針對復雜工業過程非線性、關聯度強的數據特性，給出了一種基于FRI-FCM算法的工業過程模糊監控方法，建立了簡化的分類產生式規則的模糊知識表達方法。采用基于模糊匹配度的監控推理，實現了對工業過程異常狀態的預測。試驗結果驗證了所提方法的有效性。

關鍵詞：模糊監控器FRI-FCM分類產生式規則過程監控模糊推理模糊匹配DMF回收過程智能化

0引言

過程監控是工業生產穩定性、安全性的保障，也是改善產品質量、提高經濟效益的重要途徑[1]。目前，工業過程大多采用基于計算機的圖表監控方式，而隨著過程監控要求的提高以及智能化技術的發展，模糊監控器越來越受到關注。Mamboundou[2]將模糊監控器與模型預測控制方法結合，實現預測參數的在線調整；Jamshidi等人[3]應用模糊監控器實現了連續線性定常奇異攝動系統的混合控制。另外，模糊監控器作為一種有效的優化策略，被廣泛應用于電力系統中，如Svalina[4]采用模糊監控器消除因風速變化引起的有效功率的波動；Krichen[5]運用模糊監控器實現有效功率與定子電壓間差異最小化；Breban[6]采用模糊監控器最小化直流電壓、降低消耗功率來提高系統的效率。此外，模糊監控器還被應用于醫學領域，如血糖控制[7-8]等。

然而，目前模糊監控器大多依賴模糊規則實現模糊決策的功能[7-17]，監控參數少、規則少、決策過程簡單。FRI-FCM是一種融合了模糊推理規則和模糊認知圖的綜合推理算法，它通過對數據的充分利用，避免了由于數據量增加而造成的規則失效問題，可用于較大規模數據的分類問題[12]。為此，本文提出應用FRI-FCM算法對工業過程進行模糊監控的方法，將簡化的分類產生式規則方法用于決策知識的模糊表達，給出了一種基于模糊匹配的模糊推理方法，實現對工業過程異常狀態的預測。

1基于FRI-FCM的模糊推理方法

模糊認知圖(fuzzycognitivemap，FCM)是由模糊概念節點和聯結模糊概念節點的有向邊組成的模糊有向圖。概念節點間的因果關系用權重表示，其取值范圍為[-1，1]。令FCM的概念節點為C1,C2,…,Ci,…,Cn,設有向邊權重ei,j∈[-1,1]，矩陣E=(ei,j)為FCM的鄰接矩陣或關聯矩陣，ei,j為概念節點Ci、Cj之間的權重，依據鄰接矩陣E和初始狀態向量C=[C1(t),C2(t),…,Cn(t)]1×n，通過公式C(t+1)=f[c(t)×E]進行迭代推理。

傳統的模糊認知圖在進行推理時要鄰接矩陣，即概念節點間有明確的因果關系，然而對于工業數據，明確參數間的因果關系并不容易。為彌補傳統FCM對處理這類問題的不足，采用FRI-FCM方法，將傳統FCM推理過程轉換成模糊“If-Then”規則推理，使其處理工業過程問題更具可靠性，推理過程更易于理解。FRI-FCM的結構如圖1所示，它由五層結構組成，分別為輸入層、前件層、規則層、結論層和輸出層。

圖1　FRI-FCM結構圖Fig.1　Structure of FRI-FCM

1.1輸入層

1.2前件層

(1)

1.3規則層

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

表1　簡化的分類產生式規則Tab.1　Simplified classification production rules

簡化的分類產生式規則的一般形式定義為：

Rule：If (RuType,CondList)，

Then (ConClu) withα

RuType表示規則類型，分為強烈(SD)、重要(IMP)、輔助(AUX)三種，用字母代碼表示；CondList表示規則條件，用and或or來表示多個規則前件的邏輯關系；ConClu表示規則結論；α∈[0,1]為規則閾值，可由歷史數據統計得到或由專家決定。如規則：

Rule：If(IMP,[FI-110:Z,PB,suddenly])，

Then(LI-104:Z,NS,gradually) with 0.7。

規則層中每個概念節點Ri表示一條“If-Then”規則。以對稱三角形隸屬函數為例，隸屬函數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的邊界值，hAij為隸屬度為0.5對稱三角形隸屬函數的寬度，CAij為轉折點處的值。依據模糊規則進行匹配度計算時，首先要自定義時間程度區間，通過式(2)來計算跟蹤時間內的狀態隨時間的變化程度S(x,t)。

(2)

然后在采樣t時刻和最大跟蹤T時刻，用式(3)分別計算規則相似度，m為規則前件總數。

(3)

最后用式(4)計算跟蹤時間內所有相似度的算數平均值為最終匹配度。當匹配度大于α時，規則被激活。

(4)

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

1.4結論層

(5)

1.5輸出層

在輸出層，將所啟用的規則按照規則分類，以SD>IMP>AUX的優先級順序處理。當規則之間發生矛盾時，以優先級高的規則結論為主。

2工業過程模糊監控

工業過程監控系統主要包括三個功能模塊：①數據通信模塊完成與主站之間的數據通信；②數據分析處理模塊提供監控數據給人機界面，從而實現對下位運行情況的在線監測；③數據上傳和發布模塊負責將監測數據通過局域網進行上傳，同時還具備事故處理能力。工業過程監控系統的網絡結構包括底層的控制網絡和上層的操作網絡，底層控制網絡是工業控制的主要部分；上層操作網絡主要是給人機界面提供監控的數據，用戶除了可以通過人機界面查詢、瀏覽工業動態數據，還可以實現工業現場各儀表參數、泵、閥開關的處理。

基于FRI-FCM的模糊監控就是根據最大跟蹤時間內監控參數的狀態信息，篩選出符合條件的預測方案，主要步驟如下。

①設定最大跟蹤時間tmax，它是指在保證系統安全運行條件下，能夠反映監控參數狀態變化趨勢的理論最小時間。分別在t0時刻與tmax時刻采集監控參數狀態量(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為監控參數的總數。

②監控參數模糊化，并計算時間程度S(x,t)。將采集的監控參數運行狀態量(X,T)應用四元結構(P：Q1，Q2，t)進行模糊化，其中P為監控參數，Qi∈Parameter_Value_Set(i)，i=1，2。

③篩選預測方案。每個預測方案代表一條模糊規則，監控參數模糊化后，計算每一條規則的模糊匹配度。如果匹配度大于等于規則閾值，則此規則被激活，即該條規則通過篩選。

④判斷是否有規則被激活。若沒有，則重復步驟②和步驟③，計算下一時刻ti=ti+1的匹配度，直至規則被激活；否則，重復步驟③，將激活規則結論傳遞到前件層繼續進行匹配。

⑤判斷是否仍有匹配規則，若有，則重復步驟④；否則，輸出預測結果。當被監控的工業過程運行狀態發生較大變化或超出允許范圍的參數波動時，監控系統輸出相應測量結果。基于FR1-FCM的模糊監控推理流程如圖2所示。

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

3應用實例

3.1DMF回收過程監控

DMF回收過程[14-15]監控系統如圖3所示,其人機監控界面包括6個部分：①系統總貌監控統一查看系統中所有監測變量；②工藝流程監控對DMF回收過程進行查看；③實時趨勢視圖主要對相關數據變量進行實時趨勢查看；④歷史趨勢圖主要對相關數據變量進行歷史趨勢查看；⑤報警監視主要包括實時報警和歷史報警，當有報警出現時，實時報警進行聲光報警信息提醒，歷史報警主要提供報警信息的結構化查看和報警消除功能；⑥數據報表視圖主要實現實時數據的分類記錄和歷史數據信息的查詢、打印等。

3.2模糊監控

以DMF回收過程精餾塔為例，其關鍵監控參數包括塔頂溫度TI-102h、塔頂壓力PI-102a、塔頂回流

量FI-103、進料量、導熱油流量FI-110、塔釜壓力PI-102b、塔釜液位LI-104和塔釜溫度TI-102a。

圖3　DMF回收過程監控系統示意圖Fig.3　The monitoring system of DMF recovery processes

①數據采集DMF回收精餾塔數據如表2所示。

表2　DMF回收精餾塔數據Tab.2　Data of the DMF recovery and rectification column

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

③建立模糊規則：模糊規則基于操作專家的先驗知識獲得，表3給出了精餾塔的部分模糊監控規則。

表3　模糊監控規則表Tab.3　Rules of the fuzzy monitoring

④建立FRI-FCM：將每條規則的前件與結論的關聯關系建立FRI-FCM，如圖4所示。

圖4　模糊監控規則FRI-FCM示意圖Fig.4　The FRI-FCM of fuzzy monitoring rules

⑤模糊推理：對模糊化的參數值與規則庫中的規則進行匹配。由表2可知，在2008/4/18/1:03時刻，導熱油流量FI-110開始快速上升，其他參數相對穩定，FI-110模糊化的結果為(FI-110:Z,PB,suddenly)。基于此模糊化結果，按上述推理過程計算每條規則的匹配度，有兩條規則滿足閾值要求，其相應的模糊匹配度依次為0.75、0.68。激活規則如下。

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

這兩條規則給出的預測結果為：導熱油流量FI-110快速上升會導致塔板溫度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，預測結果準確。

4結束語

本文基于FRI-FCM算法，實現了對工業過程狀態的模糊監控，并依據工業數據的特點提出簡化的分類產生式規則知識表達方法，給出了合理的推理過程；將專家對于時間的感知加入到模糊規則中，較好地彌補了靜態數據分析在動態過程控制方面存在的不足。此方法不需要復雜數據的計算過程。工業實例驗證表明，此方法易于實現，能夠為操作人員提供準確的參考意見。

然而，對于生產過程參數模式變化的情況，由于其數據量、數據區間以及生產要求都有所不同，監控參數模糊區間的劃分也要作相應改變，后續的研究工作將關注實現FRI-FCM算法的在線學習，從而實現根據工藝要求在線調整模糊區間劃分的目的。

參考文獻：

[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調控制系統[J].儀器儀表學報，2009，30(6)：143-147.

[15]辛曉樂，李宏光.DMF回收過程專家區域協調控制系統設計[J].化工學報，2008，59(7)：1854-1858.

[16]王華強，顧曼曼.DMF回收溫度監測通信方案的設計[J].安徽大學學報(自然科學版)，2012，36(6)：44-50.

[17]敖俊卿,劉向杰.負荷頻率系統的LFC模糊監控器設計[J].廣東輸電與變電技術,2008(5):14-16.

中圖分類號：TH7;TP273+.4

文獻標志碼：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

中央高校基本科研業務費專項基金資助項目(編號：YS1404)。

修改稿收到日期：2015-06-11。

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