基于故障相關慢特征分析的過程監測方法

黃 健,楊 旭,陳先中

(工業過程知識自動化教育部重點實驗室,北京科技大學 自動化學院,北京100083)

1 引 言

現代流程工業過程規模日益擴大，過程監測是保證過程生產安全、產品質量的關鍵。集散控制系統和計算機技術的蓬勃發展，推動了基于多元統計過程監測方法的發展[1-6]。傳統多元統計方法假設過程采樣之間是時序獨立的，多元統計算法在特征提取時只能提取過程的穩態特征。在現代工業過程中，變量之間、操作單元之間有實際意義的耦合關系，因此過程數據會表現出時間上的動態性。動態主成分分析(principal component analysis，PCA)、動態獨立成分分析等算法通過擴展矩陣方法來處理過程動態性問題[7-11]。近年來，慢特征分析(slow feature analysis,SFA)算法被引入過程監測領域[12]，SFA算法根據特征的變化提取動態特征，適用于動態過程監測。Guo等[13]提出概率SFA算法；Shang等[14]明確指出動態性是表征過程變化的重要指標；Zhang等[15]將核SFA 算法用于非線性間歇過程；張漢元等[16]結合核慢特征判別分析和支持向量數據描述算法，改善過程的非線性特性。上述改進的SFA故障檢測算法在特征選擇與觀測統計量構造方面，通過離線挑選部分重要特征構造統計量，沒有充分利用在線監測數據的故障信息，可能造成故障信息無法有效表達。Ge 等[17]提出從全局監測性能出發的基于故障樣本的獨立元監測方法。Jiang 等[18]提出基于在線挑選敏感主成分的敏感PCA 算法。Huang 等[12]提出基于慢特征分析的在線特征重排和特征提取監測策略。這些算法是基于在線特征選擇策略的過程監測算法，然而此類在線策略的研究仍不完善，在處理過程動態性方面以及特征選擇的魯棒性方面仍需要改進?！?br>