收稿日期:20180427;修回日期:20180608 基金项目:国家自然科学基金资助项目(61763029)
作者简介:赵小强(1969),男,陕西岐山人,教授,博导,博士,主要研究方向为故障诊断、生产调度(xqzhao@lut.cn);周文伟(1991),男,硕
士,主要研究方向为故障诊断.
基于 GLRGMM 的间歇过程在线监控策略
赵小强
1a,1b,2
,周文伟
1a,2
(1.兰州理工大学 a.电气工程与信息工程学院;b.国家级电气与控制工程实验教学中心,兰州 730050;2.甘肃
省工业过程先进控制重点实验室,兰州 730050)
摘 要:针对间歇过程的非线性和动态性,提出了全局—局部正则化高斯混合模型 (GLRGMM)算法。首先引
入邻域保持嵌入算法提取局部流形结构,通过寻求一种低维投影对非线性过程进行全局结构保持,同时最大限
度地保留局部流形特征;然后通过对高斯混合模型引入正则项来在线监控更新高斯模型,获取非线性数据流形
结构,解决数据动态性问题;最后集成全局—局部监控指标实现在线监控。通过青霉素发酵过程进行了验证,结
果表明所提算法比 DPCA、GLNPE具有更好的在线监控效果。
关键词:间歇过程;在线监控;动态特性;邻域保持嵌入算法;高斯混合模型
中图分类号:TP277 文献标志码:A 文章编号:10013695(2020)01026012704
doi:10.19734/j.issn.10013695.2018.04.0441
OnlinemonitoringstrategyforbatchprocessbasedonGLRGMM
ZhaoXiaoqiang
1a,1b,2
,ZhouWenwei
1a,2
(1.a.CollegeofElectrical&InformationEngineering,b.NationalExperimentalTeachingCenterofElectrical&ControlEngineering,Lanzhou
UniversityofTechnology
,Lanzhou730050,China;2.KeyLaboratoryofGansuAdvancedControlforIndustrialProcesses,Lanzhou730050,
China)
Abstract:Aimingatnonlinearanddynamiccharacteristicsofbatchprocess,thispaperproposedagloballocalregularization
Gaussianmixturemodel(GLRGMM)algorithm.Atfirst,thisalgorithmintroducedneighborhoodpreservingembeddingalgo
rithmtoextractthelocalmanifoldstructure.Itpreservedglobalstructureofnonlinearprocessbyseekingalowdimensional
projectionwhilepreservedlocalmanifoldfeaturestothemaximumextentatthesametime.Thenitintroducedtheregulariza
tiontermintoGMMtoonlinemonitorandupdatedGaussianmodel.Itobtainedthemanifoldstructureofnonlineardataand
solvedthedatadynamiccharacteristicproblemsimultaneously.Finally
,itusedtheintegrationofgloballocalmonitoringindi
catorstoeffectivelyachieveonlinemonitoring.Theresultsverifiedbythepenicillinfermentationprocessshowthatthepro
posedalgorithmhasbetteronlinemonitoringeffectthanDPCAandGLNPEalgorithms.
Keywords:batchprocess;onlinemonitoring;dynamiccharacteristic;NPE;GMM
0 引言
间歇过程由于其操作性强和灵活度高等优点成为一种重
要的工业生产方式,特别是在精细化工、生物制药和食品饮料
等小批 量、高 附 加 值 产 品 的 生 产 和 制 备 当 中 得 到 广 泛 应
用
[1,2]
。强非线性、动态性是间歇过程的固有特征,是实际生
产过程和在线监控中面临的问题,而寻求一种有效的解决途径
对降低经济损失和避免人员伤亡具有重要意义
[3]
。
随着工业过程控制系统的发展,大量过程数据被获取并得
到有效利用,其中以 PCA、ICA、PLS为主要代表的基于多元统
计过程监控(multivariatestatisticalprocessmonitoring,MSPM)
方法在工业生产过程中得到了迅速发展和广泛应用。为了解
决间歇 过 程 中 的 非 线 性 和 动 态 性 问 题,
KPCA
[4]
、DPCA和
DPLS
[5]
应运而生并得到了成功应用。Lee等人
[6]
提出了多向
核主成分分析 算法 (multiwaykernelPCA,MKPCA);Peng等
人
[7]
在 TPLS的基础上提出了全影核偏最小二乘(totalkernel
partialleastsquares,TKPLS)算法。这些算法在一定程度上能
有效解决过程变量之间的非线性特性,但仍存在计算量大和核
参数选择盲目性问题,并且忽略了时序相关性,没有考虑动态
性问题,难以保证过程监控的准确性。Fan等人
[8]
提出了基于
核函数的动态独立元分析
KDICA算法;Lu等人
[9]
提出了双向
动态主成分分析方法。这些方法都是通过历史数据扩展当前
数据来消除时序相关性,并不能很好地消除过程数据的动态
性。为了同时解 决 过 程 数 据 中 的 非 线 性 和 动 态 性,Wang等
人
[10]
提出了双向动态核主成分分析法(dynamickernelPCA,
DKPCA);Zhang等人
[11]
提出了递归核 PCA方法;Jia等人
[12]
提出了基于批动态核 PCA方法。这些方法虽然能够同时监测
过程数据非线性和动态特性,但没有考虑过程数据的全局和局
部结构信息,仍存在主元个数多、故障误报率较高等问题。
近年来,流形算法由于其优越的局部流形结构特征提取和
高维数据处理能力而越来越多地应用于过程监控领域。Hu等
人应 用 局 部 保 持 投 影 算 法 (localitypreservingprojection,
LPP)
[13]
和邻域保持嵌入算法(neighborhoodpreservingembed
ding,NPE)
[14]
对间歇过程进行了有效监控;Zhang等人
[15]
提出
了一种基于全局—局部结构分析(globallocalstructureanaly
sis,GLSA)算法,保持了全局结构信息的同时获取了局部流形
结构;Yu
[16]
根据 GLSA提出了局部—全局 PCA(localandglo
balPCA,LGPCA)算 法;Tong等 人
[17]
提 出 了 多 流 形 投 影
(multimanifoldprojection,MMP)算法,结合了全局和局部方差
信息用于过程监控。这些算法虽然提取了数据的全局和局部
信息,但并没有有效解决数据的非线性和动态性问题。由于高
第 37卷第 1期
2020年 1月
计 算 机 应 用 研 究
ApplicationResearchofComputers
Vol.37No.1
Jan.2020