智能流程制造中的实时性能评估与诊断方法的研究与评估-阿尔伯塔大学化工系文章

工程3（2017）214研究智能流程制造-Article过程操作性能的实时评估与诊断Shabnam Sedghi，Biao Huang*阿尔伯塔大学化学与材料工程系，加拿大阿尔伯塔省埃德蒙顿市，T6G 1H9ARt i clEINf oA b s tRAC t文章历史记录：2016年11月30日收到2017年1月26日修订2017年2月2日接受2017年3月16日在线发布保留字：最优性评价概率主成分回归随着时间的推移，由于过程的变化和不确定性，过程的性能可能会偏离初始设计，因此有必要开发基于在线优化评估的系统方法。常规操作过程数据。某些过程具有多个操作模式，这是由关键过程变量的设定点变化引起的，以实现不同的产品规格。另一方面，由于不确定性，每个操作模式中的操作区域可以改变。在本文中，我们将建立一个最优性评估框架的过程，通常有多模式，多区域操作，以及不同模式之间的转换。采用核密度方法进行模式检测，并针对操作模式检测进行了改进。对于在线模式检测，基于模型的聚类判别分析（MclustDA）方法与系统的一些先验知识。此外，稳态模式的多模态行为处理利用混合概率主成分回归（MPPCR）方法，和动态主成分回归（DPCR）用于调查不同模式之间的过渡。此外，概率因果关系检测方法的顺序前向浮动搜索（SFFS）方法的基础上，引入诊断不良或非最佳的行为。最后，在Tennessee Eastman（TE）基准仿真程序上对所提出的方法进行了测试，以评估其性能。© 2017 The Bottoms.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版这是CC BY-NC-ND下的开放获取文章许可证（http：//creati v ecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍过程操作性能评价是过程工业中的一个重要课题，受到了学术界和工业界的广泛关注。由于工艺性能可能会随着时间的推移而恶化，并因工艺变化或工艺条件变化而偏离初始设计，因此有必要持续监控工艺性能。这种类型的分析是一个步骤，从传统的控制性能评估，并已被命名为最近有一些关于最优性评估的研究[1]进行。然而，这些研究没有描述适用于一般复杂工艺操作的方法。在本文中，提出了一个系统的最优性评估框架，解决了与现代工业过程的性能评估相关的主要问题。首先，由于工艺条件和产品需求，变化其次，由于不确定性和干扰，我们在每个稳态模式中引入多个操作区域。第三，我们考虑不同操作模式之间的转换。针对这些问题，提出了一种基于概率主成分回归（PPCR）的最优性评价方法。首先描述了在实践中常见的单峰过程，然后扩展到多操作模式过程。对于单峰过程，开发的方法包括两个阶段：离线培训和在线评估。在离线训练中，收集稳态数据，包括过程变量和最优性指数（OI）。请注意，OI定义取决于流程。例如，根据工艺的不同，OI可以指运营成本、利润、产品质量、环境指数等。为了获得在线的OI估计，有必要建立基于过程变量的OI预测模型。由于每种运行模式通常有多个运行区域，混合概率主成分回归（MPPCR）* 通讯作者。电子邮箱：biao. ualberta.cahttp://dx.doi.org/10.1016/J.ENG.2017.02.0042095-8099/© 2017 THE COMEORS.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。 这是CC BY-NC-ND许可证下的开放获取文章（http：//creati v ecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect工程杂志主页：www.elsevier.com/locate/engS.塞吉湾Huang / Engineering 3（2017）214215模型用于建模。MPPCR模型描述了OI在各工作区域的高斯分布，基于该模型可以获得各工作区域的OI局部值。通过比较各运行区域的局部OI，分析了在线评估时，根据新数据点的后验概率估计其工作区域基于所构建的模型，OI预测使用贝叶斯推理来评估过程性能。当过程性能不是最佳时，诊断问题的原因有助于将过程引导到更好的性能。采用基于缺失变量方法[5]的概率贡献分析技术来解决这个问题。为了减少计算时间和简化求解过程，采用了序贯浮点前向搜索（SFFS）方法代替分支定界法对于多操作模式过程，假设数据关于操作模式未标记点。换句话说，操作模式的数量和每个数据点的操作模式是未知的。为了估计数据集的标签，选择控制操作模式变化的关键过程变量并将其命名为调度变量。基于所选择的调度变量，采用并改进了基于局部核密度的方法[6]来检测数据点的标签为了在在线评估中估计运行模式，基于标记数据集建立了混合判别分析（MDA）此外，为了提高在线模式检测的准确性，过程知识被纳入MDA的结果。稳态模式的最优性评估与单峰过程相同对于模式之间的转换，建立了动态主成分回归（DPCR）模型，并根据DPCR加载矩阵比较性能等级[7]。本文的其余部分安排如下：在第二节中，问题和建议的解决方案进行了讨论。在第3节中，描述了稳态模式的最优性评估策略。第4节过渡的评估方法研究了在第5节中，描述了用于多操作模式过程的模式检测方法。在第6节中，所提出的方法进行了测试田纳西伊士曼（TE）的过程。最后给出了结论。由不确定的过程变化引起的不同操作区域组成。最优水平根据系统中的操作位置而改变本文的目标是基于常规操作过程数据，通过对数据的表征，即通过估计操作模式和操作区域（或过渡等级），预测OI值，诊断性能差的原因，来评估在线操作过程性能。拟议的框架包括离线培训和在线评估。所提出的框架和方法的概述在图中给出。 2和图 3，并在以下章节中详细描述。3. 稳态模式：定义稳态模式是指过程的主要操作状态，在稳态模式下，关键过程变量、流程结构、产品需求等不发生本质变化，利用MPPCR模型对训练数据集进行模型估计。在下一步骤中，基于检测到的模型，获得每个操作区域此外，基于过程知识，定义了最优值的类别，并将得到的操作区域分配给相应的类别。3.1. 数据建模假设X= [x（1），x（2），由于工况是由多个工况区组成的，因此采用MPPCR模型建立了以X为输入、Y为输出的预测模型。3.2. 最优性指标在建模部分中估计每个操作区域k中的OI的高斯分布因此，每个操作区域中的局部OI[1]等于所获得的y的高斯分布的平均值：2.问题陈述和建议的解决方案一般过程操作具有多模态特性，在每个稳态模式中具有非高斯行为这些系统的概述在图中给出。1.一、据认为，OIky，k3.3. 非最佳原因检测（一）操作模式的变化是由已知的控制因素如产品需求引起的。此外，每个稳态操作模式为了在非最佳或较差性能的情况下找到因果变量，可以利用概率贡献Fig. 1. 一般工艺操作概述。216S.塞吉湾Huang / Engineering 3（2017）214RkY XKK图二. 离线培训的拟议框架和方法概述。图3.第三章。在线评估的拟议框架和方法概述。基于缺失变量方法的分析技术。这种方法已被应用于故障检测[5，8]，离群点检测[9]等。在本文中，我们采用这种方法与修改的因果关系检测的最优性评估。在改进的方法中，最佳区域被称为概率因果分析的参考或基准区域。当一个新的数据点与参考区域的马氏距离M2大于置信界限时，检测到一个具有非最佳性能的新数据点，该置信界限是具有r个自由度的卡方分布的β分位数（χ2（β））。在该方法中，当所考虑的变量被视为缺失变量时，每个单个变量的贡献等于M2与M2的期望值E（M2）我们提出了以下算法来基于SFFS方法[10]找到一组因果变量：完整集合，xnew = Y = {y j|j= 1，2，...，p }，包括x new的所有测量变量。其目的是找到重新计算的E（M2）的值小于置信界限的缺失变量的最小数量。假设我们已经选择了一个缺失变量Xk的k子集，则该问题中的准则函数如下：两种稳态模式之间。在本文中，假设运行模式的变化是监督。因此，控制操作模式变化的关键过程变量被测量，尽管在每个过程中有噪声，并且通常被称为调度变量。4.1. 过渡职等分析动态主成分分析（DPCA），以考虑在变量的自相关性，以及他们的时变特性，通过将时滞信息的数据矩阵。根据调度变量求出各变迁的负载矩阵，并计算相似性指数。Srinivasan等人[7]提供了这种方法的细节。假设S和T是具有相同初始和最终稳态模式的两个跃迁。如果它们的相似性指数大于用户定义的阈值θT，则它们属于同一过渡等级。J（X）M2E（M2）K（二）4.2. 过渡预测建模其中E Y| X（M2）是M2在缺失所选子集（即Xk）的条件下的期望值。该算法从k= 1开始，如下所示：步骤1：通过使用最大化J（Xk）的SFFS算法从Y中找到k个特征，称为Xk步骤2：如果E Y| X（M2）小于置信界限，则X k是最终的原因集;否则，k = k + 1并转到步骤1。4. 过渡过渡主要发生在具有多个操作的DPCR基于完整的训练数据集构建。对于每个转换，当建立DPCA时，回归步骤应用于估计的潜在变量。在线评估中基于估计等级的OI估计等于等级中每个过渡模型的估计值的平均值。5. 模式检测为了将所提出的算法扩展到多模式系统，应该考虑模式检测步骤来检测稳态模式和转换，并且在章节S.塞吉湾Huang / Engineering 3（2017）2142172222第3和第4项应用于绩效评估。模式检测包括标记操作模式和基于估计的标签构建预测分类器。5.1. 操作模式标签Quiñones-Gruillo等人[6]最近提出了一种基于局部核密度估计的离 线 模 式 检 测 方 法 ， 用 于 监 控应 用 。 该 方 法 是 基 于 密 度 聚 类（DENCLUE）的方法，并在这里采用集成的过程序列信息，以提高准确性。在本文中，上述离线模式检测和修改的最优性评估。该算法提供了一个有效的操作模式标记过程，而不需要知道模式的数量作为先验知识。对上述方法提出的扩展如下：(1) 为了找到过渡的确切开始和结束时间，每个过渡部分被分割成较短长度的窗口，以更清楚地研究动态。(2) 初始和最终的稳态模式的每一个过渡进行比较的基础上的距离准则。如果它们彼此相似并且表示相同的操作模式，则检测到的转变被认为是噪声效应而不是真实转变。(3) 稳态模式的初始窗口和最终窗口基于距离准则而彼此互补，以便检测最终稳态模式和转换。5.2. 在线模式检测在在线评估中，估计每个新数据点对应的操作模式，以便选择合适的模型。结果，在离线模式检测步骤中基于估计的标签构建预测分类器。Fraley和Raftery[11]将MDA的分类方法与基于模型的聚类（MclustDA）集成在一种称为MclustDA判别分析（MclustDA）的方法中，该方法能够对非高斯类进行分类。基于MclustDA方法建立了各工况的分类模型，包括稳态工况和过渡工况。注意，在本文中，假设所有操作模式在离线训练中是已知的然而，在在线模式检测中，可能会出现以前没有研究过的新模式检测新操作模式的一种可能的解决方案是计算每个操作模式中的新数据点的条件概率和每个操作模式的后验概率的联合概率当联合概率的值不重要时，它表明出现了新的操作模式[12]。对于运行模式的在线预测，这是为了提高预测的准确性[4]。换句话说，代替计算每个数据点的所有操作模式的后验分布，相关操作模式的后验计算如下：(1) 如果数据点的当前操作模式属于稳态模式i，则对于下一点，预测模式i的后验概率以及从模式i的所有转换(2) 如果当前数据点处于过渡ij的等级p中，即{ij}p，则计算{ij}p和稳态模式j的后验概率最后，将数据点分类到具有最高后验概率的操作模式。请注意，考虑单个数据点可能会导致噪声环境中的错误解决方案。在这种情况下，建议评估数据点的窗口，其提供对操作模式变化的更鲁棒的估计。6. 田纳西伊士曼基准流程TE基准过程已被广泛用于过程控制、软测量设计、监测等领域的许多方法的评估。该模型首先由Downs和Vogel[13]基于EastmanChemical Company的工业过程开发。为了具有稳定的过程，分散控制策略应用于Ricker[14]开发的开环过程。根据表1中总结的设定点，模拟了三种不同的操作模式。此外，在每种操作模式下增加了两个不确定度，如表2所示。OI被选为运营成本。离线训练数据被投影到A和C进料（流4）和再循环流（流8）的两个变量中，如图所示。 四、为了澄清，图中显示了每个操作模式的近似边界OI值的定义水平见表3。请注意，最优性水平被定义为越高越差。当地OI值和水平见表4在线评估在线模式检测的计算分类误差为0.0104，这表明模式检测的高精度。预测OI值，OI的预测值和实际值的比较图见图5。由于所采用的模型随工艺而变化，因此图中列出了相应的模型。此外，均方根误差（RMSE）和R2值分别计算为0.3723和0.8475，表明在预测OI值的高精度。离线模式检测、在线模式检测和预测结果总结在表7中。图6中给出了估计的OI水平。根据图6，该过程从最优操作开始，然后跳转到2级最优性。并以第1219个采样点为例，分析了非最优性产生的原因。基于先前的估计，该数据点属于操作模式1的操作区域1。根据表4，工作区域3在模式1中具有最低的OI水平;因此，它被选为非最佳原因检测的参考模式或基准。该数据点与参考模式的距离为195.11，即大于卡方分布的0.95分位数，自由度为22（过程变量数量）（χ2（0.95）= 33.924）。检测到可以基于过程知识进行验证的九个因果变量，图7中给出了它们的贡献百分比。当假设这九个变量缺失时，与参考模式的距离变为33.66，即，小于χ2（0.95），这指示该过程被操纵到最佳性能。表1稳定操作模式的特性模式G/H反应器液位（%）反应器温度（°C）150/5065122.9210/9050130.0340/6055135.0“G”表2过程的不确定性。过程变量类型1B组合物（料流4）步骤2反应堆压力步骤218S.塞吉湾Huang / Engineering 3（2017）214图四、 离线训练数据的二维图。kscmh：千标准立方米每小时。表3定义的OI水平。表5当地OI水平（模式2）。OI范围（$·hOI水平操作区域当地OI（$·hOI水平100–14011205.674141–18022259.013181–22033186.623221以上4表4当地OI水平（模式1）。表6当地OI水平（模式3）。操作区域当地OI（$·hOI水平操作区域当地OI（$·hOI水平1142.7821309.5142179.4322250.4943120.0913275.114图五. OI的预测值和实际值的比较S.塞吉湾Huang / Engineering 3（2017）214219表7结果总结结果性能此外，因果关系检测方法被引入用于诊断不良或非最佳行为。最后给出了在TE基准过程上的应用，证实了该方法的适用性。离线模式检测ARI = 0.9891FM指数= 0.9928在线模式检测误差= 0.0104预测RMSE = 0.3723R2= 0.8475ARI：校正Rand指数; FM指数：Fowlkes-Mallow指数。见图6。估计的OI水平。图7.第一次会议。样本1219中因果变量的贡献百分比。7. 结论本文提出了一种新的非高斯多模式过程操作最优性评估框架。所提出的方法能够检测操作模式、过渡和区域，并提供用于预测过程操作的模型提出的方法的有效性。确认这项工作得到了加拿大自然科学工程研究委员会和艾伯塔省创新技术未来的部分支持。遵守道德操守准则Shabnam Sedghi和Biao Huang声明，他们没有利益冲突或财务冲突需要披露。引用[1] 叶林，刘毅，费忠，梁军。基于安全和最优指标的多模式工业过程运行性能在线概率评估。Ind Eng Chem Res 2009;48（24）：10912[2] 刘毅，张毅，王锋. 工业过程在线操作性能评估与非最优原因辨识。J ProcessContr 2014;24（10）：1548-55.[3] 刘毅，王芳，张毅，马瑞.基于综合经济指标预测的多工况过程最优操作评价及非最优原因识别。Chem Eng Res Des 2015;97：77[4] 刘毅，王芳，张毅，马瑞.非高斯多模态过渡过程的操作最优性评估和非最优原因识别。化学工程科学2015;137：106[5] 张文辉，张文辉.通过缺失变量分析分离故障变量的分支定界法。J Process Contr2010;20（10）：1198-206.[6] 放大图片作者：Quiñones-Gruillo M，Prieto-Moreno A，Llanes-Santiago O.基于局部核密度估计和过程模式构造的变迁建模和监控。Ind Eng Chem Res 2016;55（3）：692[7] [10]杨文，王文，何伟，林光.基于动态主成分分析的敏捷化工过程状态聚类方法。Ind Eng Chem Res 2004;43（9）：2123[8] 陈泰，孙耀.统计过程监控的概率贡献分析：缺失变量方法。控制工程实践2009;17（4）：469[9] 放大图片作者：Chen T，Martin E，Montague G.具有缺失数据的鲁棒概率PCA和离群值检测的贡献分析。计算统计数据分析2009;53（10）：3706-16.[10] Pudil P，Novovi Jová J，Kittler J.特征选择中的浮动搜索方法帕特-《语言认知通讯》1994;15（11）：1119[11] Fraley C，Raftery AE。基于模型的聚类、判别分析和密度估计。《美国统计学杂志》，2002年;97（458）：611[12] Ge Z，Song Z.多模式过程监控PPCA的混合贝叶斯正则化方法。AIChE J 2010;56（11）：2838[13] Downs JJ，Vogel EF.一个全厂范围的工业过程控制问题。计算机化学工程1993;17（3）：245-55.[14] Ricker NL.田纳西伊士曼挑战过程的分散控制。J Process Contr 1996;6（4）：205-21.