基于鄰域保持嵌入算法的
間歇過程故障檢測研究
The Research on batch process fault detection based on Neighborhood Preserving Embedding algorithm
作 者：張和慧
指導教師：趙小強
培養院系：電氣工程與資訊工程學院
學 科：控制科學與工程
專 業：控制理論與控制工程
● 研究背景/選題意義/研究價值●
現如今故障檢測領域由于人們對産品品質、生産效率以及安全性能的嚴要求和高标準，同時随着計算機和人工智能的飛速發展而得到了科學家們的廣泛關注。越來越多的研究者緻力于在提高故障檢測精度和效率，進而運用一定的理論對實際工業生産進行指導和幫助。
基于資料驅動的傳統多元統計方法針對工業過程故障檢測需要假設不受噪聲、離群點等的影響，過程資料具有近似線性且單一工況的狀态，有利于後續模組化與分析。然而，愈加複雜和智能化的工業過程，已不适用于直接利用上述傳統方法，是以對其進行改進進而得到更好的結果是現階段刻不容緩的事情。
● 主要研究内容●
針對間歇過程具有非線性、非高斯、動态、多階段和多模态等混合分布的複雜特性，往往對故障檢測的效率和精度造成不良的影響，本文基于鄰域保持嵌入算法(Neighborhood Preserving Embedding, NPE)，通過分析該算法的結構特點并結合具體的間歇過程特性，提出對其進行改進的算法且應用于故障檢測。本文的研究内容有以下幾方面：
(1)針對間歇過程資料具有的多模态以及各模态結構差異較大、高斯非高斯混合分布的特征，提出了一種基于局部近鄰标準化(LNS)的LNSNPE-SVDD故障檢測算法。首先利用該算法尋找原始資料的局部近鄰集，針對局部近鄰集資料進行标準化，同時将多模态資料融合為單一模态并對高斯、非高斯共存的資料進行處理使之近似服從多元高斯分布；然後在有效保持局部資料流形結構，充分提取局部特征下進行降維；最後，通過支援向量資料描述(SVDD)建立故障檢測模型，構造監控統計量進行過程監控，使得檢測率進一步提高。
(2)針對鄰域保持嵌入算法隻關注資料的局部結構資訊而沒有考慮全局資訊，對具有複雜動态特性的間歇過程故障檢測造成檢測率較低的問題，提出了一種基于交叉熵(Cross Entropy, CE)的鄰域保持嵌入(CEGLNPE)算法，可以同時兼顧全局和局部的資料利用，提高故障檢測效率和精度。首先交叉熵算法通過更新機率密度對資料多次疊代尋求全局最優，而鄰域保持嵌入算法對局部結構進行保持；然後根據CE和NPE算法分别對全局和局部進行結構保持的特性，建構新的目标函數；最後利用滑動窗更新資料解決動态性并建立全局-局部的故障檢測模型。通過人工資料集Swiss-Roll和青黴素發酵仿真過程與KPCA、NPE算法進行對比驗證，驗證了所提算法的有效性。
(3)針對間歇過程具有的多階段特性，即各個階段間的資料結構不盡相同，對一個過程進行整體模組化時，會忽略一些結構間的差異性，進而導緻故障檢測效果不佳，提出了一種基于稀疏子空間聚類(Sparse Subspace Clustering, SSC)的NPE多階段故障檢測算法。首先引入k近鄰作為SSC的限制項，兼顧全局和局部兩方面，對資料進行聚類完成階段的劃分；接着對各子階段通過NPE算法達到降維提取特征的目的；然後利用小波變換對統計量進行降噪處理，排除噪聲和幹擾對結果的影響，最小化資料的損失率；最後在青黴素發酵仿真實驗平台上進行對比驗證，得到所提算法有效性的結論。
圖1間歇過程資料展開方式
圖2提出CEGLNPE算法在Swiss-Roll
人工資料集中的嵌入結果
圖3提出k-SSC-NPE算法的SPE監控圖
圖4提出k-SSC-NPE算法的T2監控圖
● 主要創新點●
提出基于局部近鄰标準化(LNS)的LNSNPE-SVDD故障檢測算法；
提出可以兼顧全局和局部資料利用的基于交叉熵(Cross Entropy, CE)的鄰域保持嵌入(CEGLNPE)算法；
提出能更好劃分間歇過程多階段的基于稀疏子空間聚類(Sparse Subspace Clustering, SSC)的NPE多階段故障檢測算法。
● 代表性創新成果●
[1]趙小強, 張和慧. 基于改進NPE算法的間歇過程故障檢測. 蘭州理工大學學報, 2020, 46(02): 86-91.
[2]趙小強, 張和慧. 基于交叉熵的改進NPE間歇過程故障檢測算法. 控制與決策(EI), 已錄用, 待發表.
[3]趙小強, 張和慧. 基于稀疏子空間聚類的NPE多階段間歇過程故障檢測算法. EI在審中.
來源： 蘭州理工大學研究所學生院
贊+在看點這裡