论文部分内容阅读
随着计算机技术与仪表技术的迅速发展,在工业生产过程中大量的生产数据被存储下来,由此基于数据驱动的过程监测与故障诊断方法得到了广泛的研究与应用,其中传统的机器学习方法要求训练数据与测试数据满足同分布的条件。在磨矿分级过程中,由于产品粒度、矿石属性和设备参数等不同导致旧过程和新过程的生产数据不满足同分布的条件,此时采用传统机器学习方法建立的监测模型不能对新过程进行准确的监测。迁移学习能够利用旧过程的生产经验和专家知识指导新过程建立监测模型,有效的提高了学习的效率以及减少知识的浪费。本文结合磨矿分级生产过程的故障监测问题,对基于迁移学习的过程监测方法展开研究,主要的研究内容如下:(1)首先对过程监测方法进行总结概括,其次分析了基于数据驱动过程监测方法的研究现状。通过对统计类过程监测方法和传统机器学习方法的优缺点进行阐述,进而提出了本文的整体研究策略。(2)在大规模的现代化选矿生产工艺流程中,通常包括多系列相似的磨矿分级过程,各系列的磨矿分级过程根据生产指标或设备维护的要求进行切换和组合。新投入运行的过程称为新过程,对于生产经验和历史过程数据较少的新过程,直接对该过程建立监测模型难度较大,且模型的监测准确性不理想。本文引入迁移学习方法,建立基于特征迁移学习模型,根据旧过程的经验和专家知识,给出标记数据和样本状态标记矩阵的定义方式。利用协同矩阵分解提取过程数据间的公共潜因子,建立迁移学习桥梁,同时采用密度敏感距离测度方法计算样本相似性,充分保持过程数据的局部和全局一致性信息,从而缓解负迁移。通过求解目标函数得到监测数据的状态标签,进而判断过程的运行状态。利用实际的磨矿分级生产过程数据验证了方法的实用性和有效性。(3)在实际的磨矿分级生产过程中,由于生产设备故障、传感器灵敏度失效以及人为操作失误等原因导致生产数据中含有噪声,进而将严重影响监测效果。针对这种情况,本文提出了一种具有抗噪性能的迁移学习过程监测方法。该方法通过非负协同矩阵分解去除数据中的噪声信息,获得过程数据间准确的公共潜因子。通过进一步优化计算获得新过程数据样本的状态标签,从而判断过程的运行状态。该方法的有效性和实用性通过对现场实际数据的仿真分析得到了验证。