论文部分内容阅读
过程监测模型被视为过程自动化系统的重要组成部分,主要作用是评估过程时的运行状态及产品质量,检测出故障并完成后续识别、诊断、隔离等操作。现代工业发展至今,不论是整体规模还是复杂程度,都不同以往,对过程控制、过程监测环节的要求也稳步提高。大多数实际工业过程都具有非线性、时变性、动态性、不确定性等特点,一些较早提出的数据驱动过程监测方法,如多元统计分析以及机器学习过程监测方法不再广泛适用。
本文主要提出四种算法,分别针对如下研究难点:如何对非线性过程和动态性过程建模,如何减少标签量噪声对模型影响等。这四种方法主要是围绕机器学习和深度学习方法展开,并融合了部分改进的多元统计分析算法,具体工作内容包括以下几个部分:
(1)为了弥补PPCA模型的线性局限性,本文提出了一种基于即时学习局部模型的概率主元分析算法(JITL-PPCA),用于非线性过程的在线故障监测。该方法采用改进的即时学习算法在线构建局部LSSVR模型,提取样本变量之间的非线性相关关系。剔除非线性信患的样本被输入至PPCA模型进行故障监测。该方法引入的LSSVR模型具备良好非线性信患提取能力的同时,仅通过线性计算即可优化。本文采用一个数字仿真数据集和TE过程标准数据集来测试JITL-PPCA对非线性过程故障的监测效果。实验结果验证了JITL-PPCA在保证实时性的同时,故障检测效果也优于其他非线性过程监测模型。
(2)本文详细对比分析了两种线性降维算法PPCA、PLVR和三种机器学习特征提取GPLVR、GPAM、DAE之间的相互关联和优缺点,发现DAE模型相比其他四种多元统计分析方法最大的优势在于模型参数优化方法更为简便灵活。为了进一步提升DAE对特征噪声的鲁棒性,本章提出了一种收缩降噪自编码器算法(CDAE),并提出了一种基于CDAE模型和SVM分类器的有监督过程监测算法(CDAE-SVC)。本章采用TE过程标准数据集来验证CDAE-SVC和DAE-SVC方法的过程监测性能,实验结果从侧面证明了CDAE的特征提取能力优于DAE。
(3)为了提升深度学习模型对复杂工业过程变量的动态特性建模效果,研究者们主要采用两类方法:一类是在网络结构中引入循环结构,二类是用时序扩展向量替代静态向量作为模型的输入。D-DAE模型,作为一种典型的动态深度学习模型,实质上是采用时序扩展向量作为模型输入的DAE,其主要缺陷在于计算复杂度会随着窗口宽度增加而大幅上升。为了提升D-DAE模型的实用性,本章在其基础上提出了一种改进的动态降噪自编码器故障分类模型(CVA-DAE)。CVA-DAE模型中预置的典型变量分析(CVA)在保留时序扩展矩阵内变量动态信息的同时对其进行线性降维,降低了DAE模型的输入维度和计算复杂度。除此以外,本章还提出一种判别降噪自编码器(DisDAE),在DAE的基础上引入LDA惩罚项,使DAE提取的表征向量更适合分类。TE过程故障数据集的实验结果显示CVA-DisDAE的分类准确率优于D-DAE和CVA-DAE。
(4)在实际工业环境下,标签量噪声对建模过程的负面影响甚至大于特征量噪声。针对该问题,本章提出了一种基于K折交叉验证的标签去噪算法(KCV-LNC),可以识别并修正数据集中的误标签样本。在此基础上,本章进一步提出了一种标签噪声鲁棒的堆叠降噪自编码器故障分类模型(LNC-SDAE)。该模型对标签噪声的鲁棒性来自于两方面,一方面预置的KCV-LNC模型可以稳定地修正大部分误标签样本,大幅降低误标签样本在数据集中的比例,另一方面,SDAE模型本身对数据集中存在的少量标签噪声也存在鲁棒性。在实验验证部分,本章基于TE过程标准数据集构造出带标签噪声的实验数据集。去噪处理后的训练集将分别用于LNC-SDAE模型的训练,待训练完成后,再测试LNC-SDAE对测试数据集的分类准确率。实验结果证实了LNC-SDAE模型对标签量噪声的鲁棒性。
本文主要提出四种算法,分别针对如下研究难点:如何对非线性过程和动态性过程建模,如何减少标签量噪声对模型影响等。这四种方法主要是围绕机器学习和深度学习方法展开,并融合了部分改进的多元统计分析算法,具体工作内容包括以下几个部分:
(1)为了弥补PPCA模型的线性局限性,本文提出了一种基于即时学习局部模型的概率主元分析算法(JITL-PPCA),用于非线性过程的在线故障监测。该方法采用改进的即时学习算法在线构建局部LSSVR模型,提取样本变量之间的非线性相关关系。剔除非线性信患的样本被输入至PPCA模型进行故障监测。该方法引入的LSSVR模型具备良好非线性信患提取能力的同时,仅通过线性计算即可优化。本文采用一个数字仿真数据集和TE过程标准数据集来测试JITL-PPCA对非线性过程故障的监测效果。实验结果验证了JITL-PPCA在保证实时性的同时,故障检测效果也优于其他非线性过程监测模型。
(2)本文详细对比分析了两种线性降维算法PPCA、PLVR和三种机器学习特征提取GPLVR、GPAM、DAE之间的相互关联和优缺点,发现DAE模型相比其他四种多元统计分析方法最大的优势在于模型参数优化方法更为简便灵活。为了进一步提升DAE对特征噪声的鲁棒性,本章提出了一种收缩降噪自编码器算法(CDAE),并提出了一种基于CDAE模型和SVM分类器的有监督过程监测算法(CDAE-SVC)。本章采用TE过程标准数据集来验证CDAE-SVC和DAE-SVC方法的过程监测性能,实验结果从侧面证明了CDAE的特征提取能力优于DAE。
(3)为了提升深度学习模型对复杂工业过程变量的动态特性建模效果,研究者们主要采用两类方法:一类是在网络结构中引入循环结构,二类是用时序扩展向量替代静态向量作为模型的输入。D-DAE模型,作为一种典型的动态深度学习模型,实质上是采用时序扩展向量作为模型输入的DAE,其主要缺陷在于计算复杂度会随着窗口宽度增加而大幅上升。为了提升D-DAE模型的实用性,本章在其基础上提出了一种改进的动态降噪自编码器故障分类模型(CVA-DAE)。CVA-DAE模型中预置的典型变量分析(CVA)在保留时序扩展矩阵内变量动态信息的同时对其进行线性降维,降低了DAE模型的输入维度和计算复杂度。除此以外,本章还提出一种判别降噪自编码器(DisDAE),在DAE的基础上引入LDA惩罚项,使DAE提取的表征向量更适合分类。TE过程故障数据集的实验结果显示CVA-DisDAE的分类准确率优于D-DAE和CVA-DAE。
(4)在实际工业环境下,标签量噪声对建模过程的负面影响甚至大于特征量噪声。针对该问题,本章提出了一种基于K折交叉验证的标签去噪算法(KCV-LNC),可以识别并修正数据集中的误标签样本。在此基础上,本章进一步提出了一种标签噪声鲁棒的堆叠降噪自编码器故障分类模型(LNC-SDAE)。该模型对标签噪声的鲁棒性来自于两方面,一方面预置的KCV-LNC模型可以稳定地修正大部分误标签样本,大幅降低误标签样本在数据集中的比例,另一方面,SDAE模型本身对数据集中存在的少量标签噪声也存在鲁棒性。在实验验证部分,本章基于TE过程标准数据集构造出带标签噪声的实验数据集。去噪处理后的训练集将分别用于LNC-SDAE模型的训练,待训练完成后,再测试LNC-SDAE对测试数据集的分类准确率。实验结果证实了LNC-SDAE模型对标签量噪声的鲁棒性。