CN103245759A - 基于自回归全潜结构投影模型的产品质量监测方法 - Google Patents
基于自回归全潜结构投影模型的产品质量监测方法 Download PDFInfo
- Publication number
- CN103245759A CN103245759A CN2013101065691A CN201310106569A CN103245759A CN 103245759 A CN103245759 A CN 103245759A CN 2013101065691 A CN2013101065691 A CN 2013101065691A CN 201310106569 A CN201310106569 A CN 201310106569A CN 103245759 A CN103245759 A CN 103245759A
- Authority
- CN
- China
- Prior art keywords
- variable
- quality
- variation
- relevant
- monitor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于质量监测领域,主要涉及一种基于自回归全潜结构投影模型的产品质量监测方法。本发明将输入输出数据投影到四个子空间中,分别是质量变量预测值生成的主元子空间和残差子空间,过程变量残差生成的主元子空间和残差子空间,并建立相应的统计量分别对质量变量和过程变量中与质量变量无关的部分进行故障检测。本发明不仅避免了传统的基于偏最小二乘模型(PLS)的监测方法及其改进的基于全潜结构投影模型(T-PLS)的监测方法中非线性迭代偏最小二乘算法(NIPALS)复杂的求解过程,并且克服了后者过程残差仍包含不适合用Q统计量来监控的较大方差的变化问题。
Description
技术领域
本发明属于质量监测领域,主要涉及一种基于自回归全潜结构投影模型的产品质量监测方法。
背景技术
保持稳定的高质量产品对于一个工厂来说是非常重要的。常用的方法是监测和控制关键的质量变量来保证产品质量。然而,质量监测过程中最棘手的问题是难以对质量变量进行实时在线测量,如石油产品中的组分、化学反应器中的反应物浓度以及聚合反应物中的分子量等等。由于技术或经济上的原因,无法通过常规的传感器进行直接测量,通常采用人工定时采样、实验室检测等方法,耗时且存在一定的延迟。采用历史数据建立软测量模型是解决此问题的方法之一。然而传统的基于偏最小二乘模型(PLS)的监测方法及其改进的基于全潜结构投影模型(T-PLS)的监测方法中由于采用了非线性迭代偏最小二乘算法(NIPALS),求解过程复杂,且后者仍包含不适合用Q统计量来监控的较大方差的变化问题。
发明内容
本发明针对连续化工过程的质量变量不能在线测量或有较长时间延迟的情况,提出一种新的自回归全潜结构投影模型(AR-TPLS)的质量监测方法。本发明主要用于检测与质量变量有关的故障,同时还可以检测过程变量中与质量变量无关的故障。本发明首先利用X与Y的回归关系模型,提取出Y中和X有关的部分 ;其次利用引导X空间的分解,将经PCA分解后的得分矩阵作为过程变量样本空间分解的第一部分的得分矩阵,体现X中和Y直接相关的部分;进而对过程样本残差进行PCA分解,提取出与Y无关的过程中含有较大方差变化的部分,剩余为过程噪声;接下来再依据PCA原则分离出空间中含方差较大的子空间和变化较小的子空间。当在线测得过程数据时,利用过程数据预测质量,并将预测值投影到的主元空间和残差空间中,以实现对质量变量的监测;同时考察在线过程数据在X残差空间的变化,以实现对质量无关的过程变量的监测。其具体内容如下:
设输入矩阵,由N个样本组成,每个样本包含n个过程变量;输出矩阵同样由N个样本构成,每个样本由m个质量变量构成。由于质量变量的变化通常由过程变量所引起,故X与Y之间存在一定的相关关系, X与Y可被描述如下
由于
因而,可以直接求出
(4)
上式中是得分矩阵,是载荷矩阵,B是主元个数,主元个数由交叉验证法来确定。衡量了能由过程变量所解释的部分中方差变化较大的部分,适合用统计量来监测,而衡量了能由过程变量所解释的部分中方差变化较小的部分,适合用Q统计量来监测,反映了与过程变量无关的残差部分如传感器变化等,常被用作对质量指标的离线分析。
监测质量变量中与X有关的变化就等效于监测过程变量中与Y有关的变化,然而本发明同样可以监测过程变量中与Y无关的变化,此时可利用空间投影的思想把X投影到一个由直接决定的少数潜变量(t1,t2,…tp)构成的低维空间中,为潜变量的个数,分解如下
结合式(6),X,Y可以写成如下形式
在此基础上,通过建立故障检测统计量,将实现对质量变量和与质量变量无关的过程变量同时在线监测,当新数据x到来时,分解如下
其中
(10)
本发明的有益效果:本发明避免了PLS和T-PLS方法中NIPALS复杂的求解过程,思路简单,计算量小;并且克服了后者过程残差中仍包含不适合用Q统计量来监控的方差较大的变化问题。
附图说明
图1为本发明质量监测方法的流程图;
图2为当系统中A/C供料比发生了阶跃故障时,基于本发明方法的质量监测结果;
图3为当反应冷却水内部温度发生了阶跃故障时,基于本发明方法的质量监测结果。
具体实施方式
本发明的实施流程图如图1所示,具体实施方式如下:
设输入矩阵,由N个样本组成,每个样本包含n个过程变量;输出矩阵同样由N个样本构成,每个样本由m个质量变量构成。由于质量变量的变化通常由过程变量所引起,故X与Y之间存在一定的相关关系, X与Y可被描述如下
由于
因而,可以直接求出
(5)
上式中是得分矩阵,是载荷矩阵,B是主元个数,主元个数由交叉验证法来确定。衡量了能由过程变量所解释的部分中方差变化较大的部分,适合用统计量来监测,而衡量了能由过程变量所解释的部分中方差变化较小的部分,适合用Q统计量来监测,反映了与过程变量无关的残差部分如传感器变化等,常被用作对质量指标的离线分析。
监测质量变量中与X有关的变化就等效于监测过程变量中与Y有关的变化,然而本发明同样可以监测过程变量中与Y无关的变化,此时可利用空间投影的思想把X投影到一个由直接决定的少数潜变量(t1,t2,…tp)构成的低维空间中,为潜变量的个数,分解如下
(8)
结合式(6),X,Y可以写成如下形式
(9)
在此基础上,通过建立故障检测统计量,将实现对质量变量和与质量变量无关的过程变量同时在线监测,当新数据x到来时,分解如下
其中
方法试验:
本发明提出的基于自回归全潜结构投影模型的产品质量监测方法应用到Tennessee Eastman (TE) 基准模型中。TE过程是伊斯曼化学公司创建的基于实际工业过程的仿真实例,此过程已经被广泛作为连续过程的策略、监视、诊断的优化的研究平台。TE 过程由5个主要的操作单元构成,分别是反应器、冷凝器、气液分离塔、循环压缩机和汽提塔五个操作单元组成。包含四种反应物(A,C,D,E),两种产物(G,H),以及一种惰性物质B和副产物F。过程共有12个操作变量和41个测量变量,用3min的采样间隔来采集训练集和测试集的仿真数据,而19个浓度的测量值有6-15分钟的延迟。TE过程共有15种已知故障,其中故障1~7是阶跃故障,故障8~12是方差增大故障,故障13是由反应器中反应速率缓慢漂移引起的故障,而故障14、15是阀门失灵故障。
本发明选取第1-36个测量变量和第1-11个操作变量作为过程数据X,选取第37-41个变量作为质量变量Y。采用480个正常工况下的数据训练本发明方法的模型。根据交叉验证准则,选取的主元个数为,的主元个数为。
当发生IDV(1)故障时,表示系统中A/C供料比发生了阶跃故障。基于本发明方法的监控结果如图2所示。从图中可以看出本发明方法能检测出系统发生了与质量变量相关的故障。在此例中可以看出本发明方法能在检测与质量变量有关的故障方面有很好的性能。
当发生IDV(4)故障时,表示反应冷却水内部温度发生了阶跃故障,由于反应器温度是通过级联控制器来控制的,故其分布不影响质量变量。基于本发明方法的监控结果如图3所示。从中可以看出本发明方法可以检测出故障与质量变量不相关。在此例中可以看出本发明方法能在检测与质量变量无关的故障方面有很好的性能。
Claims (1)
1. 基于自回归全潜结构投影模型的产品质量监测方法,其特征在于:
设输入矩阵 ,由N个样本组成,每个样本包含n个过程变量;输出矩阵同样由N个样本构成,每个样本由m个质量变量构成;由于质量变量的变化通常由过程变量所引起,故X与Y之间存在一定的相关关系, X与Y可被描述如下
(2)
由于
因而,可以直接求出
这样可计算出与X有关的质量变量的变化
上式中是得分矩阵,是载荷矩阵,B是主元个数,主元个数由交叉验证法来确定;衡量了能由过程变量所解释的部分中方差变化较大的部分,适合用统计量来监测,而衡量了能由过程变量所解释的部分中方差变化较小的部分,适合用Q统计量来监测,反映了与过程变量无关的残差部分如传感器变化等,常被用作对质量指标的离线分析;
监测质量变量中与X有关的变化就等效于监测过程变量中与Y有关的变化,同样可以监测过程变量中与Y无关的变化,此时可利用空间投影的思想把X投影到一个由直接决定的少数潜变量(t1,t2,…tp)构成的低维空间中,为潜变量的个数,分解如下
(7)
(8)
结合式(6),X,Y可以写成如下形式
在此基础上,通过建立故障检测统计量,将实现对质量变量和与质量变量无关的过程变量同时在线监测,当新数据x到来时,分解如下
其中
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101065691A CN103245759A (zh) | 2013-03-28 | 2013-03-28 | 基于自回归全潜结构投影模型的产品质量监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101065691A CN103245759A (zh) | 2013-03-28 | 2013-03-28 | 基于自回归全潜结构投影模型的产品质量监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103245759A true CN103245759A (zh) | 2013-08-14 |
Family
ID=48925410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013101065691A Pending CN103245759A (zh) | 2013-03-28 | 2013-03-28 | 基于自回归全潜结构投影模型的产品质量监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103245759A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104656635B (zh) * | 2014-12-31 | 2017-10-13 | 重庆科技学院 | 非高斯动态高含硫天然气净化过程异常检测与诊断方法 |
CN108037668A (zh) * | 2017-12-28 | 2018-05-15 | 杭州电子科技大学 | 一种新型的化工间歇过程建模与监测方法 |
CN108427398A (zh) * | 2018-03-06 | 2018-08-21 | 宁波大学 | 一种基于分散式ar-pls模型的动态过程监测方法 |
CN108549792A (zh) * | 2018-06-27 | 2018-09-18 | 北京工业大学 | 一种基于潜结构映射算法的固废焚烧过程二噁英排放浓度软测量方法 |
CN109101758A (zh) * | 2018-09-03 | 2018-12-28 | 江南大学 | 基于t-pls模型的间歇过程工艺条件设计方法 |
CN109522972A (zh) * | 2018-12-13 | 2019-03-26 | 宁波大学 | 一种基于潜变量自回归模型的动态过程监测方法 |
CN109635465A (zh) * | 2018-12-18 | 2019-04-16 | 江南大学 | 基于tpls模型的批次内操作轨迹调整方法 |
CN109932908A (zh) * | 2019-03-20 | 2019-06-25 | 杭州电子科技大学 | 一种基于报警信度融合的多向主元分析过程监测方法 |
CN111338310A (zh) * | 2020-03-30 | 2020-06-26 | 南京富岛信息工程有限公司 | 一种工业过程稳态工况识别与分类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033523A (zh) * | 2009-09-25 | 2011-04-27 | 上海宝钢工业检测公司 | 基于偏最小二乘的带钢质量预测、炉况预警与故障诊断方法 |
US20110224819A1 (en) * | 2010-03-09 | 2011-09-15 | Samsung Mobile Display Co., Ltd. | Method for controlling critical dimension in semiconductor production process, and semiconductor manufacturing line supporting the same |
WO2011146914A2 (en) * | 2010-05-21 | 2011-11-24 | Fisher-Rosemount Systems, Inc. | Multi-stage process modeling method |
CN102298319A (zh) * | 2010-05-21 | 2011-12-28 | 费希尔-罗斯蒙特系统公司 | 过程分析模型与实际过程运转的在线对齐 |
-
2013
- 2013-03-28 CN CN2013101065691A patent/CN103245759A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033523A (zh) * | 2009-09-25 | 2011-04-27 | 上海宝钢工业检测公司 | 基于偏最小二乘的带钢质量预测、炉况预警与故障诊断方法 |
US20110224819A1 (en) * | 2010-03-09 | 2011-09-15 | Samsung Mobile Display Co., Ltd. | Method for controlling critical dimension in semiconductor production process, and semiconductor manufacturing line supporting the same |
WO2011146914A2 (en) * | 2010-05-21 | 2011-11-24 | Fisher-Rosemount Systems, Inc. | Multi-stage process modeling method |
CN102298319A (zh) * | 2010-05-21 | 2011-12-28 | 费希尔-罗斯蒙特系统公司 | 过程分析模型与实际过程运转的在线对齐 |
WO2011146914A3 (en) * | 2010-05-21 | 2012-01-12 | Fisher-Rosemount Systems, Inc. | Multi-stage process modeling method |
Non-Patent Citations (4)
Title |
---|
周东华等: "《数据驱动的工业过程故障诊断技术-基于主元分析与偏最小二乘的方法》", 31 January 2011, 科学出版社 * |
彭开香等: "基于动态全潜结构投影的热连轧厚度监控", 《控制理论与应用》 * |
文成林等: "基于信息增量矩阵的故障诊断方法", 《自动化学报》 * |
文成林等: "相对主元分析及其在数据压缩和故障诊断中的应用研究", 《自动化学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104656635B (zh) * | 2014-12-31 | 2017-10-13 | 重庆科技学院 | 非高斯动态高含硫天然气净化过程异常检测与诊断方法 |
CN108037668A (zh) * | 2017-12-28 | 2018-05-15 | 杭州电子科技大学 | 一种新型的化工间歇过程建模与监测方法 |
CN108427398B (zh) * | 2018-03-06 | 2020-06-16 | 宁波大学 | 一种基于分散式ar-pls模型的动态过程监测方法 |
CN108427398A (zh) * | 2018-03-06 | 2018-08-21 | 宁波大学 | 一种基于分散式ar-pls模型的动态过程监测方法 |
CN108549792A (zh) * | 2018-06-27 | 2018-09-18 | 北京工业大学 | 一种基于潜结构映射算法的固废焚烧过程二噁英排放浓度软测量方法 |
CN108549792B (zh) * | 2018-06-27 | 2022-02-08 | 北京工业大学 | 一种基于潜结构映射算法的固废焚烧过程二噁英排放浓度软测量方法 |
CN109101758A (zh) * | 2018-09-03 | 2018-12-28 | 江南大学 | 基于t-pls模型的间歇过程工艺条件设计方法 |
CN109522972A (zh) * | 2018-12-13 | 2019-03-26 | 宁波大学 | 一种基于潜变量自回归模型的动态过程监测方法 |
CN109522972B (zh) * | 2018-12-13 | 2021-05-04 | 宁波大学 | 一种基于潜变量自回归模型的动态过程监测方法 |
CN109635465A (zh) * | 2018-12-18 | 2019-04-16 | 江南大学 | 基于tpls模型的批次内操作轨迹调整方法 |
CN109635465B (zh) * | 2018-12-18 | 2020-06-05 | 江南大学 | 基于tpls模型的批次内操作轨迹调整方法 |
CN109932908A (zh) * | 2019-03-20 | 2019-06-25 | 杭州电子科技大学 | 一种基于报警信度融合的多向主元分析过程监测方法 |
CN109932908B (zh) * | 2019-03-20 | 2022-03-01 | 杭州电子科技大学 | 一种基于报警信度融合的多向主元分析过程监测方法 |
CN111338310A (zh) * | 2020-03-30 | 2020-06-26 | 南京富岛信息工程有限公司 | 一种工业过程稳态工况识别与分类方法 |
CN111338310B (zh) * | 2020-03-30 | 2023-02-07 | 南京富岛信息工程有限公司 | 一种工业过程稳态工况识别与分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103245759A (zh) | 基于自回归全潜结构投影模型的产品质量监测方法 | |
KR101360790B1 (ko) | 발전소 계측기 성능 감시 예측 방법 | |
Zhao et al. | Fault subspace selection approach combined with analysis of relative changes for reconstruction modeling and multifault diagnosis | |
CN106773693B (zh) | 一种工业控制多回路振荡行为稀疏因果分析方法 | |
Jiang et al. | Weighted kernel principal component analysis based on probability density estimation and moving window and its application in nonlinear chemical process monitoring | |
CN101520651B (zh) | 一种基于隐马尔科夫链的数控装备可靠性分析方法 | |
Gang et al. | Total PLS based contribution plots for fault diagnosis | |
KR100867938B1 (ko) | 종속변수 유사도와 커널 회귀법을 이용한 발전소 계측기성능감시용 예측방법 | |
CN110262450B (zh) | 面向汽轮机的多种故障特性协同分析的故障预测方法 | |
CN101403923A (zh) | 基于非高斯成分提取和支持向量描述的过程监控方法 | |
DE102011102034A1 (de) | Online-Abbgleich eines prozessanalytischen Modells mit effektivem Prozessbetrieb | |
CN103488091A (zh) | 一种数据驱动的基于动态成分分析的控制过程监控方法 | |
Deng et al. | A new fault isolation method based on unified contribution plots | |
Zhu et al. | Two-dimensional contribution map for fault identification [focus on education] | |
CN110245460B (zh) | 一种基于多阶段oica的间歇过程故障监测方法 | |
CN111368428B (zh) | 一种基于监控二阶统计量的传感器精度下降故障检测方法 | |
CN103926919B (zh) | 基于小波变换和Lasso函数的工业过程故障检测方法 | |
Ge | Improved two-level monitoring system for plant-wide processes | |
Lindner et al. | Data-driven fault detection with process topology for fault identification | |
Hu et al. | Novel fault subspace extraction methods for the reconstruction-based fault diagnosis | |
Cong et al. | Multirate partial least squares for process monitoring | |
CN103279030A (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
Zhang et al. | Decentralized dynamic monitoring based on multi-block reorganized subspace integrated with Bayesian inference for plant-wide process | |
Sun et al. | A study of complex industrial systems based on revised kernel principal component regression method | |
CN103472732A (zh) | 一种改进的基于马氏距离的多变量控制器性能监控方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C05 | Deemed withdrawal (patent law before 1993) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130814 |