CN109240274B - 一种基于高阶相关性的工业过程故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于高阶相关性的工业过程故障诊断方法，属于工业过程监控领域，本发明所提出的方法利用栈式稀疏自编码网络从表示学习的角度无监督地获取各传感器量测数据中的高阶相关性信息，并针对获取的高阶相关性特征提出三个监测指标SRE、M²和C。分层次的学习方式使得该发明对于工业过程中微小故障或早期故障的变化的表示更为精细，也就更利于检测出此类故障的发生与否；同时，所提出的监测指标不仅可以监测过程运行是否保持在控制域内，而且对于故障类型的识别具有一定的指导性；此外，无监督的学习模式不受工业过程中样本标签不足、数据不均衡等影响。因此，本发明对于解决实际中的工业过程监控问题具有重要的现实意义。

Description

一种基于高阶相关性的工业过程故障诊断方法

技术领域

本发明属于工业过程控制领域，涉及一种基于高阶相关性的工业过程故障诊断方法，针对获取的高阶统计量设计合理的指标用于故障的检测和诊断，从而实现对复杂工业过程中实时监控，特别是对于微小故障和早期故障的快速检测。

背景技术

数据驱动技术是计量学中用于识别异常过程的有效工具，多变量统计过程监控在过程控制领域已取得巨大成功并成为过去几十年研究中最活跃的领域之一。多变量统计分析方法及其改进方法在工业过程中得以广泛应用，包括化工过程、微电子制造和制药工艺等。

故障检测的目的是监控过程性能是否始终处于“统计控制状态”以内。主成分分析和独立成分分析是最基本的计量学方法，广泛用于数据压缩和信息提取中对异常操作情况的诊断。主成分分析依赖于过程变量的协方差或相关性矩阵的特征向量分解，旨在找到能描述数据集主要趋势的变量组合，同时降低计算复杂度。独立成分分析通过使用负熵或互信息来提取独立的潜在变量，适用于非高斯分布。针对非线性，核主成分分析和多尺度熵可用于分析复杂时间序列。然而，目前的统计分析技术尽管取得了巨大的成功，仍然存在难以利用高阶信息的不足。虽然高阶累积量分析方法使用高阶统计量来进行多变量过程的状态监测，但在应用中对具有更高阶(>4)的累积量的估计是不准确的。此外，微小故障的细节和微小变化可能反映在高阶相关关系中，目前对此方面的关注相对较少。

鉴于工业系统的不确定性和复杂性，人工智能技术已成功用于过程监控。由于传统的人工智能技术是浅层架构，即只有少数级数据相关的计算元件，因此它们在计算表示方面的效率非常低。随着深度学习方法的提出，深度网络在多变量复杂系统中的应用得到显着改进，过程监控方面的研究已经受益。

基于深度学习的过程监控方法可以通过许多非线性的组合来处理大量高度相关的变量，用于诊断异常操作情况。栈式稀疏自编码网络可用于表示细节和微小变化，在信号处理中广泛使用。然而，多数基于深度学习的监测方法通过模式匹配进行分类识别，并没有对提取的特征进行统计分析。尽管高阶统计量已用于解决非高斯性和非线性问题，但对于深度网络在过程监测中的应用尚没有具体的统计指标。

发明内容

本发明提出了一种基于高阶相关性的工业过程故障诊断方法，采用栈式稀疏自编码网络进行无监督学习，以提取故障的高阶相关性特征，进而，通过引入三个监控指标分层次地监控工业过程的运行是否保持在控制域范围内。

本发明所提出的方法应用于复杂工业过程系统，解决的问题主要是微小故障的检测与诊断，同时克服了实际应用中故障数据类别之间的不均衡问题。

为了达到上述目的，本发明的技术方案为：

一种基于高阶相关性的工业过程故障诊断方法包含离线建模步骤和在线监控步骤，

其中离线建模步骤如下：

步骤1.1：将工业过程中正常运行状态下采集的所有监测量的集合作为训练集X_train，基于其均值和方差进行标准化预处理后得到

步骤1.2：设置栈式稀疏自编码网络的初始化结构参数，同时随机初始化其连接参数；

步骤1.3：采用逐层贪婪的方法训练网络参数，包括网络的结构参数和权重，直到代价函数最小时结束训练；

步骤1.4：栈式自编码网络的最终输出便是对训练集进行表示学习后得到的高阶相关性特征H_train；

步骤1.5：分别基于以下公式1)、2)、3)计算每一个子层上基于残差的监控指标SRE_p、基于Mahalanobis距离的

基于Chebyshev距离的监控指标C_p，并在给定置信水平α下基于概率密度函数分别计算这些指标的控制上限SRE_ucl、M² _ucl、C_ucl；其中，概率密度函数为

1)基于残差的监控指标：

对任意p＝1,2,…,n_l

其中，y_p是第p个子层的输入，

是y_p基于隐层特征h_p的重建，

W_p是隐层单元与第p个子层上的重建之间的权重，b_p是第p个子层上的偏差，n_l总的堆叠层数；

2)基于Mahalanobis距离的监控指标：

对任意p＝1,2,…,nl

其中∑_p是训练集在第p个隐层上学习到的特征的协方差矩阵；

3)基于Chebyshev距离的监控指标：

C_p＝Dis_chebyshev(h_p,h_p,knn)＝max(|h_pi-h_qi|)对任意i∈s_p，p,q＝1,2,…,n_l,

其中h_p,knn是h_p在正常训练集上的第k个近邻，h_pi是隐层特征h_p的第i个变量；

在线监控步骤如下：

步骤2.1：工业过程中当前时刻的监测样本作为测试样本X_test，利用离线建模阶段步骤一中训练集的均值和方差对其进行标准化得到

步骤2.2：对于每个测试样本X_test，基于训练好的栈式自编码网络进行表示学习，得到的网络输出便是测试集的高阶相关性特征H_test；

步骤2.3：对测试样本计算其在每一个子层上的的监控值SRE_p、M_p ²和C_p；

步骤2.4：根据工业精度选择单指标检测或多指标检测，故障检测准则如下，

1)单指标检测：

否则有故障；

否则有故障；

否则有故障；

2)多指标检测：

SRE_p≤SRE_ucl、

且

否则有故障或检测不确定，需在下一个子层上做进一步检测。

与传统的多元统计分析技术相比，本发明所提出的方法能够利用数据的高阶相关作为特征，更有利于对微小变化的细节性信息进行刻画与表示。同时，与浅层结构相比，更深层的体系结构能够更好地捕获数据的内在本质，堆叠的层数越多，可以表征的非线性和抽象特征就越多。本发明所提出的方法能实现及时、有效的故障检测与辨识，有利于工业过程的安全性运行。

附图说明

图1为本发明所使用的栈式稀疏自编码网络的网络结构；

图2为本发明所提出统计监控指标的几何意义；

图3为本发明所提出的基于高阶相关性的工业过程故障诊断方法的流程图。

具体实施方式

本发明所提出的方法包含离线建模和在线监控两部分，其流程图如图3所示。

其中方法的离线部分步骤为：

步骤一：将工业过程中正常运行状态下采集的所有监测量的集合(如化工过程中的压力值、浓度值、供料比值等)作为训练集X_train，基于其均值和方差进行标准化预处理后得到

步骤二：设置栈式稀疏自编码网络的初始化结构参数，同时随机初始化其连接参数；

步骤三：采用逐层贪婪的方法训练网络参数，包括网络的结构参数和权重，直到代价函数最小时结束训练；

步骤四：栈式自编码网络的最终输出便是对训练集进行表示学习后得到的高阶相关性特征H_train；

步骤五：选取置信水平α，并计算训练集的控制指标SRE、M²、C及控制上限SRE_ucl、M² _ucl、C_ucl；

方法的在线部分步骤为：

步骤一：工业过程中当前时刻的监测样本作为测试样本X_test，利用离线建模阶段步骤一中训练集的均值和方差对其进行标准化得到

步骤二：对于每个测试样本X_test,j，基于训练好的栈式自编码网络进行表示学习，得到高阶相关性特征H_test；

步骤三：计算测试样本的监控值SRE_test、M² _test和C_test；

步骤四：基于故障检测准则进行分层地判别与辨识。

本发明所提出的基于高阶相关性的工业过程故障诊断方法是基于多隐层神经网络进行表示学习。栈式稀疏自编码网络结构如图1所示，通过稀疏自编码器的彼此堆叠形成多隐层网络，每一层的输出连接到下一层的输入，以非线性函数进行激活。

定义所有的隐层节点为

隐层的输出为

其中s_p是第p层的单元数，p∈[1,n]。因此，在输入层X＝[x₁,x₂,…,x_d]^T∈R^d×1中，对于第1个隐层，

对于第2个隐层，

……

对于第n个隐层，

直观地，H_i是第i个自编码层输入的重建和第i-1个自编码层的输入，也是第i-1个隐层上特征的组合。因此，当激活函数选择为非线性的sigmoid函数时，H_i是H_(i-1)的高阶表示。更准确地说，如果网络的大小与输入数据的内在维度成比例，则可以从特定层的特征恢复网络的输入。上层可以获取下层中各单元之间的相关性，并基于此构建更抽象的表示：阶数越高，非线性越强，可以表征的突变信息就越多。显然，H_n是输入X在使用非线性激活函数时的高阶表示。

栈式稀疏自编码网络中的映射不是正交投影，使得隐层的表示与输入值没有直接并明确的关系，针对该发明提取的特征，传统的多变量控制指标不再适用于高阶特征。为此，该发明进一步有针对性的提出一些新的监控指标。

基于残差的监控指标SRE：

对任意p＝1,2,…,n_l；

其中，y_p是第p个子层的输入，

是y_p基于隐层特征h_p的重建，

W_p是隐层单元与第p个子层上的重建之间的权重，n_l总的堆叠层数。

SRE反映的是隐空间中的投影变化，用于度量异常状态下过程变量相对于正常过程的偏差：偏差越大，变量的相关性变化越显著。

基于Mahalanobis距离的控制指标M²：

对任意p＝1,2,…,n_l；

其中∑_p是训练集在第p个隐层上学习到的特征的协方差矩阵。

Mahalanobis与维数不相关，可以消除相关性的干扰。M²反映的是当前样本与隐层空间上原点之间的距离，度量隐空间上故障样本相对于正常过程的偏差。该统计量定义了正常的操作过程是一个椭圆。

基于Chebyshev距离的控制指标C：

C_p＝Dis_chebyshev(h_p,h_p,knn)＝max(|h_pi-h_qi|)对任意i∈s_p；p,q＝1,2,…,n_l,；

其中h_p,knn是h_p在正常训练集上的第k个近邻。

C_p度量当前样本与其第k个近邻在每个子层中的距离，

是样本密度，替代概率密度：C_p越大，样本附近越稀疏。

以上统计指标的几何意义如图2所示。对于给定的显著性水平α，控制上限可以通过核密度估计计算。如果随机变量X具有密度f，那么

其中h是窗口宽度，也称为平滑参数。概率密度

如下，

故障检测基于以下规则进行:

1)单指标检测：

否则有故障；

否则有故障；

否则有故障；

2)多指标检测：

SRE_test≤SRE_ucl、

且

否则有故障或检测不确定，对于检测不确定的样本需进一步检测，即在下一个子层上对其进行故障辨识。

尽管多指标会增加故障检测的复杂性，但多指标之间可以互相弥补。在隐空间中，C是样本的邻域密度，但它对微小故障的检测能力有限。由于隐层特征是输入的近似映射，M²包含了正常过程中的大部分变量变化，那么其上限相对与SRE较大，即M²适用于检测显著故障。SRE是对残差在剩余子空间的度量，可以反映隐空间中不能检测的数据变化。

Claims (2)

1.一种基于高阶相关性的工业过程故障诊断方法，其特征在于包含离线建模步骤和在线监控步骤，

其中离线建模步骤如下：

步骤1.1：将工业过程中正常运行状态下采集的所有监测量的集合作为训练集X_train，基于其均值和方差进行标准化预处理后得到

步骤1.2：设置栈式稀疏自编码网络的初始化结构参数，同时随机初始化其连接参数；

步骤1.3：采用逐层贪婪的方法训练网络参数，包括网络的结构参数和权重，直到代价函数最小时结束训练；

步骤1.4：栈式自编码网络的最终输出便是对训练集进行表示学习后得到的高阶相关性特征H_train；

步骤1.5：分别基于以下公式1)、2)、3)计算每一个子层上基于残差的监控指标SRE_p、基于Mahalanobis距离的

基于Chebyshev距离的监控指标C_p，并在给定置信水平α下基于概率密度函数分别计算这些指标的控制上限SRE_ucl、M² _ucl、C_ucl；

1)基于残差的监控指标：

对任意p＝1,2,…,n_l

其中，y_p是第p个子层的输入，

是y_p基于隐层特征h_p的重建，

W_p是隐层单元与第p个子层上的重建之间的权重，b_p是第p个子层上的偏差，n_l总的堆叠层数；

2)基于Mahalanobis距离的监控指标：

对任意p＝1,2,…,n_l

其中∑_p是训练集在第p个隐层上学习到的特征的协方差矩阵；

3)基于Chebyshev距离的监控指标：

C_p＝Dis_chebyshev(h_p,h_p,knn)＝max(|h_pi-h_qi|)对任意i∈s_p，p,q＝1,2,…,n_l,

其中h_p,knn是h_p在正常训练集上的第k个近邻，h_pi是隐层特征h_p的第i个变量；

在线监控步骤如下：

步骤2.1：工业过程中当前时刻的监测样本作为测试样本X_test，利用离线建模阶段步骤一中训练集的均值和方差对其进行标准化得到

步骤2.2：对于每个测试样本X_test，基于训练好的栈式自编码网络进行表示学习，得到的网络输出便是测试集的高阶相关性特征H_test；

步骤2.3：对测试样本计算其在每一个子层上的监控值SRE_p、M_p ²和C_p；

步骤2.4：根据工业精度选择单指标检测或多指标检测，故障检测准则如下，

1)单指标检测：

否则有故障；

否则有故障；

否则有故障；

2)多指标检测：

SRE_p≤SRE_ucl、

且

否则有故障或检测不确定，需在下一个子层上做进一步检测。

2.根据权利要求1所述的基于高阶相关性的工业过程故障诊断方法，其特征在于步骤1.5中，所述的概率密度函数为

其中

Images