徐益平

【摘 要】工業过程的变化会带来过程数据的局部结构变化，因此对不稳定的工业过程进行监测和诊断是一个相当大的挑战。传统的过程监控方法将过程作为一个整体进行培训和建模，但忽略了局部特征。为了构造不稳定过程的结构，本文引入多模型框架，构造了一种新的不稳定工业过程多模型PCA监测方法。与传统方法相比，该方法具有更好的仿真性能。

【关键词】过程监控;工业过程;PCA

中图分类号： TP277 文献标识码： A 文章编号： 2095-2457（2019）22-0060-002

0 引言

不稳定的工业过程是一类不断变化的工业过程。例如，在轧钢过程中，坯料的重量和轧制速度等变量随订单的变化而变化。尽管数据发生了变化，但整个过程仍处于正常状态。随着自动化和信息技术的进步，实时管理和统一调度给工业过程带来了不稳定性[1]。在传统的过程监控方法中，这样一个不稳定的工业过程可能被认为是一个故障，实际上，它根本不是一个故障。这种不稳定的工业过程给过程监控和故障诊断带来了新的挑战。

考虑到系统的复杂性，基于数据驱动的过程监控在过程监控领域得到了越来越多的关注。数据驱动方法的最大优点是不依赖于机理模型。目前主要的数据驱动过程监测方法是多元统计过程监测（MSPC）[2]，它包含PCA、PLS、CVA等多种方法。PCA是一种线性降维方法，它将数据分解为主成分子空间和剩余子空间[3]。通过构造Hotelling T2统计量和Q统计量，设计了两个子空间。PCA方法从原始数据中提取特征，得到最大限度的投影内部信息[4]。该方法注重样本数据的整体结构，适用于稳态过程监测。但针对工业过程不稳定监测问题，PCA监测不能反映工业过程局部结构变化的特点，故障率较高。针对这个问题，本文构造了多模型PCA过程监控方法，来解决生产模式变迁带来的过程监控问题。

2 多模型PCA过程监控方法

对于正常的工业过程数据，PCA方法可以得到过程数据的内在结构特征，异常状态产生时，就会产生异常数据，由于异常数据偏离了原始数据结构，就会通过统计量检验的方式进行报警。在不稳定生产过程中，生产模式的变迁也会产生不符合原映射结构的过程数据，从而将正常点映射到错误的检验结果中，从而混淆了正常和异常数据。针对这种情况，本文提出了一种多模型PCA算法来解决投影异常问题。

在建模过程中，多模型PCA方法首先基于聚类算法将数据划分为若干类。然后，该方法再为每个类建立了PCA过程监控模型。在监控过程中，首先对过程数据进行分类，然后根据其类标签对每个测试数据进行测试。图1为算法的训练步骤，将训练样本聚类为K类，并对每个类进行建模。图2为测试步骤，测试数据通过聚类模型进行分类，并由相应的模型进行诊断。

在多模型PCA在线监控算法中，对聚类和分类的方法并不加以限定。可以根据特定对象的历史数据，通过实验来确定最佳的聚类和分类方法。

3 实验分析

本文所要测试的数据集是从钢铁企业轧钢车间的水冷过程中采集的。轧钢水冷生产过程是钢铁企业轧钢工艺中的一个重要环节。在轧钢水冷生产过程中，仅凭经验很难对生产的运行状态进行分析和准确判断。在本章节中采用多模型PCA在线监控方法，通过实验的方式对轧钢水冷数据进行监测和诊断。

图3是多模型PCA方法对不稳定生产状态的水冷过程进行检验的统计检验图，图中红色曲线对应其中包含Hotelling T2检验，绿色曲线对应Q检验，实验数据包含一个正常组和5个含故障的对比组，每组6000个样本。从实验结果来看，该多模型PCA过程监控方法可以对不稳定生产过程进行有效监控，检验量可以针对各种不同情况的突发故障产生有效响应。

4 结论

本文针对不稳定过程中数据结构的变化，提出了一种多模型PCA过程监控方法，该方法可以通过局部建模来解决投影异常问题。实验结果表明，该方法能较好地识别不稳定过程中生产波动对故障样本的影响，降低了不稳定过程的故障误报率。

【参考文献】

[1]Shen Yin，Guang Wang，and Huijun Gao，Data-Driven Process Monitoring Based on Modified Orthogonal Projections to Latent Structures，IEEE Transactions on Control Systems Technology， 2016，24（4）：1480-1487.

[2]Shen Yin，Xianwei Li，Huijun Gao，and Okyay Kaynak，Data-Based Techniques Focused on Modern Industry：An Overview， IEEE Transactions on Industrial Electronics，2015，62（1）：657-667.

[3]Junxiang Yang，Dong Li，and Qiang Gao，Application of Improved DPCA to Distillation Column Process Monitoring，IEEE International Conference on Mechatronics & Automation，2006，19 （21）：1593-1600.

[4]Zhenyue Zhang，and Jing Wang，MLLE：Modified Locally Linear Embedding Using Multiple Weights，International Conference on Neural Information Processing Systems，2006，19（21）：1593-1600.

[5]Shen Yin，Steven X.Ding，Xiaochen Xie，and Hao Luo，A Review on Basic Data-Driven Approaches for Industrial Process Monitoring，IEEE Transactions on Industrial Electronics，2014， 61 （11）：6418-6428.