復(fù)雜工業(yè)過程狀態(tài)監(jiān)測的研究的國內(nèi)外文獻綜述目錄TOC\o"1-3"\h\u7338復(fù)雜工業(yè)過程狀態(tài)監(jiān)測的研究的國內(nèi)外文獻綜述 179751.1過程狀態(tài)監(jiān)測及故障診斷的關(guān)鍵問題描述 1171071.2過程狀態(tài)監(jiān)測的國內(nèi)外研究現(xiàn)狀 232212參考文獻 8隨著人工智能、大數(shù)據(jù)和物聯(lián)網(wǎng)等新型信息化技術(shù)的迅速發(fā)展，復(fù)雜工業(yè)過程監(jiān)測與故障診斷領(lǐng)域的新方法和新理論不斷被提出，發(fā)表在國際高水平學術(shù)期刊和國際性高水平會議的論文逐年遞增，取得了豐富的研究成果，受到了電氣電子工程學會IEEE、國際自動控制聯(lián)合會IFAC以及中國自動化學會CAC的廣泛關(guān)注，使得復(fù)雜工業(yè)過程監(jiān)測與故障診斷技術(shù)成為國內(nèi)外過程控制領(lǐng)域的熱點研究方向[11]。接下來，本節(jié)將對復(fù)雜工業(yè)過程狀態(tài)監(jiān)測及故障診斷的關(guān)鍵問題進行描述，重點介紹復(fù)雜工業(yè)過程狀態(tài)監(jiān)測的國內(nèi)外研究現(xiàn)狀。1.1過程狀態(tài)監(jiān)測及故障診斷的關(guān)鍵問題描述雖然目前過程監(jiān)測和故障診斷領(lǐng)域已經(jīng)建立起了相對完善的理論體系，但各個領(lǐng)域都有其自身的特點，導(dǎo)致各個領(lǐng)域?qū)I(yè)控制過程各個環(huán)節(jié)的目的雖然相同，但是名稱不盡相同。因此，在這里本文將給出統(tǒng)一的定義和說明。(1) 故障故障即生產(chǎn)過程中一個過程變量或者多個過程變量發(fā)生了不正確的變化，導(dǎo)致整個系統(tǒng)出現(xiàn)不穩(wěn)定的情況。故障的來源有很多，在實際工業(yè)過程中，操作人員的操作不當、傳感器故障、工業(yè)運行設(shè)備老化、催化劑的性質(zhì)變化和系統(tǒng)參數(shù)變化等都可能引發(fā)故障[12]。(2) 過程監(jiān)測過程監(jiān)測是對系統(tǒng)的狀態(tài)進行實時監(jiān)測，及時判斷工業(yè)過程是否發(fā)生了異常，以幫助過程操作人員和管理人員第一時間了解工業(yè)過程運行狀態(tài)。在過程監(jiān)測后，對檢測到的故障數(shù)據(jù)，需要了解故障的類型和引發(fā)故障的根源變量，這是故障診斷的任務(wù)。在這里，故障診斷分為兩步，即故障識別和故障分離。(3) 故障診斷故障診斷即對發(fā)生故障的過程數(shù)據(jù)進行分析，包括對故障類型的識別和對引發(fā)故障的根源變量進行溯源。故障識別是對檢測到的故障類型進行識別，判斷出故障的類型。故障分離是對檢測到的故障分離出引發(fā)故障的變量。根據(jù)上述定義，本文將復(fù)雜工業(yè)過程監(jiān)測與故障診斷分為三個步驟：過程監(jiān)測、故障識別和故障分離，圖1-2給出了工業(yè)過程監(jiān)測與故障診斷實施步驟。圖1-2過程監(jiān)測與故障診斷的一般步驟1.2過程狀態(tài)監(jiān)測的國內(nèi)外研究現(xiàn)狀過程狀態(tài)監(jiān)測方法最早于20世紀70年代被提出并發(fā)展至今，是一門目的明確、多學科交叉和應(yīng)用領(lǐng)域廣泛的學科，目前過程監(jiān)測研究方法大致可以分為三大類：基于解析模型的方法、基于知識的方法和基于數(shù)據(jù)驅(qū)動的方法[13]。其中，基于數(shù)據(jù)驅(qū)動的方法應(yīng)用最為廣泛，也是近幾年來研究的熱門領(lǐng)域。過程監(jiān)測方法的具體分類如下圖1-3所示，下面本文對每一類方法進行簡要綜述。圖1-3過程狀態(tài)監(jiān)測方法的分類(1) 基于解析模型的方法該方法需要過程的內(nèi)在機理機構(gòu)較為明確，從而能夠建立起精確的數(shù)學解析模型?；诮馕瞿Ｐ头椒ǖ氖疽鈭D如圖1-4所示，這類方法主要包括狀態(tài)估計、觀測器和參數(shù)估計等方法，其魯棒性較強，但是在實際的工業(yè)過程中，一般難以建立較為精確的數(shù)學模型[14]。圖1-4基于解析模型方法的示意圖(2) 基于知識的方法基于知識的過程監(jiān)測方法使用定性的模型來對過程數(shù)據(jù)運行的狀態(tài)進行評判，它主要依靠專家知識或者歷史經(jīng)驗，從而形成一種事件和關(guān)系或者規(guī)則的組合，進而形成人機接口、知識庫、數(shù)據(jù)庫和推理機組成的專家系統(tǒng)。這類方法適用于不能或者難以獲取詳細數(shù)學模型的情況，因此曾成為研究的熱點[15]。然而，由于其對知識的依賴性較強，導(dǎo)致該方法通用性較差。(3) 基于數(shù)據(jù)驅(qū)動的方法基于數(shù)據(jù)驅(qū)動的方法主要包括基于信號處理的方法、基于機器學習的方法和基于統(tǒng)計分析的方法。其中，基于統(tǒng)計分析的方法應(yīng)用案例和研究論文最為熱門，因此下面本文將對該方法進行重點說明，對其余兩種方法進行簡單介紹?；谛盘柼幚淼姆椒ㄊ菍π盘柕臅r域和頻域特征進行提取，從而確定過程的運行狀態(tài)。小波分析是一種常見的信號處理方法，它是一種具有多分辨率多分析特性的時間-尺度分析處理方法，即通過伸縮變換和平移變換對信號進行多尺度處理，從而能夠迅速分辨出信號在某時刻的瞬時特征，進而有效應(yīng)用于對過程數(shù)據(jù)的監(jiān)測[16]。基于機器學習的方法是利用系統(tǒng)在正常和各種故障情況下的歷史數(shù)據(jù)進行訓練建模，對當前采集的樣本進行分類來實現(xiàn)故障檢測和診斷[17]。基于機器學習的方法以正確率為目標極大的提高了過程監(jiān)測的可靠性，但其適用于樣本量充足的系統(tǒng)，對那些無法獲取大量故障數(shù)據(jù)的工業(yè)過程難以得到令人滿意的效果?；诮y(tǒng)計分析的方法分為單變量統(tǒng)計過程監(jiān)測方法和多元統(tǒng)計過程監(jiān)測方法。當過程變量發(fā)生異常時，變量的各種統(tǒng)計量也將會發(fā)生變化。因此，基于統(tǒng)計的方法主要原理是依靠過程數(shù)據(jù)的統(tǒng)計量如方差、標準差等分析過程數(shù)據(jù)的變化特征以達到監(jiān)測的目的。單變量統(tǒng)計過程監(jiān)測方法早期發(fā)展于美國Bell實驗室所提出的Shewhart控制圖，后續(xù)一些研究學者陸續(xù)提出了多種單變量統(tǒng)計過程方法，如測量變量的滑動平均控制圖、測量變量的指數(shù)加權(quán)滑動平均控制圖等。門限法是單變量統(tǒng)計方法的重要方法之一，其示意圖如圖1-5所示。門限法認為過程變量只能在一定或者說是可接受范圍內(nèi)波動，否則認為是故障點(UCL為控制上限、LCL為控制下限)。由于復(fù)雜工業(yè)過程中往往存在較多的測量變量，各個測量變量之間可能存在相關(guān)性，通過單變量統(tǒng)計方法進行過程監(jiān)測，其結(jié)果通常不太可靠。圖1-5門限法示意圖MSPM在工業(yè)控制過程監(jiān)測領(lǐng)域取得了廣泛的應(yīng)用，其方法的核心是將正常工況數(shù)據(jù)進行多元投影，將多變量樣本空間投影至低維特征空間，包括投影子空間和殘差子空間，并由此建立過程狀態(tài)監(jiān)測模型，通過過程監(jiān)測統(tǒng)計量來判斷過程數(shù)據(jù)是否發(fā)生故障。常用的過程監(jiān)測統(tǒng)計量有投影空間中T2統(tǒng)計量和殘差子空間中SPE圖1-6過程監(jiān)測統(tǒng)計量示意圖相比于單變量統(tǒng)計方法，MSPM方法除了關(guān)注于各個變量的質(zhì)量外，更強調(diào)過程變量在過程監(jiān)測中所起到的作用，該方法能夠提取過程的本質(zhì)特征。常見的MSPM方法包括主成分分析(Principalcomponentanalysis，PCA)、核主成分分析(KernelPCA，KPCA)和稀疏主成分分析(SparsePCA，SPCA)等方法[18]。由于主成分分析方法計算簡單，可以直接通過數(shù)據(jù)的協(xié)方差矩陣計算得到，因此得到了廣泛應(yīng)用。此外，盡管MSPM方法已廣泛應(yīng)用于各工業(yè)過程的監(jiān)測領(lǐng)域，但是其監(jiān)測結(jié)果高度依賴于數(shù)據(jù)準確性。實際工業(yè)過程因為噪聲干擾或者傳感器測量問題，會出現(xiàn)數(shù)據(jù)測量不準確的現(xiàn)象[10]。因此，如果給定的數(shù)據(jù)是區(qū)間數(shù)，傳統(tǒng)的主成分分析顯得力不從心。為解決這一問題，許多學者以區(qū)間數(shù)形式對傳感器測量的不確定性進行表示，并對區(qū)間數(shù)的主成分分析方法進行了探究，現(xiàn)有的區(qū)間PCA方法主要有以下幾種：頂點法、中點法和中點半徑法。(1) 頂點法(V-PCA)頂點法首先把樣本區(qū)間矩陣分為n個p維的區(qū)間向量，然后從幾何角度出發(fā)，把每個區(qū)間向量看成具有2p個頂點(p為變量個數(shù))的超矩陣，再將每個超矩陣表示為一個2p×p維的實值矩陣，即可將某一樣本區(qū)間向量轉(zhuǎn)化為一個維數(shù)為(n?2p(2) 中點法(C-PCA)中點法用每一個區(qū)間數(shù)的中點來替換原始的區(qū)間數(shù)，即可將樣本區(qū)間矩陣轉(zhuǎn)化為實值中點矩陣。最后，對中點矩陣進行傳統(tǒng)的主成分分析。該方法確實改善了頂點法計算量大的缺陷，但是對于非均勻分布的數(shù)據(jù)，只選取區(qū)間內(nèi)的一個點進行分析會造成信息的缺失，從而導(dǎo)致分析結(jié)果的準確性不高。(3) 中點半徑法(MR-PCA)中點半徑法將區(qū)間矩陣Xij=Cij?針對上述三種方法的缺陷，研究學者們提出了新的解決辦法。文獻[19]針對傳統(tǒng)主成分分析法的缺點和應(yīng)用當中可能出現(xiàn)的誤區(qū)，總結(jié)了幾種常用的主成分分析的改進方法。首先，作者介紹了傳統(tǒng)主成分分析評價模型的算法。緊接著，提出了幾種簡單的對原始數(shù)據(jù)進行處理的方法。最后，提出了一種“對數(shù)——線性比”的主成分分析方法，并對眾多的改進方法進行綜合評價。因此，該文獻給之后的研究提供了許多思路。文獻[20]發(fā)現(xiàn)在對數(shù)據(jù)進行測量時，由于實驗誤差不能得到精確值，致使每一個實驗結(jié)果都具有一定的誤差范圍。在該文獻中，作者把實驗結(jié)果看成由測量值和誤差值構(gòu)成的區(qū)間數(shù)，先求出測量值的主成分，再通過誤差傳遞公式，求出誤差值的極限誤差。最后，對二者進行組合，形成區(qū)間主成分。通過實例驗證，文獻[20]所提出的方法與傳統(tǒng)的主成分分析方法相比，確實更好地把握了樣本的屬性，但該方法由于未考慮各個測量變量之間的相關(guān)關(guān)系，致使分析結(jié)果不具有說服性。文獻[21]在頂點法和中點法的基礎(chǔ)上，進行了合理化的改進，并對改進后的兩種方法的協(xié)方差矩陣進行了研究，發(fā)現(xiàn)它們之間具有極大的相似性。然后，定義了一個評價各方法好壞的效度指標。通過隨機模擬實驗的方法，對改進后的方法進行研究。然而，該文獻是在頂點法和中點法的基礎(chǔ)上進行改進的，都是把區(qū)間數(shù)轉(zhuǎn)化為點數(shù)據(jù)進行分析，并未考慮區(qū)間內(nèi)部的情況。文獻[22]首先對服從均勻分布的區(qū)間數(shù)據(jù)的經(jīng)驗描述統(tǒng)計量做了研究，然后基于經(jīng)驗相關(guān)矩陣，對區(qū)間數(shù)進行區(qū)間主成分分析。最后，通過一定的運算，得到區(qū)間主成分。該算法的結(jié)果與頂點法和中點法的結(jié)果相似，并克服了這兩種方法的缺點。然而，該方法假設(shè)區(qū)間內(nèi)部服從均勻分布，但現(xiàn)實情況并非如此，因此在應(yīng)用過程中會導(dǎo)致最終的分析結(jié)果不準確。文獻[23]針對現(xiàn)有區(qū)間PCA——頂點法和中點法的缺陷，提出了兩種區(qū)間主成分分析方法，即基于經(jīng)驗統(tǒng)計量的主成分分析法和基于區(qū)間矩陣運算的主成分分析法。第一種算法將區(qū)間變量看成是服從均勻分布的二元變量，基于二元變量的經(jīng)驗描述統(tǒng)計量進行分析，但面對非均勻分布的區(qū)間數(shù)而言，該方法的準確性不高。在第二種算法中，作者采用Deif法對相關(guān)系數(shù)矩陣求特征值和特征向量，而Deif法因為要求區(qū)間特征向量的分量保持符號不變，很難驗證其條件，且計算量太大，并不是一個完美的求特征值和特征向量的計算方法。文獻[24]介紹了用于故障檢測與隔離(FaultDetectionandIsolation，F(xiàn)DI)的三種不同的區(qū)間PCA方法：V-PCA、C-PCA和MR-PCA，并在數(shù)值仿真過程中對以上三種區(qū)間主成分分析方法的故障檢測能力進行了比較研究。實驗表明以上三種區(qū)間PCA方法的性能差異主要體現(xiàn)在故障檢測階段：V-PCA故障檢測的能力較弱，只能檢測到較高幅值的故障；C-PCA在故障檢測過程中有些過度敏感，但它的監(jiān)測能力相對較好；而MR-PCA在故障檢測方面表現(xiàn)最佳。結(jié)合以上文獻可以看出，近年來，針對符號數(shù)據(jù)，尤其是區(qū)間型符號數(shù)據(jù)的研究掀起了一股熱潮，眾多學者在研究的道路上取得了豐碩的成果，但目前的研究尚存在一些缺陷，因此在未來十分有必要對其進行更加深入的研究，并將研究成果應(yīng)用于復(fù)雜工業(yè)過程的過程監(jiān)測與故障診斷。參考文獻柴天佑.工業(yè)過程控制系統(tǒng)研究現(xiàn)狀與發(fā)展方向[J].中國科學:信息科學,2016,46(8):1003-1015.黃群慧,賀俊.中國制造業(yè)的核心能力、功能定位與發(fā)展戰(zhàn)略——兼評《中國制造2025》[J].中國工業(yè)經(jīng)濟,2015,327(6):5-17.KhanS,YairiT.Areviewontheapplicationofdeeplearninginsystemhealthmanagement[J].MechanicalSystems&SignalProcessing,2018,107(1):241-265.劉強,卓潔,郎自強.數(shù)據(jù)驅(qū)動的工業(yè)過程運行監(jiān)測與自優(yōu)化研究展望[J].自動化學報,2018,44(11):26-38.張坤鵬,姜斌,陳復(fù)揚.基于時變模型辨識的高度列車復(fù)合故障診斷[J].控制與決策,2019,34(02):53-57.JacksonJ.E.AUser’sGuidetoPrincipalComponents[M].Wiley:NewYork,1991.Hyv?rinenA.,OjaE.Independentcomponentanalysis:algorithmsandapplications[J].NeuralNetworks.2000,13(4-5),411-430.姜慶超.基于信息富集與特征選擇的多元統(tǒng)計化工過程監(jiān)測研究[D].華東理工大學,2015.彭開香,馬亮,張凱.復(fù)雜工業(yè)過程質(zhì)量相關(guān)的故障檢測與診斷技術(shù)綜述[J].自動化學報,2017,43(3):349-365.ApleyDW,KimJ.CautiousControlofIndustrialProcessVariabilityWithUncertainInputandDisturbanceModelParameters[J].Technometrics,2004,46(2):188-199.HounmenouCG,GneyouKE,KakaRG.AnExtensionoftheQuadraticErrorFunctionforLearningImpreciseDatainMultivariateNonlinearRegression[J].JournalofProbability&Stats,2020,2020(3):1-9.王杰.數(shù)據(jù)驅(qū)動的復(fù)雜工業(yè)過程監(jiān)測與故障診斷[D].湖南師范大學,2020.TanR,CongT,ThornhillNF,etal.StatisticalMonitoringofProcesseswithMultipleOperatingModes[J].IFAC-PapersOnline,2019,52(1):635-642.丁進良,楊翠娥,陳遠東.復(fù)雜工業(yè)過程智能優(yōu)化決策系統(tǒng)的現(xiàn)狀與展望[J].自動