[發明專利]一種基于多階段FOM-SAE的批次過程故障監測方法

有效

• 申請號: 202010057396.9
• 申請日: 2020-01-17
• 公開（公告）號: CN111160811B
• 公開（公告）日: 2023-10-03
• 發明（設計）人: 金辰;王普
• 申請（專利權）人: 北京工業大學
• 主分類號: G06Q10/067
• 分類號: G06Q10/067;G06Q10/0633
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 吳蔭芳

本發明涉及一種基于多階段FOM?SAE的批次工業過程故障監測方法，對于保證生產過程安全穩定，提高產品質量是十分必要的。具體方法包括“離線建模”和“在線監測”兩個步驟。“離線建模”首先對正常數據進行處理，對整個批次生產過程進行階段劃分，然后在每個階段內分別建立FOM?SAE監測模型并構建監測統計量，利用核密度估計方法確定統計量的控制限。“在線監測”步驟針對當前采樣時刻選擇對應的子模型，計算統計量并與控制限進行比較，判斷當前系統運行是否正常。本發明所提方法能夠同時處理批次數據的多階段、非高斯和非線性特性，有效降低了監測的漏報率，極大提升了故障監測的準確率，具有較高的實際應用價值。

技術領域

本發明涉及基于多階段FOM-SAE的批次過程故障診斷，屬于工業過程故障診斷和軟測量領域。

背景技術

近幾十年來，批次過程因其可以滿足生產高附加產品的需求，并且可以隨著市場需求快速調整生產而被廣泛應用于生物制藥、半導體加工等領域。而工業過程機理復雜、操作控制難度高，產品質量和生產效率容易受到不確定性因素的影響。為了保證工業系統的安全穩定，有必要建立一種有效的過程監控手段來及時發現異常狀況。目前，基于主成分分析(Principal Component Analysis，PCA)、偏最小二乘(Partial Least Squares，PLS)等方法的多元統計過程監控(Multivariate Statistical Process Monitoring,MSPM)方法被廣泛應用到批次工業過程中。但是上述方法的應用受到兩個限制：一是數據必須符合高斯分布，二是不同變量之間必須是線性關系。

為解決批次過程數據的非高斯性特征問題，獨立成分分析(IndependentComponent Analysis，ICA)被引入到過程監測領域。雖然此方法可以處理非高斯數據，但是ICA在求解解混矩陣時不穩定，導致監測性能下降。相關文獻證明四階距(Fourth OrderMoment，FOM)可以有效提取數據的非高斯性信息。此外，對于批次過程數據變量之間的非線性關系，引入核技巧(Kernel Trick)被引入傳統MSPM算法，如KPCA、KPLS、KICA。然而，這些非線性監測方法需要人為設定核參數的取值，影響監測效果。

批次過程存在多個操作階段，采用單一模型對整個批次進行監控勢必會導致在不同階段內的監控效果降低。針對這一特點，許多學者已經做了大量研究，通過對批次數據進行合理的階段劃分，并在每個子階段建立單獨的監測模型，可以提高監測精度。

過程監測的目的是從工業數據中提取特征信息，實現正常數據與故障數據的分離。自編碼器(Autoencoder，AE)算法是由Hinton提出的一種無監督特征提取方法，由編碼器和解碼器兩部分組成。使用AE算法通過非線性變換將正常樣本投影到低維特稱空間可以有效解決數據的非線性問題，同時提取到了數據的深層信息。而堆疊自編碼器(StackedAutoencoder，SAE)相較于AE有更強的特征提取能力。SAE已經被用于圖像處理、自然語言處理等領域，在故障監測領域的應用也開始得到重視。

一種基于四階距和堆疊自編碼器的多階段批次過程故障監測方法，可以有效提高批次過程的故障監測能力。該方法可以同時處理過程數據非高斯、非線性和多階段的問題，具有更佳的故障監測性能。

發明內容

針對于批次過程數據的多階段、非高斯和非線性問題，本發明提供了一種基于多階段FOM-SAE的批次工業過程故障監測方法，模型整體流程圖見圖1。

本發明采用了如下的技術方案及實現步驟：

A.離線建模階段：

1)采集正常工況下的多批次歷史數據，形成三維數組X，三個維度分別為生產批次數i＝1,…,I、過程變量j＝1,…,J，采樣時刻k＝1,…,K；

2)采用Fisher算法對多批次歷史數據X進行最優階段劃分；