[發明專利]一種基于分布式字典學習的工業過程智能監測方法與系統

有效

• 申請號: 202010311145.9
• 申請日: 2020-04-20
• 公開（公告）號: CN111538759B
• 公開（公告）日: 2023-09-12
• 發明（設計）人: 黃科科;陽春華;韋可;朱紅求;李勇剛;周燦
• 申請（專利權）人: 中南大學
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06F16/27;G06F17/16;G05B19/042
• 代理公司: 長沙市融智專利事務所(普通合伙) 43114
• 代理人: 龔燕妮

本發明公開了一種基于分布式字典學習的工業過程智能監測方法與系統，其方法包括：工業系統的各分布式節點均利用自身采集的數據建立本地字典；對所有分布節點的本地字典進行擴散加和處理，得到工業系統的全局字典；融合計算中心從工業系統獲取若干數據作為訓練樣本，根據全局字典計算每個訓練樣本的重構誤差，并采用核密度估計方法以根據所有訓練樣本的重構誤差計算工業過程監測的控制限；融合計算中心在線獲取待監測數據，根據全局字典計算待監測數據的重構誤差，并將待監測數據的重構誤差與控制限比較，根據比較結果判斷工業系統是否異常。本發明通過分布式字典學習以減輕整合中心的負荷，提高計算效率，從而實現準確監測工業過程的運行狀態。

技術領域

本發明涉及工業過程監測領域，具體是指一種基于分布式字典學習的工業過程智能監測方法與系統。

背景技術

隨著傳感器技術、通信技術和先進集散控制系統的不斷發展，工業系統中積累了越來越多的數據，這些數據為工業系統的監測提供了很大的便利，數據驅動的過程監測受到了廣泛的關注。一般而言，數據驅動的方法主要包括兩大類：基于信號處理的過程監測方法和基于機器學習的過程監測方法。其中，基于信號處理的方法以多元統計分析理論為基礎，其將高維的觀測數據進行投影提取數據中的主要信息，然后分別對主元子空間和殘差子空間進行建模和監測，典型的方法包括PCA，KPCA等方法。除此之外，PLS，CCA等方法作為典型的信號處理方法也受到了大量的關注。而機器學習方法通過自適應的從數據中提取特征，然后基于提取的特征進行過程監測越來越被研究人員所關注。目前，支持向量機方法、隱馬爾可夫模型、自動編碼器等方法作為典型的機器學習方法，目前已被應用于過程監測，并取得了良好的監測效果。

然而，目前大量數據驅動的方法主要采用集中式的計算框架實現過程監測。在工業系統應用過程中，典型的監測過程包括：數據采集、數據離線分析、在線監測三個主要步驟。數據通過DCS系統采集后集中在融合計算中心進行存儲和分析。然而，隨著工業系統的逐漸增大，融合計算中心的存儲和計算負荷會隨著數據量的增加而不斷增大，最終造成計算需求資源超過系統可用資源的情況。另一方面，集中式計算缺乏魯棒性，一旦DCS系統中部分節點失效或者融合計算中心發生故障，便會導致整個監測系統的癱瘓。因此，通過分布式的方法實現大規模工業過程的魯棒監測是一項值得研究的問題。而要解決該問題，面臨以下幾個難點：(1)通信存在延遲和丟包。采用分布式計算框架涉及每個節點的數據交互，在不同的計算階段，每個節點要不斷的發送或收取數據信息。而這樣頻繁的信息交互，勢必會給通信帶來一定問題。(2)分布式計算框架難以選擇。針對不同的場合，要選擇合適分布式計算框架才能發揮分布式的優勢。否則，很有可能會造成分布式監測的效果劣于原本集中式監測的效果。(3)算法設計與移植工作復雜。并不是所有的現有過程監測算法都適合采用分布式計算的框架。要采用分布式算法，需要對算法機理進行重新研究，提出一套適合分布式的算法構架并進行代碼移植。(4)調試過程繁雜。不像集中式監測可以直接在本地進行性能測試，對于設計好的分布式監測方案，需要搭建一個完整的實驗平臺才能測試分布式算法的真實性能。而在搭建實驗平臺的過程中勢必要克服很多技術上的問題。正是因為部署一套分布式監測系統需要克服如此多的技術難題，所以現實中很多企業選擇增強工控機計算能力而非考慮分布式方案。

Ge等人提出了一種分布式并行PCA(dpPCA)，該方法受到PCA處理高維數據的啟發，將匯總而來的大量數據進行分塊，對每個數據塊進行PCA計算，從而有效減少了計算負荷。然而，PCA在降維過程中確定主成分特征向量時必定會造成其他次要特征向量的丟失，這會使得監測過程中產生虛報和誤報現象。同時，PCA中參數對于監測過程影響很大，大部分情況下只能通過經驗進行參數調整，使得監測過程的魯棒性大幅下降。