2.793

                    2018影響因子

                    (CJCR)

                    • 中文核心
                    • EI
                    • 中國科技核心
                    • Scopus
                    • CSCD
                    • 英國科學文摘

                    留言板

                    尊敬的讀者、作者、審稿人, 關于本刊的投稿、審稿、編輯和出版的任何問題, 您可以本頁添加留言。我們將盡快給您答復。謝謝您的支持!

                    姓名
                    郵箱
                    手機號碼
                    標題
                    留言內容
                    驗證碼

                    非平穩間歇過程數據解析與狀態監控回顧與展望

                    趙春暉 余萬科 高福榮

                    趙春暉, 余萬科, 高福榮. 非平穩間歇過程數據解析與狀態監控 —回顧與展望. 自動化學報, 2020, 46(10): 2072?2091. doi: 10.16383/j.aas.c190586
                    引用本文: 趙春暉, 余萬科, 高福榮. 非平穩間歇過程數據解析與狀態監控回顧與展望. 自動化學報, 2020, 46(10): 2072?2091. doi: 10.16383/j.aas.c190586
                    Zhao Chun-Hui, Yu Wan-Ke, Gao Fu-Rong. Data analytics and condition monitoring methods for nonstationary batch processes — current status and future. Acta Automatica Sinica, 2020, 46(10): 2072?2091. doi: 10.16383/j.aas.c190586
                    Citation: Zhao Chun-Hui, Yu Wan-Ke, Gao Fu-Rong. Data analytics and condition monitoring methods for nonstationary batch processes — current status and future. Acta Automatica Sinica, 2020, 46(10): 2072?2091. doi: 10.16383/j.aas.c190586

                    非平穩間歇過程數據解析與狀態監控回顧與展望


                    DOI: 10.16383/j.aas.c190586
                    詳細信息
                      作者簡介:

                      浙江大學控制科學與工程學院教授. 2003年獲得中國東北大學自動化專業學士學位, 2009年獲得中國東北大學控制理論與控制工程專業博士學位, 先后在中國香港科技大學、美國加州大學圣塔芭芭拉分校做博士后研究工作. 主要研究方向為機器學習, 工業大數據解析與應用, 包括化工、能源以及醫療領域. 本文通信作者. E-mail: chhzhao@zju.edu.cn

                      浙江大學控制科學與工程學院博士研究生. 2016年獲得北京航空航天大學宇航學院碩士學位, 2013年獲得東北大學數學系學士學位. 主要研究方向為故障診斷, 過程監測. E-mail: yuwanke@zju.edu.cn

                      中國香港科技大學化學與生物分子工程學系講座教授. 1985 年獲得中國石油大學自動化專業學士學位, 1989 年和1993 年在加拿大麥吉爾大學獲得碩士和博士學位. 主要研究方向為過程檢測與故障診斷, 批次過程控制, 高分子材料加工及優化. E-mail: kefgao@ust.hk

                    • 基金項目:  NSFC-浙江省兩化融合基金(U1709211), 浙江省重點研發計劃項目(2019C03100), 浙江省重點研發計劃項目(2019C01048)資助

                    Data Analytics and Condition Monitoring Methods for Nonstationary Batch Processes — Current Status and Future

                    More Information
                    • Fund Project:  Supported by NSFC-Zhejiang Joint Fund for the Integration of Industrialization and Informatization (U1709211), Zhejiang Key Research and Development Project (2019C03100), and Zhejiang Key Research and Development Project (2019C01048)
                    • 摘要: 間歇過程作為制造業的重要生產方式之一, 其高效運行是智能制造的優先主題. 為了保障生產過程的高效運行, 面向間歇生產的過程數據解析與狀態監控算法在最近三十年間得到大家的廣泛關注, 發展速度穩步提升. 但由于間歇過程本身的多重時變大范圍非平穩運行復雜特性, 以及對狀態監控與故障診斷要求的提高, 現有的理論和方法仍面臨著挑戰. 本文從分析間歇過程的特性出發, 從數據解析的角度, 總結了近三十年來非平穩間歇過程高性能監控研究的發展. 一方面對間歇過程監控領域幾種經典的方法體系進行了總結和梳理, 另一方面揭示了尚存在的問題以及未來可能的研究思路和發展脈絡.
                    • 圖  1  “多重時變”本質特性示意圖

                      Fig.  1  The characteristics of the batch process

                      圖  2  間歇過程的三維數據表示[16]

                      Fig.  2  Batch process data in three dimensions[16]

                      圖  3  將三維數據展開成二維數據的6種方式

                      Fig.  3  Unfold the three dimensions data into two dimensions using six different manners

                      圖  4  不等長操作時段的間歇過程示意圖

                      Fig.  4  An example of the batch process with uneven-length batches

                      圖  5  間歇過程多模態切換示意圖

                      Fig.  5  Normal shift of operation phases in batch process

                      圖  6  兩模態間歇過程時段分析結果

                      Fig.  6  Analysis result of batch process with two operation phases

                      表  1  時段劃分方法總結對比

                      Table  1  The comparison of different phase partition methods

                      時段劃分方法 劃分依據 優點 缺點
                      過程機理法[45, 48, 72] 利用實際間歇工業過程運行機理的變化來劃分過程運行時段, 要求一定的專家經驗和過程知識. 如果間歇生產過程相對簡單或者工程師對此比較熟悉, 則可以比較容易地獲取過程機理知識實現時段劃分. 工業生產過程往往機理復雜, 很難在短時間內獲取相關的知識和經驗, 從而極大地限制和約束了其順利實施施和推廣應用.
                      特征分析方法[7375] 時段的切換對應引起相應測量變量的變化. 對某些過程變量或從中提取的特征變量進行分析, 借助其沿時間軸上的變化判斷時段信息. 指示變量方法是其中一種典型代表. 當時段發生切換或者變化, 過程特性變化, 相應的某些過程變量或是特征變量亦發生顯著變化, 可用于指示不同時段. 算法較為簡單. 并不是每個工業過程中都存在并能找到這樣的“指示”變量.
                      k-means[6266] 通過相似度度量, 分析不同時間點上的潛在相關特性的相似與不同, 如果時間片具有相似特性則被歸到同一類中, 具有顯著差異則被分到不同類中. 該方法能夠自動劃分不同的多個時段, 不需借助任何過程機理和知識. 分類的結果決定于過程相關性在時間方向上的變化規律. 沒有考慮間歇過程時段運行的時序性, 因此劃分結果中會出現時間上不連續的具有相似過程相關性的時間片被分在同一個聚類中. 時段劃分結果可讀性有所欠缺, 需要針對劃分結果進行進一步的后續處理. 此外, 該劃分方法根據距離定義衡量過程相關特性的相似度, 聚類的結果受到相似性衡量指標的影響, 而該指標并不能與過程監測的目的直接相關.
                      MPPCA[7475] 一種優化策略, 通過對不同時間點進行不斷嘗試, 分析在該點的劃分所得到的局部模型是否能夠改善原有模型對數據的重構精度, 以此來確定該點的劃分是否合適. 無需過程先驗知識條件, 自動劃分的各個時段時間連續, 解釋性較強. 易陷入局部最優, 導致時段劃分結果不能更好的反映過程特性變化.
                      SSPP[7677] 自動地按照間歇生產過程運行時間順序捕捉潛在過程特性的發展變化, 通過評估時段劃分對監測統計量的影響確定合適的時段劃分點. 無需過程先驗知識條件, 深入考慮了間歇過程潛在特性的時變性和實際過程運行的時序性以及時段劃分結果對于之后監測性能的影響. 對過程時段特性變化的實時捕捉具有一定的時間延遲.
                      下載: 導出CSV

                      表  2  多向分析方法與子時段分析方法對比

                      Table  2  The comparison of multi-way methods and phase partition methods

                      方法 優點 缺點
                      多向分析法 分析方法相對簡單, 直接針對展開的二維數據矩陣進行分析, 可借用傳統的連續過程方法. 針對整個過程只需要建立一個模型. 無法有效分析過程特性時間上的變化規律.
                      子時段分析方法 1)可以更細致地揭示過程運行的潛在特征, 更好地體現過程運行的局部特征, 促進對復雜工業過程的了解;
                      2)在每個子時段可以很容易建立統計分析模型, 結構簡單, 模型實用;
                      3)基于子時段可以很容易建立過程監測模型并實現在線應用而無需預估未知數據;
                      4)可以提高在線故障檢測的精度和靈敏度, 并有利于后續準確的故障隔離和診斷;
                      5)可以深入分析質量指標和每個時段的具體關系, 找出影響質量的關鍵時段和預測變量等關鍵性因素, 有利于產品質量的進一步改進.
                      需要進行時段劃分, 分析過程特性在同一個操作周次內的變化.
                      下載: 導出CSV
                      360彩票
                    • [1] 趙春暉, 陸寧云. 間歇過程統計監測與質量分析. 北京: 科學出版社, 2014.

                      Zhao Chun-Hui, Lu Ning-Yun. Statistical Monitoring and Quality Analysis of Batch Process. Beijing: Science Press, 2014.
                      [2] Nomikos P, MacGregor J F. Monitoring batch processes using multiway principal component analysis. AIChE Journal, 1994, 40(8): 1361?1375 doi:  10.1002/aic.690400809
                      [3] Bhatia T, Biegler L T. Dynamic optimization in the design and scheduling of multiproduct batch plants. Industrial & Engineering Chemistry Research, 1996, 35(7): 2234?2246
                      [4] Méndez C A, Cerdá J, Grossmann I E, Harjunkoski I, Fahl M. State-of-the-art review of optimization methods for short-term scheduling of batch processes. Computers & Chemical Engineering, 2006, 30(6-7): 913?946
                      [5] Lane S, Martin E B, Kooijmans R, Morris A J. Performance monitoring of a multi-product semi-batch process. Journal of Process Control, 2001, 11(1): 1?11 doi:  10.1016/S0959-1524(99)00063-3
                      [6] Edgar T F, Butler S W, Campbell W J, Pfeiffer C, Bode C, Hwang S B, et al. Automatic control in microelectronics manufacturing: Practices, challenges, and possibilities. Automatica, 2000, 36(11): 1567?1603 doi:  10.1016/S0005-1098(00)00084-4
                      [7] 趙春暉, 王福利. 工業過程運行狀態智能監控: 數據驅動方法. 北京: 化學工業出版社, 2019.

                      Zhao Chun-Hui, Wang Fu-Li. Intelligent Monitoring of Industrial Process Operation Status: Data-driven Methods. Beijing: Chemical Industry Press, 2019.
                      [8] Engle R F, Granger C W J. Cointegration and error correction: Representation, estimation and testing. Econometrica, 1987, 55: 251?276 doi:  10.2307/1913236
                      [9] Khediri I B, Limam M, Weihs C. Variable window adaptive Kernel Principal Component Analysis for nonlinear nonstationary process monitoring. Computers & Industrial Engineering, 2011, 61(3): 437?446
                      [10] Liu J L, Chen D S. Nonstationary fault detection and diagnosis for multimode processes. AIChE Journal, 2010, 56(1): 207?219
                      [11] ündey C, Ertun? S, Mistretta T, Looze B. Applied advanced process analytics in biopharmaceutical manufacturing: Challenges and prospects in real-time monitoring and control. Journal of Process Control, 2010, 20(9): 1009?1018 doi:  10.1016/j.jprocont.2010.05.008
                      [12] Qin S J. Process data analytics in the era of big data. AIChE Journal, 2014, 60(9): 3092?3100 doi:  10.1002/aic.14523
                      [13] Chiang L, Lu B, Castillo I. Big data analytics in chemical engineering. Annual Review of Chemical and Biomolecular Engineering, 2017, 8: 63?85 doi:  10.1146/annurev-chembioeng-060816-101555
                      [14] He Q P, Wang J. Statistical process monitoring as a big data analytics tool for smart manufacturing. Journal of Process Control, 2018, 67: 35?43 doi:  10.1016/j.jprocont.2017.06.012
                      [15] 盧靜宜, 曹志興, 高福榮. 批次過程控制—回顧與展望. 自動化學報, 2017, 43(6): 933?943

                      Lu Jing-Yi, Cao Zhi-Xing, Gao Fu-Rong. Batch process control—overview and outlook. Acta Automatica Sinica, 2017, 43(6): 933?943
                      [16] 趙春暉. 多時段間歇過程統計建模、在線監測及質量預報 [博士學位論文], 東北大學, 中國, 2009

                      Zhao Chun-Hui. Statistical Modeling, Online Monitoring and Quality Prediction for Multiphase Batch Processes [Ph.D. dissertation], Northeastern University, China, 2009
                      [17] Shewhart W A. Statistical Method from the Viewpoint of Quality Control. New York, USA: John Dover, 1986.
                      [18] Page E S. Continuous inspection schemes. Biometrika, 1954, 41(1-2): 100?115 doi:  10.1093/biomet/41.1-2.100
                      [19] Page E S. Cumulative sum charts. Technometrics, 1961, 3(1): 1?9 doi:  10.1080/00401706.1961.10489922
                      [20] Roberts S W. Control chart tests based on geometric moving average. Technometrics, 1959, 1(3): 239?250 doi:  10.1080/00401706.1959.10489860
                      [21] Zhao C H, Sun Y X. Multispace total projiection to latent structures and its application to online proceess monitoring, IEEE Transacttions on Control Systeme Technology, 2014, 22(3): 868-883
                      [22] Dunteman G H. Principal Component Analysis. London, UK: SAGE Publication LTD, 1989.
                      [23] Jackson J E. A User′s Guide to Principal Components. New York, USA: Wiley, 1991.
                      [24] Geladi P, Kowalski B R. Partial least-squares regression: A tutorial. Analytica Chimica Acta, 1986, 185: 1?17 doi:  10.1016/0003-2670(86)80028-9
                      [25] H?skuldsson A. PLS regression methods. Journal of Chemometrics, 1988, 2(3): 211?228 doi:  10.1002/cem.1180020306
                      [26] 王惠文. 偏最小二乘回歸方法及其應用. 北京: 國防工業出版社, 1999.

                      Wang Hui-Wen. Partial Least-Squares Regression-Method and Applications. Beijing: National Defense Industry Press, 1999.
                      [27] Dayal B S, MacGregor J F. Improved PLS algorithms. Journal of Chemometrics, 1997, 11(1): 73?85 doi:  10.1002/(SICI)1099-128X(199701)11:1<73::AID-CEM435>3.0.CO;2-#
                      [28] Comon P. Independent component analysis, a new concept? Signal Processing, 1994, 36(3): 287?314 doi:  10.1016/0165-1684(94)90029-9
                      [29] Hyv?rinen A, Oja E. A fast fixed-point algorithm for independent component analysis. Neural Computation, 1997, 9(7): 1483?1492 doi:  10.1162/neco.1997.9.7.1483
                      [30] Hyv?rinen A, Oja E. Independent component analysis: Algorithms and applications. Neural Networks, 2000, 13(4-5): 411?430 doi:  10.1016/S0893-6080(00)00026-5
                      [31] Kano M, Tanaka S, Hasebe S, Hashimoto I, Ohno H. Monitoring independent components for fault detection. AIChE Journal, 2003, 49(4): 969?976 doi:  10.1002/aic.690490414
                      [32] Smilde A, Bro R, Geladi P. Multi-Way Analysis, Applications in the Chemical Science. New York, USA: Wiley, 2003.
                      [33] Bro R. PARAFAC. Tutorial and applications. Chemometrics and Intelligent Laboratory Systems, 1997, 38(2): 149?171 doi:  10.1016/S0169-7439(97)00032-4
                      [34] Tucker L R. The extension of factor analysis to three-dimensional matrices. Contributions to Mathematical Psychology. New York, USA: Holt, Rinehart and Winston, 1964. 110−162
                      [35] Bro R. Multiway calibration. Multilinear PLS. Journal of Chemometrics, 1996, 10(1): 47?61 doi:  10.1002/(SICI)1099-128X(199601)10:1<47::AID-CEM400>3.0.CO;2-C
                      [36] Sanchez E, Kowalski B R. Tensorial resolution: A direct trilinear decomposition. Journal of Chemometrics, 1990, 4(1): 29?45 doi:  10.1002/cem.1180040105
                      [37] Louwerse D J, Smilde A K. Multivariate statistical process control of batch processes based on three-way models. Chemical Engineering Science, 2000, 55(7): 1225?1235 doi:  10.1016/S0009-2509(99)00408-X
                      [38] Smilde A K. Comments on three-way analyses used for batch process data. Journal of Chemometrics, 2001, 15(1): 19?27 doi:  10.1002/1099-128X(200101)15:1<19::AID-CEM599>3.0.CO;2-F
                      [39] Nomikos P, MacGregor J F. Monitoring batch processes using multiway principal component analysis. AIChE Journal, 1994, 40(8): 1361?1375 doi:  10.1002/aic.690400809
                      [40] Nomikos P, MacGregor J F. Multi-way partial least squares in monitoring batch processes. Chemometrics and Intelligent Laboratory Systems, 1995, 30(1): 97?108 doi:  10.1016/0169-7439(95)00043-7
                      [41] Nomikos P, MacGregor J F. Multivariate SPC charts for monitoring batch processes. Technometrics, 1995, 37(1): 41?59 doi:  10.1080/00401706.1995.10485888
                      [42] Wold S, Kettaneh N, Fridén H, Holmberg A. Modelling and diagnostics of batch processes and analogous kinetic experiments. Chemometrics and Intelligent Laboratory Systems, 1998, 44(1-2): 331?340 doi:  10.1016/S0169-7439(98)00162-2
                      [43] Wold S, Geladi P, Esbensen K, ?hman J. Multi-way principal components-and PLS-analysis. Journal of Chemometrics, 1987, 1(1): 41?56 doi:  10.1002/cem.1180010107
                      [44] Wold S, Sj?str?m M. Chemometrics, present and future success. Chemometrics and Intelligent Laboratory Systems, 1998, 44(1-2): 3?14 doi:  10.1016/S0169-7439(98)00075-6
                      [45] Dong D, McAvoy T J. Multi-stage batch process monitoring. In: Proceedings of 1995 American Control Conference (ACC). Seattle, USA: IEEE, 1995. 1857−1861
                      [46] Zheng L L, McAvoy T J, Huang Y B, Chen G. Application of multivariate statistical analysis in batch processes. Industrial & Engineering Chemistry Research, 2001, 40(7): 1641?1649
                      [47] ündey C, Tatara E, ?inar A. Intelligent real-time performance monitoring and quality prediction for batch/fed-batch cultivations. Journal of Biotechnology, 2004, 108(1): 61?77 doi:  10.1016/j.jbiotec.2003.10.004
                      [48] ündey C, ?inar A. Statistical monitoring of multistage, multiphase batch processes. IEEE Control Systems Magazine, 2002, 22(5): 40?52 doi:  10.1109/MCS.2002.1035216
                      [49] ündey C, Ertun? S, ?inar A. Online batch/fed-batch process performance monitoring, quality prediction, and variable-contribution analysis for diagnosis. Industrial & Engineering Chemistry Research, 2003, 42(20): 4645?4658
                      [50] Zamprogna E, Barolo M, Seborg D E. Optimal selection of soft sensor inputs for batch distillation columns using principal component analysis. Journal of Process Control, 2005, 15(1): 39?52 doi:  10.1016/j.jprocont.2004.04.006
                      [51] Zamprogna E, Barolo M, Seborg D E. Estimating product composition profiles in batch distillation via partial least squares regression. Control Engineering Practice, 2004, 12(7): 917?929 doi:  10.1016/j.conengprac.2003.11.005
                      [52] Kourti T, Nomikos P, MacGregor J F. Analysis, monitoring and fault diagnosis of batch processes using multiblock and multiway PLS. Journal of Process Control, 1995, 5(4): 277?284 doi:  10.1016/0959-1524(95)00019-M
                      [53] Martin E B, Morris A J, Papazoglou M C, Kiparissides C. Batch process monitoring for consistent production. Computers & Chemical Engineering, 1996, 20(Suppl 1): S599?S604
                      [54] Martin E B, Morris A J. An overview of multivariate statistical process control in continuous and batch process performance monitoring. Transactions of the Institute of Measurement and Control, 1996, 18(1): 51?60 doi:  10.1177/014233129601800107
                      [55] Lane S, Martin E B, Kooijmans R, Morris A J. Performance monitoring of a multi-product semi-batch process. Journal of Process Control, 2001, 11(1): 1?11 doi:  10.1016/S0959-1524(99)00063-3
                      [56] Meng X, Morris A J, Martin E B. On-line monitoring of batch processes using a PARAFAC representation. Journal of Chemometrics, 2003, 17(1): 65?81 doi:  10.1002/cem.776
                      [57] Lee J M, Yoo C K, Lee I B. Enhanced process monitoring of fed-batch penicillin cultivation using time-varying and multivariate statistical analysis. Journal of Biotechnology, 2004, 110(2): 119?136 doi:  10.1016/j.jbiotec.2004.01.016
                      [58] Albazzaz H, Wang X Z. Statistical process control charts for batch operations based on independent component analysis. Industrial & Engineering Chemistry Research, 2004, 43(21): 6731?6741
                      [59] Lee J M, Yoo C K, Lee I B. On-line batch process monitoring using different unfolding method and independent component analysis. Journal of Chemical Engineering of Japan, 2003, 36(11): 1384?1396 doi:  10.1252/jcej.36.1384
                      [60] Albert S, Kinley R D. Multivariate statistical monitoring of batch processes: An industrial case study of fermentation supervision. Trends in Biotechnology, 2001, 19(2): 53?62 doi:  10.1016/S0167-7799(00)01528-6
                      [61] Wong C W L, Escott R, Martin E B, Morris A J. The integration of spectroscopic and process data for enhanced process performance monitoring. The Canadian Journal of Chemical Engineering, 2008, 86(5): 905?923 doi:  10.1002/cjce.20096
                      [62] Lu N Y, Gao F R, Wang F L. A sub-PCA modeling and on-line monitoring strategy for batch processes. AIChE Journal, 2004, 50(1): 255?259 doi:  10.1002/aic.10024
                      [63] Lu N Y, Gao F R. Stage-based process analysis and quality prediction for batch processes. Industrial & Engineering Chemistry Research, 2005, 44(10): 3547?3555
                      [64] Lu N Y, Gao F R. Stage-based online quality control for batch processes. Industrial & Engineering Chemistry Research, 2006, 45(7): 2272?2280
                      [65] Zhao C H, Wang F L, Lu N Y, Jia M X. Stage-based soft-transition multiple PCA modeling and on-line monitoring strategy for batch processes. Journal of Process Control, 2007, 17(9): 728?741 doi:  10.1016/j.jprocont.2007.02.005
                      [66] Zhao C H, Wang F L, Mao Z H, Lu N Y, Jia M X. Improved knowledge extraction and phase-based quality prediction for batch processes. Industrial & Engineering Chemistry Research, 2008, 47(3): 825?834
                      [67] Zhao C H, Sun Y X. Step-wise sequential phase partition (SSPP) algorithm based statistical modeling and online process monitoring. Chemometrics and Intelligent Laboratory Systems, 2013, 125: 109?120 doi:  10.1016/j.chemolab.2013.03.017
                      [68] Zhao C H. A quality-relevant sequential phase partition approach for regression modeling and quality prediction analysis in manufacturing processes. IEEE Transactions on Automation Science and Engineering, 2014, 11(4): 983?991 doi:  10.1109/TASE.2013.2287347
                      [69] Qin Y, Zhao C H, Gao F R. An Iterative Two-Step Sequential Phase Partition (ITSPP) method for batch process modeling and online monitoring. AIChE Journal, 2016, 62(7): 2358?2373 doi:  10.1002/aic.15205
                      [70] Zhang S M, Zhao C H. Slow-feature-analysis-based batch process monitoring with comprehensive interpretation of operation condition deviation and dynamic anomaly. IEEE Transactions on Industrial Electronics, 2019, 66(5): 3773?3783 doi:  10.1109/TIE.2018.2853603
                      [71] Zhao C H. An iterative within-phase relative analysis algorithm for relative sub-phase modeling and process monitoring. Chemometrics and Intelligent Laboratory Systems, 2014, 134: 67?78 doi:  10.1016/j.chemolab.2014.03.010
                      [72] Kosanovich K A, Piovoso M J, Dahl K S, MacGregor J F, Nomikos P. Multi-way PCA applied to an industrial batch process. In: Proceedings of 1994 American Control Conference (ACC). Baltimore, USA: IEEE, 1994. 1294−1298
                      [73] Kosanovich K A, Dahl K S, Piovoso M J. Improved process understanding using multiway principal component analysis. Industrial & Engineering Chemistry Research, 1996, 35(1): 138?146
                      [74] Lennox B, Hiden H G, Montague G A, Kornfeld G, Goulding P R. Application of multivariate statistical process control to batch operations. Computers & Chemical Engineering, 2000, 24(2-7): 291?296
                      [75] Doan X T, Srinivasan R, Bapat P M, Wangikar P P. Detection of phase shifts in batch fermentation via statistical analysis of the online measurements: A case study with rifamycin B fermentation. Journal of Biotechnology, 2007, 132(2): 156?166 doi:  10.1016/j.jbiotec.2007.06.013
                      [76] Camacho J, Picó J. Online monitoring of batch processes using multi-phase principal component analysis. Journal of Process Control, 2006, 16(10): 1021?1035 doi:  10.1016/j.jprocont.2006.07.005
                      [77] Camacho J, Picó J. Multi-phase principal component analysis for batch processes modelling. Chemometrics and Intelligent Laboratory Systems, 2006, 81(2): 127?136 doi:  10.1016/j.chemolab.2005.11.003
                      [78] Martin E B, Morris A J. Enhanced bio-manufacturing through advanced multivariate statistical technologies. Journal of Biotechnology, 2002, 99(3): 223?235 doi:  10.1016/S0168-1656(02)00212-2
                      [79] Duchesne C, MacGregor J F. Multivariate analysis and optimization of process variable trajectories for batch processes. Chemometrics and Intelligent Laboratory Systems, 2000, 51(1): 125?137 doi:  10.1016/S0169-7439(00)00064-2
                      [80] Rothwell S G, Martin E B, Morris A J. Comparison of methods for dealing with uneven length batches. IFAC Proceedings Volumes, 1998, 31(8): 387?392 doi:  10.1016/S1474-6670(17)40216-3
                      [81] Kassidas A, MacGregor J F, Taylor P A. Synchronization of batch trajectories using dynamic time warping. AIChE Journal, 1998, 44(4): 864?875 doi:  10.1002/aic.690440412
                      [82] Kourti T. Multivariate dynamic data modeling for analysis and statistical process control of batch processes, start-ups and grade transitions. Journal of Chemometrics, 2003, 17(1): 93?109 doi:  10.1002/cem.778
                      [83] Yu W K, Zhao C H, Zhang S M. A two-step parallel phase partition algorithm for monitoring multiphase batch processes with limited batches. IFAC-PapersOnLine, 2017, 50(1): 2750?2755 doi:  10.1016/j.ifacol.2017.08.582
                      [84] Itakura F. Minimum prediction residual principle applied to speech recognition. IEEE Transactions on Acoustics, Speech, and Signal Processing, 1975, 23(1): 67?72 doi:  10.1109/TASSP.1975.1162641
                      [85] Sakoe H, Chiba S. Dynamic programming algorithm optimization for spoken word recognition. IEEE Transactions on Acoustics, Speech, and Signal Processing, 1978, 26(1): 43?49 doi:  10.1109/TASSP.1978.1163055
                      [86] Tomasi G, van den Berg F, Andersson C. Correlation optimized warping and dynamic time warping as preprocessing methods for chromatographic data. Journal of Chemometrics, 2004, 18(5): 231?241 doi:  10.1002/cem.859
                      [87] Nielsen N P V, Carstensen J M, Smedsgaard J. Aligning of single and multiple wavelength chromatographic profiles for chemometric data analysis using correlation optimised warping. Journal of Chromatography A, 1998, 805(1-2): 17?35 doi:  10.1016/S0021-9673(98)00021-1
                      [88] Kourti T, Lee J, MacGregor J F. Experiences with industrial applications of projection methods for multivariate statistical process control. Computers & Chemical Engineering, 1996, 20(1): S745?S750
                      [89] Tates A A, Louwerse D J, Smilde A K, Koot G L M, Berndt H. Monitoring a PVC batch process with multivariate statistical process control charts. Industrial & Engineering Chemistry Research, 1999, 38(12): 4769?4776
                      [90] Neogi D, Schlags C E. Multivariate statistical analysis of an emulsion batch process. Industrial & Engineering Chemistry Research, 1998, 37(10): 3971?3979
                      [91] Kaistha N, Moore C F. Extraction of event times in batch profiles for time synchronization and quality predictions. Industrial & Engineering Chemistry Research, 2001, 40(1): 252?260
                      [92] Lu N, Gao F, Yang Y, Wang F. PCA-based modeling and on-line monitoring strategy for uneven-length batch processes. Industrial & Engineering Chemistry Research, 2004, 43(13): 3343?3352
                      [93] Zhao C H, Mo S Y, Gao F R, Lu N Y, Yao Y. Statistical analysis and online monitoring for handling multiphase batch processes with varying durations. Journal of Process Control, 2011, 21(6): 817?829 doi:  10.1016/j.jprocont.2011.04.005
                      [94] Li W Q, Zhao C H, Gao F R. Sequential time slice alignment based unequal-length phase identification and modeling for fault detection of irregular batches. Industrial & Engineering Chemistry Research, 2015, 54(41): 10020?10030
                      [95] Zhang S M, Zhao C H, Wang S, Wang F L. Pseudo time-slice construction using a variable moving window k nearest neighbor rule for sequential uneven phase division and batch process monitoring. Industrial & Engineering Chemistry Research, 2017, 56(3): 728?740
                      [96] Lu N Y, Yang Y, Wang F L, Gao F R. A stage-based monitoring method for batch processes with limited reference data. IFAC Proceedings Volumes, 2004, 37(9): 787?792 doi:  10.1016/S1474-6670(17)31906-7
                      [97] Zhao C H, Wang F L, Mao Z Z, Lu N Y, Jia M X. Adaptive monitoring based on independent component analysis for multiphase batch processes with limited modeling data. Industrial & Engineering Chemistry Research, 2008, 47(9): 3104?3113
                      [98] Wang Y, Mao Z, Jia M. Feature-points-based Multimodel Single Dynamic Kernel Principle Component Analysis (M-SDKPCA) modeling and online monitoring strategy for uneven-length batch processes. Industrial & Engineering Chemistry Research, 2013, 52(34): 12059?12071
                      [99] Luo L J, Bao S Y, Mao J F, Tang D. Phase partition and phase-based process monitoring methods for multiphase batch processes with uneven durations. Industrial & Engineering Chemistry Research, 2016, 55(7): 2035?2048
                      [100] Tulsyan A, Garvin C, Undey C. Industrial batch process monitoring with limited data. Journal of Process Control, 2019, 77: 114?133 doi:  10.1016/j.jprocont.2019.03.002
                      [101] Zhao C H, Wang F L, Gao F R, Lu N Y, Jia M X. Adaptive monitoring method for batch processes based on phase dissimilarity updating with limited modeling data. Industrial & Engineering Chemistry Research, 2007, 46(14): 4943?4953
                      [102] Kuzborskij I, Orabona F, Caputo B. From N to N+1: Multiclass transfer incremental learning. In: Proceedings of the 2013 IEEE Conference on Computer Vision and Pattern Recognition. Portland, USA: IEEE, 2013. 3358?3365
                      [103] Chen C L P, Liu Z L. Broad learning system: An effective and efficient incremental learning system without the need for deep architecture. IEEE Transactions on Neural Networks and Learning Systems, 2018, 29(1): 10?24 doi:  10.1109/TNNLS.2017.2716952
                      [104] Yu W K, Zhao C H. Broad convolutional neural network based industrial process fault diagnosis with incremental learning capability. IEEE Transactions on Industrial Electronics, 2020, 67(6): 5081?5091 doi:  10.1109/TIE.2019.2931255
                      [105] Zhao C H, Wang W, Qin Y, Gao F R. Comprehensive subspace decomposition with analysis of between-mode relative changes for multimode process monitoring. Industrial & Engineering Chemistry Research, 2015, 54(12): 3154?3166
                      [106] Zhao C H. Concurrent phase partition and between-mode statistical analysis for multimode and multiphase batch process monitoring. AIChE Journal, 2014, 60(2): 559?573 doi:  10.1002/aic.14282
                      [107] Zhang S M, Zhao C H, Gao F R. Two-directional concurrent strategy of mode identification and sequential phase division for multimode and multiphase batch process monitoring with uneven lengths. Chemical Engineering Science, 2018, 178: 104?117 doi:  10.1016/j.ces.2017.12.025
                      [108] Zhao C H. Phase analysis and statistical modeling with limited batches for multimode and multiphase process monitoring. Journal of Process Control, 2014, 24(6): 856?870 doi:  10.1016/j.jprocont.2014.04.001
                      [109] Kramer M A. Nonlinear principal component analysis using autoassociative neural networks. AIChE Journal, 1991, 37(2): 233?243 doi:  10.1002/aic.690370209
                      [110] Dong D, McAvoy T J. Batch tracking via nonlinear principal component analysis. AIChE Journal, 1996, 42(8): 2199?2208 doi:  10.1002/aic.690420810
                      [111] Hinton G E, Salakhutdinov R R. Reducing the dimensionality of data with neural networks. Science, 2006, 313(5786): 504?507 doi:  10.1126/science.1127647
                      [112] Yu W K, Zhao C H. Robust monitoring and fault isolation of nonlinear industrial processes using denoising autoencoder and elastic net. IEEE Transactions on Control Systems Technology, 2020, 28(3): 1083?1091 doi:  10.1109/TCST.2019.2897946
                      [113] Lee J M, Yoo C K, Choi S W, Vanrolleghem P A, Lee I B. Nonlinear process monitoring using kernel principal component analysis. Chemical Engineering Science, 2004, 59(1): 223?234 doi:  10.1016/j.ces.2003.09.012
                      [114] Kruger U, Antory D, Hahn J, Irwin G W, McCullough G. Introduction of a nonlinearity measure for principal component models. Computers & Chemical Engineering, 2005, 29(11-12): 2355?2362
                      [115] Zhang S M, Wang F L, Zhao L P, Wang S, Chang Y Q. A novel strategy of the data characteristics test for selecting a process monitoring method automatically. Industrial & Engineering Chemistry Research, 2016, 55(6): 1642?1654
                      [116] Li W Q, Zhao C H, Gao F R. Linearity evaluation and variable subset partition based hierarchical process modeling and monitoring. IEEE Transactions on Industrial Electronics, 2018, 65(3): 2683?2692 doi:  10.1109/TIE.2017.2745452
                      [117] Yan W W, Guo P J, Gong L, Li Z K. Nonlinear and robust statistical process monitoring based on variant autoencoders. Chemometrics and Intelligent Laboratory Systems, 2016, 158: 31?40 doi:  10.1016/j.chemolab.2016.08.007
                      [118] Zhang X, Yan W W, Zhao X, Shao H H. Nonlinear biological batch process monitoring and fault identification based on kernel fisher discriminant analysis. Process Biochemistry, 2007, 42(8): 1200?1210 doi:  10.1016/j.procbio.2007.05.016
                      [119] Zhao C H, Gao F R, Wang F L. Nonlinear batch process monitoring using phase-based kernel-independent component analysis-Principal Component Analysis (KICA-PCA). Industrial & Engineering Chemistry Research, 2009, 48(20): 9163?9174
                      [120] Rashid M M, Yu J. Nonlinear and non-Gaussian dynamic batch process monitoring using a new multiway kernel independent component analysis and multidimensional mutual information based dissimilarity approach. Industrial & Engineering Chemistry Research, 2012, 51(33): 10910?10920
                      [121] Onel M, Kieslich C A, Guzman Y A, Floudas C A, Pistikopoulos E N. Big data approach to batch process monitoring: Simultaneous fault detection and diagnosis using nonlinear support vector machine-based feature selection. Computers & Chemical Engineering, 2018, 115: 46?63
                      [122] 劉育明. 動態過程數據的多變量統計監控方法研究 [博士學位論文], 浙江大學, 中國, 2006

                      Liu Yu-Ming. Multivariate Statistical Monitoring Methods for Dynamic Process Data [Ph.D. dissertation], Zhejiang University, China, 2006
                      [123] Wang Y J, Sun F M, Li B. Multiscale neighborhood normalization-based multiple dynamic PCA monitoring method for batch processes with frequent operations. IEEE Transactions on Automation Science and Engineering, 2018, 15(3): 1053?1064 doi:  10.1109/TASE.2017.2713800
                      [124] Dong Y N, Qin S J. A novel dynamic PCA algorithm for dynamic data modeling and process monitoring. Journal of Process Control, 2018, 67: 1?11 doi:  10.1016/j.jprocont.2017.05.002
                      [125] Dong Y N, Qin S J. Regression on dynamic PLS structures for supervised learning of dynamic data. Journal of Process Control, 2018, 68: 64?72 doi:  10.1016/j.jprocont.2018.04.006
                      [126] Chen J H, Liu K C. On-line batch process monitoring using dynamic PCA and dynamic PLS models. Chemical Engineering Science, 2002, 57(1): 63?75 doi:  10.1016/S0009-2509(01)00366-9
                      [127] Hu K L, Yuan J Q. Statistical monitoring of fed-batch process using dynamic multiway neighborhood preserving embedding. Chemometrics and Intelligent Laboratory Systems, 2008, 90(2): 195?203 doi:  10.1016/j.chemolab.2007.10.002
                      [128] Stubbs S, Zhang J, Morris J. Fault detection in dynamic processes using a simplified monitoring-specific CVA state space modelling approach. Computers & Chemical Engineering, 2012, 41: 77?87
                      [129] Lu Q G, Jiang B B, Gopaluni R B, Loewen P D, Braatz R D. Sparse canonical variate analysis approach for process monitoring. Journal of Process Control, 2018, 71: 90?102 doi:  10.1016/j.jprocont.2018.09.009
                      [130] 鄒筱瑜, 王福利, 常玉清, 鄭偉. 基于兩層分塊GMM-PRS的流程工業過程運行狀態評價. 自動化學報, 2019, 45(11): 2071?2081

                      Zou Xiao-Yu, Wang Fu-Li, Chang Yu-Qing, Zheng Wei. Plant-wide process operating performance assessment based on two-level multi-block GMM-PRS. Acta Automatica Sinica, 2019, 45(11): 2071?2081
                      [131] Fan L, Kodamana H, Huang B. Semi-supervised dynamic latent variable modeling: I/O probabilistic slow feature analysis approach. AIChE Journal, 2019, 65(3): 964?979 doi:  10.1002/aic.16481
                      [132] Shang C, Huang B, Yang F, Huang D X. Slow feature analysis for monitoring and diagnosis of control performance. Journal of Process Control, 2016, 39: 21?34 doi:  10.1016/j.jprocont.2015.12.004
                      [133] Zhang S M, Zhao C H, Huang B. Simultaneous static and dynamic analysis for fine-scale identification of process operation statuses. IEEE Transactions on Industrial Informatics, 2019, 15(9): 5320?5329 doi:  10.1109/TII.2019.2896987
                      [134] Zou X Y, Zhao C H. Concurrent assessment of process operating performance with joint static and dynamic analysis. IEEE Transactions on Industrial Informatics, 2020, 16(4): 2776?2786 doi:  10.1109/TII.2019.2934757
                      [135] Li W Q, Zhao C H, Huang B. Distributed dynamic modeling and monitoring for large-scale industrial processes under closed-loop control. Industrial & Engineering Chemistry Research, 2018, 57(46): 15759?15772
                      [136] Zhao C H, Huang B. A Full-condition monitoring method for nonstationary dynamic chemical processes with cointegration and slow feature analysis. AIChE Journal, 2018, 64(5): 1662?1681 doi:  10.1002/aic.16048
                      [137] Choi S W, Morris J, Lee I B. Dynamic model-based batch process monitoring. Chemical Engineering Science, 2008, 63(3): 622?636 doi:  10.1016/j.ces.2007.09.046
                      [138] Zheng J L, Zhao C H. Online monitoring of performance variations and process dynamic anomalies with performance-relevant full decomposition of slow feature analysis. Journal of Process Control, 2019, 80: 89?102 doi:  10.1016/j.jprocont.2019.05.004
                      [139] Yu W K, Zhao C H. Recursive exponential slow feature analysis for fine-scale adaptive processes monitoring with comprehensive operation status identification. IEEE Transactions on Industrial Informatics, 2019, 15(6): 3311?3323 doi:  10.1109/TII.2018.2878405
                      [140] Zhao C H, Sun H. Dynamic distributed monitoring strategy for large-scale nonstationary processes subject to frequently varying conditions under closed-loop control. IEEE Transactions on Industrial Electronics, 2019, 66(6): 4749?4758 doi:  10.1109/TIE.2018.2864703
                      [141] Duda R O, Hart P E. Pattern Classification and Scene Analysis. New York: USA: Wiley, 1973
                      [142] Yu W K, Zhao C H. Sparse exponential discriminant analysis and its application to fault diagnosis. IEEE Transactions on Industrial Electronics, 2018, 65(7): 5931?5940 doi:  10.1109/TIE.2017.2782232
                      [143] Yu W K, Zhao C H. Online fault diagnosis in industrial processes using multimodel exponential discriminant analysis algorithm. IEEE Transactions on Control Systems Technology, 2019, 27(3): 1317?1325 doi:  10.1109/TCST.2017.2789188
                      [144] Chai Z, Zhao C H. A fine-grained adversarial network method for cross-domain industrial fault diagnosis. IEEE Transactions on Automation Science and Engineering, 2020, 17(3): 1432?1442 doi:  10.1109/TASE.2019.2957232
                      [145] Chiang L H, Kotanchek M E, Kordon A K. Fault diagnosis based on Fisher discriminant analysis and support vector machines. Computers & Chemical Engineering, 2004, 28(8): 1389?1401
                      [146] Chai Z, Zhao C H. Enhanced random forest with concurrent analysis of static and dynamic nodes for industrial fault classification. IEEE Transactions on Industrial Informatics, 2020, 16(1): 54?66 doi:  10.1109/TII.2019.2915559
                      [147] Yu W K, Zhao C H. Online fault diagnosis for industrial processes with Bayesian network-based probabilistic ensemble learning strategy. IEEE Transactions on Automation Science and Engineering, 2019, 16(4): 1922?1932 doi:  10.1109/TASE.2019.2915286
                      [148] Westerhuis J A, Gurden S P, Smilde A K. Generalized contribution plots in multivariate statistical process monitoring. Chemometrics and Intelligent Laboratory Systems, 2000, 51(1): 95?114 doi:  10.1016/S0169-7439(00)00062-9
                      [149] Alcala C F, Qin S J. Reconstruction-based contribution for process monitoring with kernel principal component analysis. Industrial & Engineering Chemistry Research, 2010, 49(71): 7849?7857
                      [150] Dunia R, Qin S J. Subspace approach to multidimensional fault identification and reconstruction. AIChE Journal, 1998, 44(8): 1813?1831 doi:  10.1002/aic.690440812
                      [151] Zhao C H, Sun Y X. Subspace decomposition approach of fault deviations and its application to fault reconstruction. Control Engineering Practice, 2013, 21(10): 1396?1409 doi:  10.1016/j.conengprac.2013.06.008
                      [152] Zhao C H, Gao F R. Online fault prognosis with relative deviation analysis and vector autoregressive modeling. Chemical Engineering Science, 2015, 138: 531?543 doi:  10.1016/j.ces.2015.08.037
                      [153] Zhao C H, Gao F R. Subspace decomposition-based reconstruction modeling for fault diagnosis in multiphase batch processes. Industrial & Engineering Chemistry Research, 2013, 52(41): 14613?14626
                      [154] Zhao C H, Zhang W D. Reconstruction based fault diagnosis using concurrent phase partition and analysis of relative changes for multiphase batch processes with limited fault batches. Chemometrics and Intelligent Laboratory Systems, 2014, 130: 135?150 doi:  10.1016/j.chemolab.2013.10.014
                      [155] Sun H, Zhang S M, Zhao C H, Gao F R. A sparse reconstruction strategy for online fault diagnosis in nonstationary processes with no a priori fault information. Industrial & Engineering Chemistry Research, 2017, 56(24): 6993?7008
                      [156] Wu J, Zhao J S. Deep convolutional neural network model based chemical process fault diagnosis. Computers & Chemical Engineering, 2018, 115: 185?197
                      [157] Peng K X, Zhang K, You B, Dong J, Wang Z D. A quality-based nonlinear fault diagnosis framework focusing on industrial multimode batch processes. IEEE Transactions on Industrial Electronics, 2016, 63(4): 2615?2624
                      [158] Zhao X Q, Wang T. Tensor dynamic neighborhood preserving embedding algorithm for fault diagnosis of batch process. Chemometrics and Intelligent Laboratory Systems, 2017, 162: 94?103 doi:  10.1016/j.chemolab.2017.01.007
                      [159] Yang C M, Hou J. Fed-batch fermentation penicillin process fault diagnosis and detection based on support vector machine. Neurocomputing, 2016, 190: 117?123 doi:  10.1016/j.neucom.2016.01.027
                      [160] Cerrada M, Zurita G, Cabrera D, Sánchez R V, Artés M, Li C. Fault diagnosis in spur gears based on genetic algorithm and random forest. Mechanical Systems and Signal Processing, 2016, 70-71: 87?103 doi:  10.1016/j.ymssp.2015.08.030
                      [161] Zou X Y, Wang F L, Chang Y Q. Assessment of operating performance using cross-domain feature transfer learning. Control Engineering Practice, 2019, 89: 143?153 doi:  10.1016/j.conengprac.2019.05.007
                      [162] 周東華, 劉洋, 何瀟. 閉環系統故障診斷技術綜述. 自動化學報, 2013, 39(11): 1933?1943 doi:  10.3724/SP.J.1004.2013.01933

                      Zhou Dong-Hua, Liu Yang, He Xiao. Review on fault diagnosis techniques for closed-loop systems. Acta Automatica Sinica, 2013, 39(11): 1933?1943 doi:  10.3724/SP.J.1004.2013.01933
                      [163] Zou X Y, Zhao C H. Meticulous assessment of operating performance for processes with a hybrid of stationary and nonstationary variables. Industrial & Engineering Chemistry Research, 2019, 58(3): 1341?1351
                      [164] Zhao C H, Gao F R. Fault subspace selection approach combined with analysis of relative changes for reconstruction modeling and multifault diagnosis. IEEE Transactions on Control Systems Technology, 2016, 24(3): 928?939 doi:  10.1109/TCST.2015.2464331
                      [165] Qin Y, Zhao C H, Gao F R. An intelligent non-optimality self-recovery method based on reinforcement learning with small data in big data era. Chemometrics and Intelligent Laboratory Systems, 2018, 176: 89?100 doi:  10.1016/j.chemolab.2018.03.010
                      [166] Sutton R S, Barto A G. Reinforcement Learning: An Introduction (Second edition). Cambridge: MIT Press, 2018.
                      [167] Lewis F L, Vrabie D. Reinforcement learning and adaptive dynamic programming for feedback control. IEEE Circuits and Systems Magazine, 2009, 9(3): 32?50 doi:  10.1109/MCAS.2009.933854
                      [168] Wu H, Zhao J S. Deep convolutional neural network model based chemical process fault diagnosis. Computers & Chemical Engineering, 2018, 115: 185?197
                      [169] Wang H, Yuan Z L, Chen Y B, Shen B Y, Wu A X. An industrial missing values processing method based on generating model. Computer Networks, 2019, 158: 61?68 doi:  10.1016/j.comnet.2019.02.007
                      [170] Yuan X F, Li L, Wang Y L. Nonlinear dynamic soft sensor modeling with supervised long short-term memory network. IEEE Transactions on Industrial Informatics, 2020, 16(5): 3168?3176 doi:  10.1109/TII.2019.2902129
                    • [1] 葉凌箭. 間歇過程的批內自優化控制[J]. 自動化學報, 2020, 45(): 1-11. doi: 10.16383/j.aas.c190855
                      [2] 丁進良, 楊翠娥, 陳遠東, 柴天佑. 復雜工業過程智能優化決策系統的現狀與展望[J]. 自動化學報, 2018, 44(11): 1931-1943. doi: 10.16383/j.aas.2018.c180550
                      [3] 彭開香, 馬亮, 張凱. 復雜工業過程質量相關的故障檢測與診斷技術綜述[J]. 自動化學報, 2017, 43(3): 349-365. doi: 10.16383/j.aas.2017.c160427
                      [4] 黃德先, 江永亨, 金以慧. 煉油工業過程控制的研究現狀、問題與展望[J]. 自動化學報, 2017, 43(6): 902-916. doi: 10.16383/j.aas.2017.c170157
                      [5] 池榮虎, 侯忠生, 黃彪. 間歇過程最優迭代學習控制的發展:從基于模型到數據驅動[J]. 自動化學報, 2017, 43(6): 917-932. doi: 10.16383/j.aas.2017.c170086
                      [6] 王靜, 胡益, 侍洪波. 基于GMM的間歇過程故障檢測[J]. 自動化學報, 2015, 41(5): 899-905. doi: 10.16383/j.aas.2015.c130680
                      [7] 劉朝華, 李小花, 張紅強, 周少武. 基于并行動態學習型免疫算法的永磁同步電機狀態監測[J]. 自動化學報, 2015, 41(7): 1283-1294. doi: 10.16383/j.aas.2015.c140678
                      [8] 彭開香, 張凱, 李鋼. 基于貢獻率法的非線性工業過程在線故障診斷[J]. 自動化學報, 2014, 40(3): 423-430. doi: 10.3724/SP.J.1004.2014.00423
                      [9] 周東華, 史建濤, 何瀟. 動態系統間歇故障診斷技術綜述[J]. 自動化學報, 2014, 40(2): 161-171. doi: 10.3724/SP.J.1004.2014.00161
                      [10] 樊繼聰, 王友清, 秦泗釗. 聯合指標獨立成分分析在多變量過程故障診斷中的應用[J]. 自動化學報, 2013, 39(5): 494-501. doi: 10.3724/SP.J.1004.2013.00494
                      [11] 徐昕, 沈棟, 高巖青, 王凱. 基于馬氏決策過程模型的動態系統學習控制:研究前沿與展望[J]. 自動化學報, 2012, 38(5): 673-687. doi: 10.3724/SP.J.1004.2012.00673
                      [12] 張穎偉, 周宏, 秦泗釗. 基于多塊核主元分析的復雜過程的分散故障診斷[J]. 自動化學報, 2010, 36(4): 593-597. doi: 10.3724/SP.J.1004.2010.00593
                      [13] 常玉清, 王姝, 譚帥, 王福利, 楊潔. 基于多時段MPCA模型的間歇過程監測方法研究[J]. 自動化學報, 2010, 36(9): 1312-1320. doi: 10.3724/SP.J.1004.2010.01312
                      [14] 王宏, 柴天佑, 丁進良, 布朗·馬丁. 數據驅動的故障診斷與容錯控制:進展與可能的新方向[J]. 自動化學報, 2009, 35(6): 739-747. doi: 10.3724/SP.J.1004.2009.00739
                      [15] 文成林, 胡靜, 王天真, 陳志國. 相對主元分析及其在數據壓縮和故障診斷中的應用研究[J]. 自動化學報, 2008, 34(9): 1129-1140. doi: 10.3724/SP.J.1004.2008.01128
                      [16] 陸寧云, 王福利, 高福榮, 王姝. 間歇過程的統計建模與在線監測[J]. 自動化學報, 2006, 32(3): 400-410.
                      [17] 蕭德云, 莫以為. 基于混合系統狀態估計的故障診斷[J]. 自動化學報, 2004, 30(6): 980-985.
                      [18] 馬智明, 陽憲惠. 采用主元分析的過程故障診斷方法[J]. 自動化學報, 2000, 26(增刊B): 125-129.
                      [19] 馮冬青, 陳鐵軍, 姚志紅. 熱工過程在線監測和故障診斷專家系統[J]. 自動化學報, 2000, 26(增刊B): 116-119.
                      [20] 周志華, 陳兆乾, 駱斌, 陳世福. 基于混合學習算法IHMCAP的故障診斷模型[J]. 自動化學報, 2000, 26(4): 529-532.
                    • 加載中
                    圖(6) / 表(2)
                    計量
                    • 文章訪問數:  4432
                    • HTML全文瀏覽量:  7854
                    • PDF下載量:  176
                    • 被引次數: 0
                    出版歷程
                    • 收稿日期:  2019-08-25
                    • 錄用日期:  2019-12-02
                    • 網絡出版日期:  2019-12-31
                    • 刊出日期:  2020-10-29

                    非平穩間歇過程數據解析與狀態監控回顧與展望

                    doi: 10.16383/j.aas.c190586
                      基金項目:  NSFC-浙江省兩化融合基金(U1709211), 浙江省重點研發計劃項目(2019C03100), 浙江省重點研發計劃項目(2019C01048)資助
                      作者簡介:

                      浙江大學控制科學與工程學院教授. 2003年獲得中國東北大學自動化專業學士學位, 2009年獲得中國東北大學控制理論與控制工程專業博士學位, 先后在中國香港科技大學、美國加州大學圣塔芭芭拉分校做博士后研究工作. 主要研究方向為機器學習, 工業大數據解析與應用, 包括化工、能源以及醫療領域. 本文通信作者. E-mail: chhzhao@zju.edu.cn

                      浙江大學控制科學與工程學院博士研究生. 2016年獲得北京航空航天大學宇航學院碩士學位, 2013年獲得東北大學數學系學士學位. 主要研究方向為故障診斷, 過程監測. E-mail: yuwanke@zju.edu.cn

                      中國香港科技大學化學與生物分子工程學系講座教授. 1985 年獲得中國石油大學自動化專業學士學位, 1989 年和1993 年在加拿大麥吉爾大學獲得碩士和博士學位. 主要研究方向為過程檢測與故障診斷, 批次過程控制, 高分子材料加工及優化. E-mail: kefgao@ust.hk

                    摘要: 間歇過程作為制造業的重要生產方式之一, 其高效運行是智能制造的優先主題. 為了保障生產過程的高效運行, 面向間歇生產的過程數據解析與狀態監控算法在最近三十年間得到大家的廣泛關注, 發展速度穩步提升. 但由于間歇過程本身的多重時變大范圍非平穩運行復雜特性, 以及對狀態監控與故障診斷要求的提高, 現有的理論和方法仍面臨著挑戰. 本文從分析間歇過程的特性出發, 從數據解析的角度, 總結了近三十年來非平穩間歇過程高性能監控研究的發展. 一方面對間歇過程監控領域幾種經典的方法體系進行了總結和梳理, 另一方面揭示了尚存在的問題以及未來可能的研究思路和發展脈絡.

                    English Abstract

                    趙春暉, 余萬科, 高福榮. 非平穩間歇過程數據解析與狀態監控 —回顧與展望. 自動化學報, 2020, 46(10): 2072?2091. doi: 10.16383/j.aas.c190586
                    引用本文: 趙春暉, 余萬科, 高福榮. 非平穩間歇過程數據解析與狀態監控回顧與展望. 自動化學報, 2020, 46(10): 2072?2091. doi: 10.16383/j.aas.c190586
                    Zhao Chun-Hui, Yu Wan-Ke, Gao Fu-Rong. Data analytics and condition monitoring methods for nonstationary batch processes — current status and future. Acta Automatica Sinica, 2020, 46(10): 2072?2091. doi: 10.16383/j.aas.c190586
                    Citation: Zhao Chun-Hui, Yu Wan-Ke, Gao Fu-Rong. Data analytics and condition monitoring methods for nonstationary batch processes — current status and future. Acta Automatica Sinica, 2020, 46(10): 2072?2091. doi: 10.16383/j.aas.c190586
                    • 制造業是國民經濟的主體, 是立國之本, 興國之器, 強國之基. 為了提升中國的綜合國力和影響力, 有必要大力提升我國制造業在世界上的競爭能力. 然而, 與世界先進水平相比, 中國制造業仍然大而不強, 在資源利用效率、信息化利用水平、產品質量能效等方面具有顯著的差距, 迫切需要進行轉型升級, 從而實現制造業的跨越式發展. 2014年中國政府工作報告指出: “我們追求的發展, 是提高質量效益, 推進轉型升級 ··· 從國際產業分工中低端向中高端提升. ”間歇過程與連續過程作為現代制造業中的兩種重要生產方式[1], 一直以來相輔相成. 自20世紀90年代以來, 工業生產向柔性生產方式轉移, 要求其對外部環境變化和內部變化具有快速適應能力, 產品從單一化向多品種轉化, 并且具備高附加值, 因此間歇過程操作在工業生產中的地位日趨重要, 涉及關系國計民生的不同行業領域, 包括鋼鐵、冶金、化工、制藥等. 目前學術界公認的間歇過程的定義[1]是指輸入的原材料在有限的時間周期內, 遵循預定的不同工序, 被加工生產轉化成一個或一批期望的產品, 并通過過程重復獲得更多同種產品的生產制造過程. 現代社會中, 市場需求瞬息萬變, 對柔性生產方式提出了更迫切的需求, 間歇過程越來越發揮其主導作用.

                      促使粗放型制造到智能制造轉變的關鍵是間歇生產系統的高效運行. 這也是事關制造業未來可持續發展的關鍵. 高效, 即在更短的時間內消耗更少的資源生產更多優質的產品. 歐美多位院士, 包括加拿大工程院院士 MacGregor J F[2], 美國工程院院士 Biegler L T[3], Grossmann I E[4], 英國皇家科學院院士 Morris J[5], 美國工程院院士 Edgar T F[6]先后撰文, 指出應對生產的多樣性, 間歇過程是重要的發展方向, 呼吁開展系統性研究, 提高間歇過程的運行性能. 在追求個性、多變的現代社會, 市場競爭日趨激烈, 小批量、多品種、均質化的發展趨勢愈發明顯, 對間歇過程的高效運行提出了更迫切的需求.

                      間歇過程的高性能監控技術是指能靈敏感知生產過程的實際運行狀態, 解析系統的整體或局部是否正常運行; 對影響產品質量的生產因素進行分析與追溯, 及早發現影響產品的異常生產狀況; 針對不同的異常和擾動, 給出合適的處理對策. 這對于維護生產過程安全可靠運行, 保障產品高質量需求具有重要的作用. 這其中具體可分為狀態監測與故障診斷兩方面. 狀態監測[7]是指感知、分析和評估生產過程運行狀態, 包括基于收集到的各種數據進行解析, 了解系統的歷史情況和運行現狀, 并充分考慮外界因素包括環境、負荷等的影響, 判斷其是否處于正常以及評估所處運行水平. 而故障診斷[7]則是針對檢測到的異常狀態進一步解析, 了解內在原因和影響因素, 并借助對歷史故障及維修記錄等的挖掘和了解, 一方面對已經發生的故障進行分析和判斷, 另一方面提前對設備可能要發生的故障進行預報. 間歇過程的高性能監控能夠有效應對產品生產的頻繁切換, 及時發現生產異常, 診斷故障原因, 克服故障對質量影響. 因此, 實施間歇生產高性能監控是實現制造業生產過程高效運行的核心手段. 在Web of Science核心數據庫中, 按照主題詞batch process monitoring檢索結果, 關于間歇過程監控的SCI科研文章數量呈現逐年上升趨勢, 間歇過程監控的研究正在引起科研工作者的重視, 業已成為人們關注的焦點.

                      但是, 間歇過程監控的研究起步較晚, 前人往往將間歇過程和連續過程二者混為一談, 最典型的做法是直接借用連續過程現成的方法應用到間歇過程, 沒有真正解析間歇過程的固有特性. 但是, 連續過程生產同種產品通常運行在穩定工作狀態下. 而間歇過程的生產方式具有其特殊性, 與連續過程相比區別明顯, 其中的顯著不同在于間歇生產的產品和工藝操作條件改變頻繁. 間歇生產始終處于操作條件切換和非平穩運行中, 具體到同一批次運行周期內亦無穩態工作點, 并在同一裝置上頻繁切換生產不同產品; 產品切換后, 生產條件改變, 導致其過程特性也發生變化. 綜上所述, 間歇過程顯然是非平穩的, 即它的統計特性(包括均值和方差)會隨著時間推移而發生變化[8-10]. 因此, 它所生產的產品質量更容易被諸多不確定性因素影響, 包括設備狀況、原材料、外界環境等. 近年來, 為滿足更多樣化的產品需求與消費升級對產品質量更高的要求, 間歇過程需要更頻繁地切換工藝操作條件, 更靈敏檢測和精確診斷影響產品質量的微小波動. 已有監控方法缺少對間歇過程大范圍非平穩特性的分析, 沒有充分認識和理解間歇過程自身的特性和特殊問題, 導致對微小故障的漏報, 正常狀態切換的誤報以及故障根因的誤診等問題愈發明顯. 迫切需要能夠有效表征非平穩特性變化規律, 精細監測狀態變化以及精確解析故障特征的高性能監控方法.

                      目前, 從過程歷史數據中提取信息并據此進行建模監測的數據解析方法[11-14]已成為過程監控研究的一個熱點. 與專家經驗等定性知識相比, 數據解析方法可以理解為一種特殊的基于知識的方法, 其主要的不同在于這些知識是從大量的工業數據中提取得到的, 而無需系統的精確模型和先驗知識. 隨著工業互聯網和物聯網技術的迅猛發展, 工業智能化水平顯著提高, 人們可以便利快捷地觀測、采集和存儲大量過程數據, 包括高頻和低頻的傳感器測量信號, 工藝數據和產品質量等結構化和非結構化數據, 為深入的解析和過程理解提供了豐富的數據支持. 此外, 數據解析方法的發展也為過程監控研究提供了理論指導, 涵蓋了統計分析、機器學習、深度學習等技術. 概括來說, 數據解析方法通過分析挖掘收集的工業數據, 提取數據內部隱含的信息, 從而揭示工業過程的運行狀態和追溯故障原因[7]. 近年來, 數據解析方法不斷發展完善, 基于數據解析的間歇過程監測與故障診斷技術日益成為人們的研究熱點, 其理論和方法體系正在不斷向深層次發展.

                      本文從分析間歇過程的本質特性出發, 揭示了其大范圍非平穩運行特性, 在此基礎上總結了間歇過程區別于連續過程的“多重時變”特性, 指出了研究間歇過程監控算法的必要性. 進而, 基于這些特性, 我們對數據驅動的間歇過程監控算法近30 年的發展進行回顧和分析. 從算法層面來講, 我們把間歇過程控制算法的發展分為三個階段: 連續監控算法階段、多向展開算法階段和多時段分析算法階段; 從功能的層面來講, 分為特征提取層、狀態監測層與故障診斷層; 在此基礎上, 梳理了目前存在的問題, 并進一步介紹了間歇過程高性能監控未來可能的發展方向.

                      • 間歇生產的過程特性非常復雜, 與另外一種典型的制造業生產方式—連續生產相比, 具有特殊的大范圍非平穩運行特點, 可以用“多重時變”[15] 來概括, 如圖1所示, 即“多樣產品”、“重復運行”、“時段切換”和“變換指標”.

                        圖  1  “多重時變”本質特性示意圖

                        Figure 1.  The characteristics of the batch process

                        1) 多樣產品: 間歇過程在同一裝置上頻繁切換生產不同產品; 產品切換后, 生產操作條件改變, 潛在過程特性也隨之發生相應變化.

                        2) 重復運行: 間歇生產重復執行相同的操作來獲得更多同種產品, 即一個生產周期結束, 操作切換重新開始生產; 但是, 不同生產周期并非嚴格重復, 亦會呈現批次間的非平穩波動特性.

                        3) 時段切換: 在同一批次生產周期內多操作工序切換是間歇過程固有的一個本質特征. 以注塑成型過程為例[16], 一個批次周期可以劃分為三個主要的操作階段, 包括注射、保壓和冷卻; 發酵過程按細菌的生長周期也可分為多個操作階段, 涵蓋停滯期、指數生長期、靜止期等.

                        4) 變換指標: 為了保證產品的高質量要求, 針對不同產品, 多個操作階段都可能具有不同控制目標和采用不同的控制方案, 其中主導操作變量不同, 物理操作亦不同, 導致運行軌跡呈現不同的潛在動態特性.

                        “多重時變”特性是多數間歇過程所具有的共性, 也是間歇過程的典型特點. 間歇過程的運行軌跡在時間、批次、產品三軸上發生三重變化, 在不同的工序操作、批次周期、產品生產中呈現出不同的過程特性. 相對于連續過程的狀態監測, 間歇過程受操作條件頻繁切換影響, 狀態變化在時間、批次、產品三維上復雜耦合, 具有其獨特的難點問題. 由于間歇生產時段切換與產品切換的雙重影響以及受設備老化, 未知擾動等影響所導致的批次波動, 多維擾動造成間歇過程對理想狀態不同程度上的偏離, 產生許多典型問題, 包括批次間慢漂移, 批次不同步(即不等長), 批次數不足, 多工況, 非線性嚴重, 非平穩特性顯著等, 異常變化極易被這些正常狀態偏離所掩蓋. 如何在頻繁操作條件切換下大范圍對非平穩特性進行精確表征, 以及如何在大范圍非平穩運行中區分正常狀態切換與異常, 并針對異常工況進行精確的故障診斷是其中的難點問題.

                      • 間歇過程測量數據與連續過程數據不同, 具有典型的三維結構特征. 間歇過程具有$ J $個測量變量, 針對每個變量在單個運行周期內都能采集$ K $個測量數據, 一次間歇操作則可以組成一個二維矩陣${{X}}(K\times J)$. 其中行向量是某個采樣點上的所有過程變量, 列向量則是每個變量沿時間軸的運行軌跡. 間歇操作往復運行$ I $次, 可以獲得$ I $個二維矩陣${{X}}_i(K\times J)\ (i = 1,2,\cdots,I).$由此構成了間歇過程典型的三維數組$\underline{{{X}}}(I\times J\times K),$圖2所示. 三個維度分別代表間歇過程的操作周期$(i = 1,2,\cdots,I),$過程變量$(j = 1,2,\cdots,J)$以及測量時間$(k = 1, 2,\cdots,$$K).$而間歇過程的產品質量往往離線測定, 每個批次對應其$ J_y $個產品質量指標, 形成一個行向量${{\pmb y}} = [y_1,y_2,\cdots,y_{Jy}],$$ I $次批次則可構成一個二維的質量矩陣$Y(I\times J_y).$由此, 三維的過程變量數組$\underline{{{X}}}(I\times J\times K)$和二維的質量變量矩陣${{Y}}(I\times J_y)$構成了間歇過程的數據分析單元.

                        圖  2  間歇過程的三維數據表示[16]

                        Figure 2.  Batch process data in three dimensions[16]

                        除了數據分析單元具有典型的三維結構形式外, 受間歇生產本身反應的復雜性影響, 具有錯綜復雜的變量耦合關系. 以注塑成型為例[1], 從影響注塑制品質量的角度, 所有測量變量可以分為4類, 包括設備級、原材料級和過程變量級三種不同類別的變量以及外部和內部擾動. 過程變量能夠揭示注塑成型過程中的實際運行狀態, 注塑成型的典型過程變量有型腔中的熔體溫度、壓力分布、熔體注入量、模腔壓力等. 此外, 生產過程亦受機器參數和材料參數等的影響. 這些不同級別, 不同性質的變量之間相互復雜耦合, 共同決定了最終制品的質量. 如何從數據中有效發掘出其中蘊含的統計特性與規律, 利用好這一座數據信息“金礦”, 發揮其重要價值, 成為間歇過程高性能監控的關鍵所在.

                      • 本節將概述面向間歇過程的數據驅動監控理論與方法發展的基本歷程. 首先介紹傳統的連續過程監控方法; 在此基礎上, 基于批次展開的預處理方式, 從特性表征、 狀態監測與故障診斷三個層面, 介紹間歇過程監控技術, 簡略介紹以多向主元分析等為代表的面向間歇過程的監測理論方法以及所涉及的若干問題; 進而針對間歇生產的多時段運行特性進行了深入解析, 介紹了現有的多時段劃分建模方法以及過程監測與故障診斷前人研究工作.

                      • 隨著傳感器技術的進步, 電子和計算機應用技術的發展, 幾乎所有的工業對象都配備了不同類別的傳感測量裝置, 包括光電、熱敏、氣敏、力敏、磁敏、聲敏、濕敏等. 完備甚至冗余的工業傳感器為我們提供了大量的數據, 其中蘊含了豐富信息有待挖掘, 從而能夠指示生產過程的運行狀態以及最終產品質量. 休哈特(Shewhart)控制圖[17]方法首先應運而生, 并在此基礎上提出和發展了累積和控制圖(CUSUM)[18-19]以及指數加權滑動平均控制圖(EWMA)[20]等新的控制圖方法. 針對基于數據的統計分析和監測方法[17-21], 科研人員都在持續進行思考和實踐. 但是, 由于當時缺乏相應的高效數據解析方法, 也沒有考慮間歇過程的非平穩特性, 這些方法在工業過程尤其是間歇工業過程中并沒有得到有效的實施. 自20世紀80 年代末以來, 多變量統計分析方法得到了重視和長足發展, 包括主元分析法(Principal component analysis, PCA)[22-23]、 偏最小二乘法(Partial least squares, PLS)[24-27]、獨立成分分析(Independent component analysis, ICA)[28-31]等、為基于數據的過程監測與故障診斷奠定了基礎, 并促進了其飛速發展. 多變量統計分析方法不需要獲取過程的機理知識, 而只需要利用歷史數據建立模型, 因此這類方法受到科研工作者的青睞和關注. 它們能夠有效地提取數據中的關鍵信息, 剔除冗余量, 并能顯著降低數據維度, 從而可以直接在二維的統計監視圖中顯示過程運行狀態. 隨著方法在多個連續生產過程中的成功應用, 相應的算法亦層出不窮, 從而極大地促進了基于多變量統計分析的過程監測、故障診斷、控制器設計、質量控制等. 20世紀90年代中期以前, 研究人員通常簡單地將間歇過程當做有限時長的特殊的連續過程, 借用在連續過程中應用廣泛的多變量統計建模方法, 而專門針對間歇過程監控的研究并未形成獨立的理論體系. 由于間歇過程和連續過程特性的本質區別, 尤其是間歇過程的大范圍非平穩特點, 直接借用連續過程的監控方法, 在間歇過程中很難取得令人滿意的效果.

                        針對間歇過程的三維數據特點, 可以建立三線性分解模型直接針對其三維數據結構進行研究[32-38]. 采用三線性分解模型對數據進行存儲和分析, 能夠保留數據的結構信息. 譬如并行因子分析(PARAFAC)、Tucker-3模型以及N-PLS等. 但是這些模型計算起來非常復雜低效, 很難應用于實際工業過程. 另一種是將三維數組展開成二維數據后再進行數據解析[39-43]. 如圖3所示, 總結起來, 有6種不同的二維矩陣展開方式[16], 主要體現在數據內部排列方式的不同. 而在這6種展開方式中, A和F, B和C, D和E這三組分別具有相同的維數特征. 其中, D方式得到的二維數據矩陣為${{X}}(I\times KJ)$, 稱之為批次展開方式, 它保留了批次維度, 而融合了時間和變量兩個維度上的數據, 其行向量涵蓋了每一次批次生產周期內的所有變量和時間上的數據. 而A方式得到的二維數據矩陣為${{X}}(KI\times J)$, 稱之為變量展開方式, 其保留了過程變量維度不變, 而融合了間歇操作批次和采樣時間兩個維度上的數據, 其列向量涵蓋了每一個變量在所有批次的所有采樣時刻上的取值. 對于學術界進行理論研究和工業界的工程實踐來說, 只有兩種展開形式比較有意義, 即A變量展開方式和D批次展開方式. Nomikos等[39-41]于20世紀90年代提出了多向主元分析法(Multiway principal components analysis, MPCA)和多向偏最小二乘法(Multiway partial least squares, MPLS), 將分析的視角從不平穩的時間軸轉變到平穩的批次角度, 著眼不同批次間的波動來定義正常變化, 從而創新性地將多元統計分析方法成功拓展應用于間歇過程中. 他們所提出的MPCA模型實際上采用了D批次展開方式. 他們的研究為后續基于多向統計分析進行間歇過程監控的研究拉開了序幕. 國際上不同的學術機構和團隊, 包括瑞典Umea大學Wold教授[42-44]、美國Maryland大學McAvoy教授[45-46]、 Illinois工業學院的üinar教授[47-49]、California大學的Seborg教授[50-51]、加拿大McMaster大學的MacGregor教授[37-39, 52]以及英國Newcastle大學的Martin和Morris教授[53-56]等, 大家各自提出了自己的理論方法體系, 包括不同的研究思路和手段, 對間歇過程監控的研究起到了促進作用. 和PCA/PLS等多元統計分析方法一樣, 用于間歇生產的MPCA/MPLS等多向分析方法針對的是正常操作工況下的過程變量, 分析并定義其在批次方向上的正常波動, 并建立相應的模型和監測控制限表征其正常波動特性和范圍. 因此, 多向分析模型解析的是正常工況下, 過程變量之間的潛在相關關系在各個不同批次間的變化規律和波動特征. 當受異常擾動影響, 過程變量相關關系隨之改變, 從而偏離正常工況下的規律和特征; 調用事先建立的多向分析模型, 計算相應的多元統計量, 包括Hotelling-T2和SPE控制圖[39], 并與其事先定義的監測控制限進行對比, 可以檢測到這些異常工況的發生.

                        圖  3  將三維數據展開成二維數據的6種方式

                        Figure 3.  Unfold the three dimensions data into two dimensions using six different manners

                        很顯然, MPCA/MPLS的建模思想和方法比較簡單, 其在三維數據展開的基礎上, 將每次批次生產周期內的所有變量和測點當作一個樣本進行分析, 但卻導致在線應用時未知測量數據預估成為必然[1], 而數據預估的精度也會影響在線監測的性能. 前人已經注意到其在線應用的局限和問題, 也從不同角度各自闡述了不同的解決思路和方法. 其中的一部分工作主要是針對數據預估方法做改進, 以期提高估計精度. 但是估計的數據和真實的數據實際總會有不同程度的差異, 導致對后續過程監測精度產生影響. 另外一種研究思路是改進間歇過程建模方法, 避免在線監測對數據的實時預估要求. Louwerse等[37]主觀選取了多個時間點從而將間歇過程區分了不同時間區域, 建立了多個局部MPCA模型. ündey等[47]則通過分析生產過程的實際演化進程, 分割不同進化度從而建立多個局部MPLS預測模型. 相較于Louwerse的方法提高了時間分割的合理性. 但是, 上述方法本質上都是借助D展開方式, 通過時間點分割將整個操作周期化整為零從而降低了數據預估的計算量, 實際上在線監測時仍舊需要在每個局部模型所涵蓋的時間區域內進行數據預估. 另外一部分研究學者基于A展開方式進行分析. 1998年, Wold等[42]建立了一個統一的變量展開PCA模型用于間歇過程監測; ündey等[49]將過程進化率作為響應變量, 將過程變量作為自變量, 建立了二者之間的回歸關系, 在線應用時能夠利用實時獲取的每一個過程變量不斷動態預測和更新當前批次生產的進度. 雖然基于變量展開的處理方式從形式上看解決了數據預估的問題, 但是其將運行批次上的正態波動和時間維度上的大范圍非平穩波動融合到一起, 無法有效提取明確的統計分布規律定義其控制限. 對此, 一些研究工作[57-61]做了適當融合, 首先基于批次展開方式做數據預處理, 凸顯每個時間點上批次維度上的波動信息, 然后將其按照變量展開方式進行分析, 這樣可以凸顯批次維度上的波動隨時間的變化規律. 此外, 如果基于結合方式拓展進行回歸建模, 為了保證自變量與因變量行維度的統一, 則需要對質量指標${{Y}}(I\times J_y)$做相應的復制. 上述分析方法從不同的角度和思路對傳統多向建模方法的局限性做了研究, 拓展了間歇過程監控方法.

                        雖然間歇過程監控已經取得了一定的成績, 但是, 考慮到間歇生產的復雜性和產品的多樣性, 如何實現其高性能監控仍有許多難題和挑戰, 需要從不同層面進行深入研究, 這也為我們帶來無限的發展機遇.

                      • 針對間歇過程的監控理論方法, 從分析邏輯的角度, 將從特性表征、狀態監測與故障診斷三個層面進行闡述. 其中特性表征是基礎, 狀態監測是保障, 故障診斷是手段.

                      • 對于間歇過程分析, 主要難點在于頻繁操作條件切換下大范圍非平穩特性的表征問題, 這是高性能監控的重要基礎. 前面我們提到過, 與連續生產制造過程相比, 間歇生產的過程特性更為復雜, 具有典型的大范圍非平穩運行特點. 隨著操作工序的切換, 多時段性是間歇過程的一個顯著特點, 間歇過程特性在不同的時段中顯著不同. 基于MPCA/MPLS的多向分析方法沒有考慮多時段特性, 基于展開的二維數據矩陣簡單的套用連續過程的分析思路, 很難反映時間上的變化規律以及凸顯局部過程特性. 因此它們對局部時間段內發生的擾動通常不能靈敏檢測, 尤其對于幅值較小的故障不能及時識別出來, 也無助于提高人們對過程的認識和理解.

                        在特性表征層, 針對間歇過程大范圍非平穩變化特性無法深入刻畫, 頻繁狀態切換問題缺少準確表征的問題, Lu等[62-64]和Zhao等[65-71]提出了非平穩特性變化規律解析與多時段表征的理論方法. 總結起來, 他們對多時段間歇過程具有如下認知[16]: 1)過程變化的規律: 間歇操作過程潛在特性并不是隨著操作時間時刻變化, 而是跟隨過程操作進程或過程機理特性的變化發生規律性的改變, 呈現出分時段性; 2)數據驅動的機制: 雖然很難直接獲取過程運行的基本原理, 但是卻可以非常容易地從過程數據中獲取過程的統計特征, 由過程統計特征的變化來推斷過程內部運行機制的變化; 3)時段劃分的規則: 根據過程變量間相關關系或是過程變量與質量變量間相關關系的變化將間歇操作周期劃分為若干子時段, 同一子時段內變量相關特性保持近似一致, 不同的子時段體現出顯著不同的相關特性. 為了和間歇過程所具有的物理操作“階段”區別開來, 這里的“時段”實際上指的是建模時段. 進一步, 在同一個物理操作階段中, 如果過程變量相關性發生變化, 又可以將其劃分為若干個建?!皶r段”. 除了不同的過程變量運行軌跡, 不同時段具有顯著不同的過程潛在特性. 多時段表征理論方法從根本上克服了經典多向建模方法的保守性, 可以有效反映間歇生產操作條件頻繁切換影響與非平穩變化特性, 增強了人們對間歇生產過程特性的理解; 有利于不同時段內關鍵信息的分析與提取, 顯著提高了模型的精度. 目前, 多時段劃分和表征方法已逐步成為間歇過程分析的有效方法[62-71]. 如何將一個操作周期合理地識別和劃分成不同的子時段, 為間歇過程大范圍非平穩運行條件下的高性能監控奠定了理論基礎.

                        已有很多專家學者做了廣泛和深入的研究, 提出了各種各樣的時段識別和劃分辦法. 概括起來, 可分為過程機理方法、特征分析方法和自動劃分方法三類[1], 如表1所示. 上述幾種時段識別方法各有各的適用場合與優缺點. 一般來說, 需要綜合考慮實際應用場景及各種方法的適用范圍選用適合的算法. 在某些情況下, 為了達到更好的應用效果, 可能需要將幾種手段方法做有效結合. 通過子時段劃分, 在同一個時段內對于相似的過程特性可以建立一個統一的子時段模型; 不同的時段建立不同的模型, 從而可以更精細地揭示過程特性的變化規律. 相較于傳統的多向建模方法, 子時段表征策略有其明顯的優勢, 也有利于促進人們對過程操作機理的理解和認識.

                        表 1  時段劃分方法總結對比

                        Table 1.  The comparison of different phase partition methods

                        時段劃分方法 劃分依據 優點 缺點
                        過程機理法[45, 48, 72] 利用實際間歇工業過程運行機理的變化來劃分過程運行時段, 要求一定的專家經驗和過程知識. 如果間歇生產過程相對簡單或者工程師對此比較熟悉, 則可以比較容易地獲取過程機理知識實現時段劃分. 工業生產過程往往機理復雜, 很難在短時間內獲取相關的知識和經驗, 從而極大地限制和約束了其順利實施施和推廣應用.
                        特征分析方法[7375] 時段的切換對應引起相應測量變量的變化. 對某些過程變量或從中提取的特征變量進行分析, 借助其沿時間軸上的變化判斷時段信息. 指示變量方法是其中一種典型代表. 當時段發生切換或者變化, 過程特性變化, 相應的某些過程變量或是特征變量亦發生顯著變化, 可用于指示不同時段. 算法較為簡單. 并不是每個工業過程中都存在并能找到這樣的“指示”變量.
                        k-means[6266] 通過相似度度量, 分析不同時間點上的潛在相關特性的相似與不同, 如果時間片具有相似特性則被歸到同一類中, 具有顯著差異則被分到不同類中. 該方法能夠自動劃分不同的多個時段, 不需借助任何過程機理和知識. 分類的結果決定于過程相關性在時間方向上的變化規律. 沒有考慮間歇過程時段運行的時序性, 因此劃分結果中會出現時間上不連續的具有相似過程相關性的時間片被分在同一個聚類中. 時段劃分結果可讀性有所欠缺, 需要針對劃分結果進行進一步的后續處理. 此外, 該劃分方法根據距離定義衡量過程相關特性的相似度, 聚類的結果受到相似性衡量指標的影響, 而該指標并不能與過程監測的目的直接相關.
                        MPPCA[7475] 一種優化策略, 通過對不同時間點進行不斷嘗試, 分析在該點的劃分所得到的局部模型是否能夠改善原有模型對數據的重構精度, 以此來確定該點的劃分是否合適. 無需過程先驗知識條件, 自動劃分的各個時段時間連續, 解釋性較強. 易陷入局部最優, 導致時段劃分結果不能更好的反映過程特性變化.
                        SSPP[7677] 自動地按照間歇生產過程運行時間順序捕捉潛在過程特性的發展變化, 通過評估時段劃分對監測統計量的影響確定合適的時段劃分點. 無需過程先驗知識條件, 深入考慮了間歇過程潛在特性的時變性和實際過程運行的時序性以及時段劃分結果對于之后監測性能的影響. 對過程時段特性變化的實時捕捉具有一定的時間延遲.
                      • 在時段概念提出后, 原有面向間歇過程監測的研究成果可以與時段表征手段結合起來, 建立一套完整的基于時段的過程監測與故障診斷理論方法體系. 從時段基本概念的萌芽, 到提出直至完善, 前后經歷了10多年的發展歷程. 1994年, Kosanovich等[72]分析了一個聚合物反應工業過程中兩個具有明顯不同特征的反應時段, 對其分別建立不同的MPCA模型進行過程監測, 當不同的監測模型指示異常, 可以具體定位到故障發生的階段. Dong等[45]則通過建立多個非線性MPCA模型描述一個絕緣密封放熱化學反應器, 側重分析過程的非線性問題. 他們的工作可以認為是對多時段監測的研究做了初步嘗試和探索. 此后, 英國的Martin等[78]研究團隊提出了“group”的概念, 這是與時段相似的一種表達, 并建立了相應的監測策略. Lennox等[74]在時段基礎上, 對如何更好地建立局部模型進行了進一步的分析和探索. 此外, 研究學者通過分析過程變量對于最終產品質量影響的變化, 提出了一種局部時間效應的理念, 分析并定義了影響質量的關鍵操作時段, 從而提高實時質量預測的精度. 譬如, Duchesne等[79]提出了一種路徑多塊PLS模型, 建立了不同時間段內過程變量與實時質量測量之間的相關關系. 但是由于質量變量的實時測量值很難獲得, 該方法很難實現實際應用. 不管是“group”抑或“塊”的理念, 都可認為是“時段”概念的另外一種表達. 但是他們都沒有明確地提出時段的概念. 2002年, ündey等[48]首次清晰地定義了操作時段的概念, 將發生在不同操作單元以及執行不同操作的步驟稱之為“操作時段”, 并指出, 針對不同操作時段進行過程監測和控制是非常重要的. 但是, 這里的定義更側重于物理操作時段, 而非從過程潛在特性層面的定義. 因此, 上述基于局部時段的監測工作基本上都是將各個局部時間段內的數據展開成二維數據矩陣作為分析單元, 直接套用了之前傳統的多向統計分析方法的模式, 并未從根本上得到突破. Lu等[62-64]和Zhao 等[66-71]首次從過程潛在特性層面, 定義了建模子時段的概念. 為了與前面的工作進行區別, 這里的時段更多側重建模時段, 即英文中的“phase”, 而非前面所說的物理操作時段, 即英文中的“stage”. 他們提出, 可由數據的統計特征反推過程特性的變化, 區分過程子時段, 建立基于時段自動劃分的子PCA/PLS間歇過程監測方法. 在其研究工作中, 他們認為在同一個子時段中潛在變量相關關系具有相似性, 可以用一個統一的二維模型有效地表征和解析其特性. 在線監測時, 對于新的過程測量數據, ${\pmb{x}}_{\rm{new}}(J\times 1)$, 首先調用該時刻的數據標準化信息進行數據預處理, 然后根據時間標簽指示當前數據隸屬于哪一個子時段, 從而判斷應該使用哪一個子時段監測模型評估當前數據并計算監測統計量, 如果計算的監測統計量均位于正常范圍內, 則當前數據指示正常狀態; 否則任何一種監測統計量超限則判定該數據指示異常. 這種子時段模型結構簡單, 而且對于每個時刻均可進行實時監測而無須數據預估. 這位后續基于時段的過程監控奠定了堅實的工作基礎. 進一步, 考慮到這種硬性的時段劃分方法雖然分析了不同時段過程特性的不同, 卻忽視了時段切換期間的過渡問題. 在Zhao等[16, 65]的工作中, 對時段過渡做了明確定義: 相較于各個子時段內部穩定的運行模式, 即穩定的過程波動和相關關系, 不同時段切換期間, 過程相關特性更多呈現出一種漸變的模式, 即從一種模式逐漸向另一種模式過渡, 并不是“一蹴而就”的[16], 在過渡過程中非平穩特性更顯著. 因此, 必須指出, 過渡模式和各個穩定子時段特性不同, 其監測手段也不應該一概而論. 對于多時段的過程監測, 需要綜合考慮穩定子時段與動態過渡的不同特性, 并需要特別關注由此導致的兩類典型監測問題, 即“誤報”和“漏報”. 一方面, 將動態的過渡模式硬性歸屬到各個穩定子時段中, 必然會導致無法精確地對子時段進行表征和建模, 引發“漏報”的可能; 另一方面, 在線監測時如果簡單利用子時段模型對時段過渡區域的樣本進行分析, 必然會導致更多的虛警率, 即提高誤報警的概率. Zhao等[65]首次揭示了時段過渡現象和規律, 并提出了一種軟時段監測方法用于區分各時段及時段間過渡的不同變化并進行在線過程監測, 進一步提升了模型精度和監測性能. 相較于傳統的多向監測方法, 子時段建模與基于時段的過程監測能夠精細解析過程潛在特性的數據變化規律, 反過來促進了人們對復雜工業過程機理的認知和了解, 從而極大推動了間歇過程高性能監控的研究與發展. 表2中總結概括了相較于傳統的多向分析方法, 基于時段的建模與監測研究的優勢, 不僅包括建模復雜度的降低, 更重要的是其有助于加強人們對過程的理解和認識.

                        表 2  多向分析方法與子時段分析方法對比

                        Table 2.  The comparison of multi-way methods and phase partition methods

                        方法 優點 缺點
                        多向分析法 分析方法相對簡單, 直接針對展開的二維數據矩陣進行分析, 可借用傳統的連續過程方法. 針對整個過程只需要建立一個模型. 無法有效分析過程特性時間上的變化規律.
                        子時段分析方法 1)可以更細致地揭示過程運行的潛在特征, 更好地體現過程運行的局部特征, 促進對復雜工業過程的了解;
                        2)在每個子時段可以很容易建立統計分析模型, 結構簡單, 模型實用;
                        3)基于子時段可以很容易建立過程監測模型并實現在線應用而無需預估未知數據;
                        4)可以提高在線故障檢測的精度和靈敏度, 并有利于后續準確的故障隔離和診斷;
                        5)可以深入分析質量指標和每個時段的具體關系, 找出影響質量的關鍵時段和預測變量等關鍵性因素, 有利于產品質量的進一步改進.
                        需要進行時段劃分, 分析過程特性在同一個操作周次內的變化.
                      • 傳統的間歇過程監測方法, 包括統計機器學習方法, 如高斯混合模型(GMM)、支持向量機(SVM)、慢特征分析方法、相對變化分析等[6, 80-85], 針對采集到的過程數據進行分析挖掘, 其中大部分為從工業現場采集到的傳感數據等, 從中提取能夠用于在線過程監測的模型. 一般來說, 這些學習方法所使用的樣本通常要求具有完備性與代表性. 同時, 傳統的多元統計分析方法往往是在一些基本假設的前提下對過程數據進行分析. 然而, 由于工業過程運行的復雜性, 理想化的假設條件, 包括高斯與靜態分布、線性關系、單一模態等, 往往是不切實際的. 相對于連續過程的狀態監測, 具有小批量生產特點的間歇過程受操作條件頻繁切換影響, 狀態變化在時間、批次、產品三維上復雜耦合. 由于間歇生產時段切換與產品切換的雙重影響以及受設備老化, 未知擾動等影響所導致的批次波動, 多維擾動造成間歇過程對理想狀態不同程度上的偏離, 產生許多典型問題, 包括批次間慢漂移, 批次運行不同步(即不等長), 批次數不足, 多工況, 非線性嚴重, 動態特性顯著等[1], 異常變化極易被這些正常狀態偏離所掩蓋. 如何在大范圍非平穩運行中區分正常狀態切換與異常是其中的難點問題. 而傳統方法忽視了指示狀態變化的重要信息, 無法滿足對故障檢測的靈敏性要求, 無法區分正常狀態切換與異常擾動, 直接或間接造成間歇過程狀態監測的漏報率和誤報率高的問題. 在對間歇過程進行監測時, 需要充分考慮這些實際問題以及相應的過程特征并對其進行分析. 下面重點介紹這5方面的特殊問題.

                        1) 不等長問題

                        按照預先設定好的多個工序往復生產, 這是間歇生產的典型特點. 理想情況下, 各個批次應該是相同運行時長的. 但是受氣候差異, 原材料波動以及干擾等不同方面的影響, 間歇操作批次不可能嚴格按照相同的設定實現重復生產, 導致批次的長度也可能參差不齊. 針對這一問題, 過去幾年出現了很多解決方法, 最常見的包括最短長度切割法[80-81]、最長批次補齊法[82], 以動態時間扭曲(Dynamic time warping, DTW)[83-85]和相關優化規整(COW)[86-87]為代表的軌跡對整方法等. 最短長度切割法和最長批次補齊法只適用于不等長不嚴重的情況并且要求在公共的時間段內大部分運行軌跡應該是重疊的. 而軌跡對整方法可能對過程變量的自相關及互相關關系產生扭曲. 如果存在一個變量, 能夠代替采樣時間, 將不等長批次統一成相同時長, 則可以進行后續的分析和研究. 對此, Nomikos等[41]定義了“指示”變量: a)當過程特性變化, 相應的某些變量亦發生顯著變化, 具有一種單調變化特征, 可用于指示不同時段; b)該變量的起始點數值在不同批次上保持一致, 并且具有相同的終點值. 借助于該指示變量, 將批次長度統一等同于數據插值, 即根據“指示”變量對過程運行軌跡進行重新采樣, 在其每個采樣點上將對應過程變量的數值通過相關計算方法重新獲得. 在實際過程中, 有時候很容易找到期望的”指示”變量, 譬如, 針對反應過程的某些累計進料量[88]以及反應程度[89-90]等可以作為“指示”變量. Kaistha等[91]提出了一種方法, 用于提取間歇過程中過程特性一致性發生變化的時刻. 一旦事件發生的時刻被提取出來, 則可以采用線性插值的方法對時間軸進行統一化處理或者填補(削減)批次數據. 然而, 該方法局限于間歇過程特性變化十分迅速的情況, 如階躍變化、斜坡變化和峰值處, 此時事件發生時刻可以準確提取出來. 此外, 將原始過程變量通過稀疏采樣或插值方法統一化成相同長度的曲線可能會扭曲和改變過程變量的相關性, 包括自相關及互相關等. 另外, 找到這樣合適的“指示”變量也不是一件容易的事情, 一方面, 并非每個工業過程中都存在這樣的變量; 另一方面, “指示”變量法也不適用于分析具有多時段特性的間歇生產. 考慮到間歇生產的多時段特性, 不等長批次的分析和解決需要考慮更多的因素和方面. 如圖4所示, 不等長問題需要考慮不同的時段的具體表現, 在每個時段, 可能有不同的不等長現象, 具有不同的表征和影響; 此外, 不等長嚴重程度在不同時段中亦有所不同. 為了解決這些問題, 一些學者[92-97]針對不等長多時段問題做了進一步研究, 一方面能夠自動在線判斷各個不等的時段長度; 另一方面, 可以實現對各個不等長時段運行狀態的在線監測, 區分正常的時段切換與當前時段的異常. Lu等[92]和Zhao等[93]提出的關于監測性能的連續不等長時段識別方法, 分別針對輕度不等長問題[92]和嚴重不等長問題[93]提出了解決思路; Wang等[98]結合了核主成分分析和自回歸移動平均外因時間序列模型, 提出了三步特征點提取方法來對齊不同批次的長度進而對不等長間歇過程進行建模與監測; Luo等[99]在變形K-means 聚類方法的基礎上利用對操作階段敏感的軌跡變量將間歇過程劃分成不同的階段, 并提出一種階段鑒定方法用來將新樣本分配到對應的階段; Zhang等[95] 提出的基于“變滑動窗口-k近鄰策略”的處理方法, 構建了不規則時間片對不等長所造成的時段錯位問題進行了分析. 不等長間歇過程分析由于受到時間的約束, 無法直接套用連續過程的相似樣本搜索和學習, 其中需要考慮的難點則是如何在線識別各個不等長時段的界標, 區分正常的不等長時段切換與異常擾動.

                        圖  4  不等長操作時段的間歇過程示意圖

                        Figure 4.  An example of the batch process with uneven-length batches

                        2) 有限批次問題

                        大多間歇過程監測算法主要提取和分析批次間的波動作為正常工況的參考基準, 對此, 要求有充足的間歇操作批次數, 這是多元統計分析的前提和基礎. 然而, 一些間歇生產操作時間漫長, 操作步驟復雜, 人們很難在一定時間內獲取充足的批次; 此外, 由于生產成本昂貴, 獲取建模數據往往要耗費大量的人力、物力. 對于這一類具有有限批次的間歇過程, 如何利用現有的少量批次, 構建新的分析單元, 提取它們蘊含的最大知識和信息, 是非常值得探討的問題. Lu等[96]基于一個批次提出了子時段PCA建模方法, 利用時間滑動窗口掃描整個過程提取分析過程變量間的相關特性, 從而獲取過程潛在特性在時間方向上的發展變化實現了時段劃分與建模; 此外, 在狀態監測執行過程中隨著批次的增多實現了在線更新. Zhao等[97]對此作了拓展, 將有限批次問題拓展到批次數 ≥ 1 的情況, “一個建模批次”的情況只是本文算法的一個特例. 該研究將傳統的時間滑動窗口泛化為批次 ? 時間滑動窗口, 綜合利用了不同批次的信息, 從中識別各個子時段并建立相應的子時段模型. Tulsyan等[100]為批次過程提出了一個貝葉斯非參數模型, 并利用該模型產生克隆過程數據擴充建模樣本進而解決有限樣本問題.

                        對于有限批次問題, 盡管可以建立初始模型, 但是由于數據樣本的不充足性, 在線應用時實時的模型更新是必然的選擇. 目前, 針對有限批次問題的研究工作仍有許多問題有待解決, 主要包括如何初始建模以及后續更新策略上. 相較于連續過程的小樣本建模問題, 間歇過程的監測問題更為復雜, 需要從小樣本中識別出時段特性并建立時段模型. 此外, 有限批次問題往往是伴隨著新產品或者新操作條件而產生的, 機器學習領域的遷移學習[101-102]和增量學習策略[103-104]為有限批次問題的解決提供了新的辦法和思路.

                        3) 多模態問題

                        大多數監測方法均假設多時段間歇過程在單一模態(工況)下運行. 實際上, 由于各種因素的影響, 如原料和組分的變更, 外部環境的變化以及不同的產品的要求, 制造過程往往在不同模態間轉化(如圖5所示). 尤其是為了滿足日益變化的市場需求, 生產策略以及運行條件需要頻繁地調整, 這也導致多模態問題的普遍存在. 另外, 由于外部擾動等影響, 間歇過程可能出現批次間慢時變問題, 這也是多模態存在的原因之一. 這樣, 當所估測的運行模式并不是運行在參考模型的運行條件下時, 傳統的建模策略往往會遇到模型失配的問題. 針對多模態過程的統計建模與監測是一個非常有挑戰的問題, 尤其間歇過程本身具有多時段特性, 具有雙重維度上的多模態特性. 如何兼顧批次間的工況變動信息以及時間方向上的時段切換, 分析不同模態下過程特性如何變化, 以及不同模態之間有什么樣的關系, 都是非常有意義的研究問題. 目前針對此方面的研究還較少, 大多是針對于連續過程.

                        圖  5  間歇過程多模態切換示意圖

                        Figure 5.  Normal shift of operation phases in batch process

                        針對多模態間歇過程, 如果簡單地針對每種模態分別進行單獨分析與建模, 雖然可以對不同運行模態下的多時段信息進行分析和挖掘, 但是忽視了多模態間的關系[105]. 多模態運行情況下, 每種模態下過程特性如何變化, 揭示多時段特性, 以及不同模態間有什么樣的關系, 它們之間的相似與不同, 都是非常有意義的研究問題. 浙江大學趙春暉團隊[106-108]率先將間歇過程監控拓展到時間, 批次和模態三維系統中, 針對多模態問題建立了一種協同時段劃分, 模態間相對關系建模和監測方法, 深入分析了多模態之間的關系. 圖6為一個兩模態間歇過程的多時段特性示意圖. 其中一種模態包含三個過程時段, 另一種模態包含兩個過程時段. 在不同模態中, 受不同運行條件和過程機理驅動, 過程特性的變化可能會有所不同, 每個時段開始和結束的時刻可能會有所不同. 通過同時考慮所有模態, 劃分結果可以反映在一定時間區域內較快的特性變化. 譬如, 當第二種模態過程特性發生顯著變化從第一時段切換到第二時段的時候, 第一模態的過程特性實際上仍舊保持在第一時段. 如果綜合考慮這兩種模態的特性變化, 可以將第一模態的第一時段進一步劃分為兩個子時段, 從而得到一個兩模態間統一的時段劃分結果. 這為基于時段進行模態間相關關系的分析奠定了基礎.

                        圖  6  兩模態間歇過程時段分析結果

                        Figure 6.  Analysis result of batch process with two operation phases

                        4) 非線性問題

                        從嚴格意義上講, 絕大多數的復雜工業過程變量之間都不具備線性關系. 特別是工業過程運行工況的多變, 導致非線性數據關系越來越顯著, 無法使用傳統的線性分析方法對其中的潛在過程特性進行有效的提取、分析和利用. 對此, 各種非線性方法[109-116]應運而生, 用于分析各種非線性問題. 基于核的方法是最先被采用的非線性方法, 用于解耦變量之間的非線性和訓練非線性模型. 該方法只需要在高維特征空間進行相應的線性計算, 具有較高的運算效率. 該類方法中, 較為常用的包括核主成分分析(KPCA)、 核偏最小二乘、 核判別分析等. 實際工業過程中, 往往包含不同程度的非線性關系, 此外, 往往同時涵蓋線性和非線性關系. 因此, 對于不同的工業過程, 有必要有針對性的進行分析并采用適當的監測方法. 然而, 傳統的監測方法往往假設過程是單一線性或非線性的, 而這種假設沒有嚴格依據支撐, 往往與實際不符. 這直接導致選擇的方法可能并不適合所分析的過程, 從而降低了模型精度和在線監測性能. 因此, 考慮到假設的不可靠性或者難以獲取的情況, 對實際過程線性和非線性關系的判斷顯得至關重要. Kruger 等[114]提出了一種基于PCA 模型誤差方差估計的非線性度量方法. Zhang 等[115]通過結合皮爾森相關和互信息, 定義了一種非線性系數, 以此來判斷系統的非線性度. 然而, 上述這些工作均采用單一的線性或非線性分析方法, 即: 如果判斷大部分過程變量為非線性, 則采用非線性方法; 反之, 如果判斷大部分過程變量為線性, 則采用線性方法. 實際上, 復雜工業過程變量之間往往線性和非線性相關關系同時存在, 不能簡單地將其定義為純線性或純非線性的對象. 對于這種具有線性和非線性關系混合特征的工業過程, 一方面, 采用單一的線性分析方法不能有效解析非線性關系和捕捉狀態變化; 另一方面, 單一的非線性方法無法有效解析其中隱藏的線性變量關系, 亦無法直觀顯示變量之間的關聯性. 總而言之, 工業過程變量往往線性和非線性混合, 單一的線性或者非線性分析方法均無法實現數據潛在特性的全面解析. 因此, 如何有效區分具有線性和非線性變量成為其中的難點問題. 考慮到現實中混合變量相關性問題是普遍存在的, Li 等[116]提出了一種線性評估方法, 通過識別其中存在的線性變量關系實現了線性變量子組劃分, 并區分了線性和非線性變量; 結合線性和非線性分析方法, 分別針對不同的變量關系進行建模, 實現了對復雜工業過程的精細監測. 但是基于核的方法受限于核函數的性質, 在線應用有些時候并不能取得較好的結果. 近些年, 隨著深度學習的發展, 不少基于深度神經網絡的方法也隨之被提出. Yan等[117]首先將自編碼網絡(AE) 用于提取非線性特征, 并建立了相應的監測模型用于非線性過程監測. Yu等[112]進一步結合降噪自編碼(DAE)和彈性網(EN) 魯棒的監測含噪非線性過程并隔離出引起故障的關鍵變量.

                        對于間歇過程而言, 由于運行階段的變化其非線性特性會更加顯著. 一般來說, 在考慮多時段特性的基礎上, 可以很好地將原有連續過程的非線性分析方法拓展到間歇過程中. 此外, 大量針對間歇過程的非線性過程監測方法也提了出來. Zhang等[118]基于核判別分析提出了一種非線性批次過程監測和故障鑒定方法. Zhao等[119]結合了核獨立成分分析方法和主成分分析方法, 將批次過程分段之后對各階段建立相應的監測模型. Rashid等[120]進一步結合了多向核獨立成分分析和多維互信息, 在不相似度方法的基礎上提出一種適用于非線性非高斯動態批次過程的監測方法. 近些年, 一些大數據方法也被應用于非線性批次過程監測中. 例如, Onel等[121]利用基于非線性支持向量機從海量數據中選擇特征進而建立故障監測與診斷模型.

                        5) 動特性問題

                        受閉環反饋作用影響, 現代工業過程往往呈現明顯的動態特性. 這里, 動態特性是指工業過程數據具有的與時間相關聯的特性, 這與對象的內在機制關系緊密[122], 包括過程所處的操作階段, 物理化學反應機理以及外界噪聲, 擾動的干擾等. 此外, 過程動態性也受對象上施加的控制手段和作用影響. 傳統的統計過程監測方法往往假設過程數據靜態獨立. 但實際過程變量前后的測量點往往相互關聯, 體現出明顯的時序相關性, 即過程動態特性. 這些動態特性亦包含了有利于過程監測的關鍵信息. 如果過程監測中不考慮到數據的動態性, 將難以準確描述數據的真實變動, 無法區分過程正常的動態波動與異常擾動, 往往得到粗糙甚至錯誤的結論. 此外, 故障特征受過程動態特性的影響, 或者受隨機噪聲和過程擾動的影響, 也會發生扭曲, 導致監測靈敏度下降等問題. 和非線性問題類似, 在考慮多時段特性的基礎上, 可以很好的將原有連續過程的動特性分析方法拓展到間歇過程中. 對于動態過程進行信息提取和多元監測的方法主要包括下述的兩類.

                        一類是多元統計分析方法的動態擴展[123-125], 譬如, 動態PCA (DPCA)[123-124]、動態偏最小二乘(DPLS)[125]等; 這類方法在連續過程中得到了很廣泛的應用, 并向間歇過程做了成功的推廣. Chen等[126]結合了動態PCA和動態PLS提出了一種動態批次過程在線監測方法. Hu等[127]提出了一種動態多向領域保持嵌入(NPE), 提取數據的局部領域結構來建立監測模型進行統計過程監測.

                        第二類是時序相關性分析方法[128-130], 譬如, 典型相關分析方法(CVA)[128-130], 慢特征分析方法(SFA)[131-132]等. Shang等[132]以及Zhao等[133-134]提出了動靜特性協同分析的思想, 同時提取了動態信息和靜態信息, 并分別建立不同的監測模型和定義不同的監測統計量. 該思想通過動態和靜態信息變化的精細解析, 使狀態變化的指示更加精細化. 此外, Zhao等[135-139]將經濟學領域中針對非平穩時序信號分析的協整理論引入進來, 提取了頻繁操作條件切換中的長期均衡關系, 實現了對大范圍非平穩運行中微小故障信號的靈敏檢測. 在批次過程的應用中, 時序相關性分析方法研究的這相對較少. Choi等[137]結合多變量自回歸模型(AR)和多向主成分分析(PCA)提出了基于動態模型的批次過程監測. Zhang等[70]通過動靜協同實現了對間歇生產工況間的正常切換, 新工況出現, 時段正常切換, 異常擾動這4種情況的準確區分, 從而為間歇過程復雜狀態變化的精細分析和識別提供了一條新的研究思路.

                        第一類動態分析方法僅對時序相關性進行解析用于建模和監測, 缺乏對過程狀態變化的充分解析和判斷. 與之對應的, 第二類動態分析方法則結合了動靜態信息進而更靈敏和精細地區分實際過程中發生的復雜的狀態變化. 對于動態信息的分析, 更重要的是能結合其他信息用于精細識別當前的狀態變化. 前人工作揭示了關于動靜態信息的相輔相成作用[70, 138-140], 即: 靜態特性主要針對穩定運行在某種工況下的過程模式, 與之相輔相成, 動態特性則主要揭示了在閉環反饋控制的作用下過程的波動情況. 如何將靜動態信息有效綜合利用, 對過程狀態變化進行精準判斷, 區分正常變化與異常擾動, 是動靜協同監測的精髓所在. 總的來說, 上述工作均推動了間歇過程動態性分析和監測的研究. 后續針對動特性監測的研究, 可以考慮動態性的深入解析與特征提取, 并結合具體問題賦予所提特征實際物理意義.

                      • 在發現監測統計量超限, 指示故障發生后, 人們希望可以快速識別異常原因并采取必要的調整或糾正措施使之回到正常的控制區域. 目前已有很多基于歷史測量數據的故障診斷方法[129, 141-147], 比如Fisher判別分析、支持向量機、隨機森林等方法, 主要用于故障分類的研究. 但是故障分類的方法要基于歷史故障數據, 在實際過程中通常很難獲得充足的故障歷史數據. 在多元統計過程監測領域, 貢獻圖方法[148] 常用于隔離根源故障變量, 其基于的基本思想是這些故障變量對超限的監測統計量的貢獻更顯著. 因此, 該方法僅需要正常的統計監測模型, 不需要先驗故障知識或故障數據. 但是, 由于過程變量之間的相關性, 一個變量的影響可能會傳播到其他變量, 從而導致無法準確區分各個變量的不同貢獻, 造成混亂的結果. Alcala等[149]證明了即使在處理傳感器故障這種簡單問題時, 傳統貢獻圖也無法保證故障傳感器具有最大貢獻值. 如果知道了實際故障方向, 可以進一步分析故障, 包括恢復故障數據的正常部分并估計故障幅度大小. 基于PCA模型, Dunia等[150]提出了故障重構的思想, 即從故障數據提取故障子空間(即故障方向)作為重構模型來糾正故障數據. 其中, 實施數據糾正恢復其正常部分的過程稱為故障重構; 通過故障重構識別故障原因的過程稱為基于重構的故障診斷. 基于該方法, 從已知的故障集合中選取每一個故障子空間都進行一次故障重構; 如果被選的故障子空間恰好是真實的故障方向, 那么基于重構后的數據重新計算的監測統計量將落回在控制限制內, 由此可以確定故障原因. 該方法是在大量的統計數據的基礎上完成的, 關鍵是獲取不同故障下的子空間模型. 基于故障數據建模, 比不利用故障數據的方法能更有效地捕獲故障波動信息, 從而實現更精確的故障診斷. 由于故障重構是借助于消除監測統計量的故障報警信號來判斷故障原因, 從故障檢測的角度看, 與失控監測統計量有關的顯著故障波動(即故障影響)實際上與故障過程本身的波動大小是不同的. 傳統的重構建模方法僅僅針對故障數據進行分析, 揭示故障波動的大小, 實際上并不能準確提取故障影響. Zhao等[151-153]提出了一種相對變化的方法, 其基本思想是: 把正常過程狀態作為參考工況, 基于正常工況的充足批次建立監測模型, 它們代表了關注的過程波動監測方向; 考慮到相對過程波動對故障監測結果的影響, 將每種故障工況向這些監測方向上進行投影, 分別在PCA監測系統中的主元子空間和殘差子空間中, 將故障工況在各監測方向上的過程波動與正常參考工況進行對比; 在每個監測方向上如果故障工況的過程波動明顯大于正常工況的波動, 則為顯著故障影響, 否則為正常波動. 其基于的原理為: 根據監測統計量的計算方式, 當用參考模型進行在線過程監測時, 報警信號是由故障工況下顯著增大的過程波動造成的. 根據上述相對變化分析方法, 可以提取對超限報警起主要作用的故障偏差并用于建立故障重構模型, 這樣可以更有效地恢復數據正常部分并識別故障原因. 這里需要強調的是, 相對分析不是針對每種故障工況分別獨立建模, 而是分析正常工況和故障工況間的相對變化, 這樣可以提取和利用更重要的故障信息. 故障重構的思想需要每個故障工況都能得到充足建模批次, 也就是要求統計意義上涵蓋了充足的批次方向上的故障波動[153]. 但是, 大多數情況下, 要求每種故障工況下獲得充足的故障建模批次往往并不現實. 此外, 從故障重構的角度, 其本質是希望能夠更有效地消除超限的監測統計量, 因此需要充分分析和挖掘導致故障報警的關鍵故障波動來構建故障子空間. 基于上述分析, 如何基于有限批次有效提取精確的故障子空間是非常重要的問題. 基于相對變化的思想, Zhao等[154]實現了基于少量故障批次的間歇過程故障診斷, 能夠充分挖掘利用少量故障批次中的異常波動信息. 而Sun等[155] 針對非平穩過程的實時故障診斷研究, 提出了一種基于協整分析的稀疏重構策略用于故障變量的隔離, 不需要任何歷史故障信息. 該方法成功在高端發電裝備的故障診斷中得到了驗證. Peng等[157]利用模糊C-clustering將間歇過程劃分成不同的階段, 并利用改進的和偏最小二乘建立貢獻率指標用于求解故障診斷問題. Zhao等[158] 考慮了過程時序相關性和動態性, 提出了一種基于張量動態鄰域保持映射(NPE)用于解決間歇過程中的故障診斷問題. Yang等[159]結合了主成分分析(PCA)、遞歸特征消除(RFE)和支持向量機(SVM)提出一種適合于盤尼西林發酵的間歇過程故障診斷方法. 在沒有更多故障信息的前提下, 傳統的故障診斷技術常常在分析復雜故障時失靈, 而一些基于機器學習的智能診斷理論近年來開始初露端倪[159-161]. 但其大部分研究工作主要集中在穩態連續過程, 應用于間歇工業過程診斷領域的相關文獻較少, 可能的原因是間歇過程故障數據的有限性, 大范圍不平穩性, 本身狀態變化的多樣性, 動態時變性以及未知擾動的存在. 此外, 由于故障影響與間歇過程本身運行特性疊加耦合, 即使同種故障發生在不同階段和不同時刻所造成的影響亦有所不同. 因此, 原有用于監測的間歇過程的批次重復特性無法直接套用于故障診斷分析. 目前, 針對連續過程的許多故障診斷方法無法有效應用于間歇過程, 間歇過程的故障診斷還有很多問題沒有解決. 主要需要考慮在不平穩運行過程中如何對其中隱藏的故障特征和故障影響進行有效解析.

                      • 過去近三十年, 學者們在間歇過程狀態監控與故障診斷算法的研究上取得了豐碩的成績, 間歇過程高性能監控也得到了更廣泛的應用. 傳統的研究工作將連續過程和間歇過程分立割裂進行, 如何搭建起溝通連續過程和間歇過程之間的橋梁, 將研究思路和方法相互借鑒, 獲得更為有效的建模, 監測與診斷方法, 是后續需要考慮的一個重要方向. 針對間歇過程監控的研究仍存在著一些問題需要進一步的研究, 其中包括以下幾個方面.

                      • 目前針對間歇過程的狀態監控與故障診斷研究都是針對開環系統進行的, 沒有考慮在反饋控制律作用下, 過程潛在特性所受到的影響和響應的變化. 受閉環反饋的影響, 過程運行特性相較于開環系統下將有所不同, 變量間的相關關系也從不同程度上被更改, 因此, 直接套用傳統開環系統的監控方法沒有考慮閉環系統的特點和問題, 無法真正解決實際問題. 需要重新考慮和設計, 以符合實際的工業需求, 解決更實際的生產安全性問題. 周東華等[162]曾提出, 由于反饋控制作用, 外部擾動的影響受到抑制, 當異常擾動處于發展初期幅值較小時, 往往被控制效果抵消, 從而影響故障特征的及時發現和提取. 此外, 閉環系統中, 子系統間復雜耦合性導致故障影響傳播路徑復雜, 異常征兆多變以及變量關系發生扭曲. 而對于具有典型多時段特性的間歇過程來說, 閉環反饋下的狀態監測與故障診斷更具有挑戰性. 比如, 不同操作階段具有不同的控制目標和控制方案, 主導操作變量亦可能不同, 呈現不同的動態特征; 不同階段的控制性能可能有所不同, 并且隨著階段間的頻繁變換, 控制性能可能發生動態變化; 被控變量可能并非設定點, 而是設定曲線等. 前面我們提到間歇過程監測的動特性問題, 閉環反饋下更需要對過程動態信息進行充分解析與利用, 用于有效指示控制器調控作用. 目前尚未有針對閉環系統下的間歇過程的監控與診斷的研究. 基于數據分析方法對閉環反饋下的間歇生產運行進行高性能狀態監控與故障診斷的研究是非常有意義和挑戰性的工作.

                      • 針對間歇過程的狀態監測不僅局限于對生產狀態做出正?;虍惓5淖R別和判斷, 還應對當前正常運行狀態的優劣水平有進一步的分析. 狀態評價是對運行狀態優劣等級的評估, 可將其定義為廣義上的狀態監測[7]. 針對正常的運行過程, 狀態評價是指通過深入的數據解析, 進一步區分和識別實際生產運行狀態的優劣情況, 以便對生產操作能及時調整, 消除導致運行狀態非優的不利因素, 從而保證生產過程的高效進行. 狀態評價的覆蓋面非常廣泛, 但針對工業過程運行狀態優劣等級的評價較少. 目前的評價研究主要集中在產品質量、控制器性能以及設備健康度等方面. 已有部分學者針對連續過程運行狀態評價進行了初步的研究[131, 133, 163]. 由于間歇過程具有多時段, 過程批次運行, 質量信息無法實時獲取等特性, 間歇過程的狀態評價更具挑戰性和難點. 目前, 間歇過程運行狀態評價相關的研究工作還少有報道, 研究仍在摸索階段. 間歇過程的狀態評價有許多問題需要解決, 也是間歇過程監測的難點, 熱點問題之一.

                      • 受間歇過程變操作點動態過渡運行和變工況影響, 很多參數都在變化, 同一故障其特征參數隨間歇過程操作點, 工況變化較大, 很難確定故障特征參數正常參考值范圍以及精確提取故障特征信息. 此外, 多個子系統間的強耦合性導致故障異常參數在子系統間傳播, 給故障準確定位增加了困難. 已有故障診斷方法不能很好地適應間歇過程動態過渡運行的新常態, 其實用性受到很大限制. 另一方面, 實際生產過程中系統運行不正常往往是由多種原因引起的, 對準確地判定故障的性質、類別、位置和程度提出更高要求和考驗. 目前的故障診斷系統都是建立在單一故障基礎上, 對多故障并發條件下的故障診斷還缺乏分解能力[164]. 多故障的辨識是今后的研究重點, 這不僅是間歇過程故障診斷的需求, 也是故障診斷學中一個熱門話題. 與單故障診斷不同, 多故障診斷側重分析不同故障的耦合特性. 一方面, 間歇過程運行工況頻繁切換, 復雜多變, 不同階段或工況下故障影響因素都可能發生變化, 因此即使同一種故障其表征亦有不同, 這導致了故障的不確定性與多樣性. 另一方面, 故障表征與故障源之間并非簡單的單一映射關系, 受幾種故障源相互影響相互關聯影響, 導致當前的故障表征, 這形成了多種故障之間的復雜耦合特性. 上述問題導致了間歇過程故障診斷技術上的難點和挑戰. 因此, 對于間歇過程的復合故障診斷, 需要考慮時段與工況的切換, 尋找一種非線性映射, 能夠準確關聯檢測量與故障特征, 故障特征與故障源之間的關系.

                      • 對間歇過程實施運行狀態監控和故障診斷, 最終是要實現間歇過程非優運行狀態和故障工況的自修復[165], 意味著基于狀態監測與故障診斷和早期預警, 其中一類非優狀態和故障能夠通過控制的調整手段實現修復, 即自愈調控. 運行狀態非優和故障自愈調控是確保間歇過程安全可靠運行的重要手段. 這里非優是指針對間歇過程運行建立的綜合評價指標偏離給定的理想區間. 考慮到間歇過程運行和故障工況的復雜性, 要有效實施自愈, 需要有豐富的專家經驗和知識能夠自動判斷決策. 此外, 自愈方案在執行前需要反復檢驗和驗證. 數字雙胞胎技術為自愈方案的設計奠定了基礎. 如何映射(模擬)、監控、 診斷、預測和控制產品在現實環境中的形成過程和行為, 聯接數字虛體空間中的虛擬事物與物理實體空間中的實體事物, 相互傳輸數據和指令, 數字孿生作為智能制造中的一個基本要素, 逐漸走進了人們的視野, 已成為邁向工業4.0進程中極為重要的技術要素. 針對能通過控制手段進行自愈的非優狀態和故障, 在發生故障之前或者故障出現顯著影響之前, 研究如何利用積累的長期運行經驗, 知識與工業大數據, 以定性和定量相結合的方式, 制定合適的調控手段, 結合強化學習[166-167]等智能方法, 通過數字雙胞胎的反復驗證, 將確認后的調控指令下發到實際物理世界, 在一個批次結束前或者經過少量幾個批次及時準確地調整控制回路設定點, 使非優狀態恢復最優運行, 消除和避免發生故障, 可以將故障帶來的損失降到最低, 更有利于間歇過程的安全, 可靠運行, 具有重要研究價值.

                      • 本文針對間歇過程的非平穩特性和獨特的數據特征, 總結了近三十年來間歇過程狀態監控與故障診斷算法的發展. 從直接借用連續過程的監控算法, 到引入三維數據展開, 再到利用間歇過程多時段特性進行設計和分析, 以及針對幾類實際問題的解決思路, 間歇過程狀態監控與故障診斷在理論和應用方面都獲得了豐碩的成果, 實現了從粗放式監測到精細化監測的跨越. 大數據分析、機器學習和云計算等新技術的涌現, 為增強間歇過程運行的智能能力提供了巨大的發展空間. 智能能力是指與人體中相似的三種功能: 感知、決策和行動. 隨著當今傳感和控制技術的迅速發展, 間歇制造系統中已不乏傳感器或執行器. 目前間歇生產所面臨的挑戰是如何處理信息和知識, 以便使計算機能夠在幾乎沒有人為干預的情況下, 在正確的時間和地點自動做出正確的決策. 近些年, 隨著深度學習研究和應用的深入, 不少深度學習方法也被初步應用到了工業過程控制中, 包括卷積神經網絡、生成多抗網絡和長短記憶模型. 前人已經做了一些有意義的嘗試, 包括Wu等和Yu等[168, 104]各自應用卷積結構提取工業過程的局部特征, 用于建立模型診斷異常樣本的故障類別; Wang 等[169]結合降噪自編碼(DAE)和生成對抗網絡(GAN)嘗試解決工業過程中的缺失數據問題; Yuan等[170]將監督長短記憶模型(LSTM)應用到解決非線性動態過程的軟測量問題上. 隨著人工智能最新理論尤其是近年流行的高級機器學習理論方法及其在工程科技領域的深入應用為解決間歇過程的狀態監測與故障診斷問題提供了新的手段和新的思路. 推動人工智能基礎理論研究成果向間歇過程高效運維的轉化是實現場景人工智能需要發力的關鍵之一. 本文提出了間歇過程在高性能狀態監控與故障診斷方面存在的幾個問題和未來可能的發展方向, 供大家參考和進一步分析討論.

                    參考文獻 (170)

                    目錄

                      /

                      返回文章
                      返回