一类多阶段工业过程基于数据驱动的质量监测与故障诊断方法

NonGaussian and nonlinear data behaviors are two challenges for process monitoring and fault diagnosis, while the multiphase behavior is also difficult to address in complex industrial processes. Based on the background of the aluminum brazing process, and with incorporations of new techniques in pattern recognition and machine learning, this project intends to set a research work on development of a class of new quality monitoring and fault diagnosis approached for multiphase industrial processes based on data-driven. First, for modeling and monitoring of nonlinear systems, mixture and piecewise forms of the traditional ICA model are both developed. Second, a kernel learning and one-class support vector machine modeling framework for nonGaussian data monitoring is formulated, including evaluations of nonGaussianity and nonlinearity among process variables, nonGaussian data driven fault reconstruction and diagnosis for nonlinear processes. Third, detailed analyses for fault propagation and characteristic identification are provided, in order to construct a two-dimensional timely prediction model for fault propagation in multiphase industrial process. Fourth, the correlations among different variables in the multiphase process are analyzed, as well as the nonlinear relationships between process and quality variables. Then, a multiphase PLS model will be built for quality monitoring of nonlinear and nonGaussian processes, with a definition of importance of each process variable to the production quality.

复杂工业过程普遍存在的多阶段性且数据分布的非高斯非线性使传统的监控与故障诊断方法难以取得理想效果。本项目以多阶段的连续式铝钎焊生产过程为背景，结合模式识别和机器学习领域新方法，提出一套基于数据驱动的适合一类多阶段生产过程的全流程质量监测与故障诊断方案。1）研究非高斯环境下非线性过程的线性子空间划分以及子空间和混合概率建模问题，给出混合和线性子空间独立成分分析方法模型框架下的故障诊断方法；2）基于核学习方法和单类支持向量机，研究数据非高斯性以及变量之间的非线性建模问题，建立面向非高斯数据的非线性故障重构和诊断方法；3）研究故障传播与故障特征识别，建立故障在多阶段生产过程中的传播和随时间演变的二维预测模型；4）分析多阶段过程变量之间及其与质量变量的非线性耦合关系，定义不同变量对产品质量影响的相对重要性，建立适合非线性和非高斯数据特性的分段偏最小二乘方法质量监测模型。

复杂工业过程普遍存在的多阶段性与数据分布的非高斯非线性使传统的监控与故障诊断方法难以取得理想效果。项目以此为背景，结合模式识别和机器学习领域的新理论、新方法，主要研究了具有多阶段特征的工业过程故障诊断与质量监测，并给出了相应的解决方案。. （1）重点研究了非高斯非线性复杂数据分布下的工业过程监控与故障诊断，在分析过程的非高斯性与非线性特征基础上，采用核学习方法，如核独立成分分析（KICA）、核主成分分析（KPCA）等，结合支持向量数据描述（SVDD）、隐马尔科夫链模型（HMM）以及深度学习等方法，研究了相应的多阶段划分、数据相关性以及复杂数据建模等问题，给出了面向该类复杂过程的故障诊断方法；. （2）针对多阶段过程的质量监测，研究了阶段识别、模型更新以及过程的动态、时变等问题，在传统的基于偏最小二乘（PLS）方法的基础上，建立了基于混合多向PLS模型融合、自适应块式递推偏最小二乘（Block-RPLS）模型和加权监督潜因子分析（WSLFA）模型的质量监测方法；. （3）针对复杂工业过程往往同时具有非线性和非高斯等特性，分析研究了该类过程多故障信息的特征提取、分类和传播，提出了基于堆叠稀疏自动编码器（SSAE）、k最近邻（kNN）等算法的故障识别与分类方法；. （4）同时，对与复杂工业过程正常运行和产品质量密切相关的有关网络化控制系统和主要驱动设备（电机）的故障监测与控制开展了分析、研究，得到了一些有意义的结果和解决方法。. 项目成果对促进我国相关行业的健康和可持续发展具有重要意义。