基于复杂轮廓数据的统计建模和在线监控研究

Complex profile data are common in many applications, especially in intelligent manufacturing systems where hundreds of sensors are deployed to measure key process variables in real time. Profile data are naturally high dimensional, with complex inner-profile correlations. For multivariate profiles, they further have sparse and dynamic inter-profile correlations. Moreover, profiles coming from multi-source or multi-view sensors even have different data types and structures, with diverse features, and require multimodal data fusion techniques for analysis. Motivated by the high demand of advanced quality control for complex profile data in intelligent manufacturing systems, this project focuses on complex profile data analysis from three perspectives: 1) For data modeling, we first consider multivariate profiles from sensors of the same source and develop statistical methods to describe the complex and dynamic inter-profile correlations; We then consider profiles from multi-source sensors, and propose to use artificial neural networks to learn their feature mappings with information fusion of different sources. 2) For online monitoring, we target at detecting sparse anomaly patterns in multivariate profile data, and propose efficient online monitoring schemes together with diagnosis algorithms based on online learning and sparse learning methods. 3) For online sampling, we consider a practical scenario when not all the profile data are available for analysis due to limited sensing resource budget, and design intelligent sampling algorithms for optimal monitoring.

复杂轮廓数据广泛存在于各类应用中。尤其在智能制造系统中，大量高精度传感器通过收集各种过程变量随时间变化的轮廓数据，实现对系统的统计过程监测。单轮廓数据本身即是高维向量，具有丰富自相关性特征。多维轮廓更具有复杂动态的互相关性。当传感器是多源异构时，不同轮廓甚至具有不同模态。启发于智能制造系统对基于复杂轮廓的在线监控的需求，本项目从复杂轮廓建模，监控及采样三方面着手展开研究。首先，本项目通过子空间学习来描述轮廓间动态复杂的互相关结构；针对多源异构轮廓数据，本项目通过人工神经网络构建基于信息融合的多维轮廓特征映射方法。其次，针对复杂轮廓中异常模式的多样性、稀疏性、及对多轮廓影响的耦合性，本项目通过在线学习，稀疏学习构建监测统计量及异常诊断算法。最后，考虑轮廓数据采样对传感资源消耗巨大，本项目研究在传感资源有限、只能观测部分轮廓数据时，如何设计智能采样算法来优化决策。

本项目研究智能制造系统中多维轮廓数据的建模与在线监控。轮廓数据指生产过程中采集的过程变量随时间的连续变化值。这些数据可以实时反应生产过程状态，对其分析可以实现实时生产过程监控。然而现有对轮廓数据的分析方法依然有很多未解决的问题。本项目从实际问题出发，重点研究以下内容：1）多轮廓数据建模：提出函数型稀疏子空间学习模型来描述不同轮廓间的弱相关关系；提出动态时变贝叶斯网络模型来描述不同轮廓之间的因果关系。2）多模态轮廓数据建模：通过构建马尔可夫转移网络来描述时间维度多模态的轮廓数据的特征转移；通过构建带约束的状态空间模型来描述时间维度异构的轮廓数据不对齐特性；通过统计分布特征、时域特征、频域特征和熵特征的提取，实现空间维度多模态的轮廓数据的特征选择和特征融合。3）多维轮廓数据监控算法：通过提取的特征，构造基于每个观测点的原位过程监控算法，使得在不需要等到轮廓数据完整观测的情况下，便可以实时检测轮廓中的异常；此外，还通过构造基于深度学习的网络异常监控方法，实现对轮廓间关联关系异常的检测。4）基于部分轮廓数据的在线监控和智能采样研究：通过对轮廓数据构造稀疏-平滑的复合分解模型，实现对数据的补全以及异常特征的提取，以此构建异常监控算法，并将其与多臂赌博机问题联系起来，通过托普森采样算法，实现对异常轮廓数据的自适应采样。项目部分研究成果应用于航空工业领域数控机床数据分析。.在项目资助下，目前项目组发表SCI期刊10篇，会议论文3篇。包括IISE Transactions，Journal of Quality Technology等期刊。 项目的实施还对后续研究多阶段制造系统中轮廓数据建模与监控提供了基础。