Redirecting
https://doi.org/10.1016/j.compchemeng.2021.107587
摘要
闭环控制和过程本身所产生的过程动态行为在工业过程中普遍存在,给过程监控带来了很大的挑战。动态过程监测的方法有很多,其中动态潜在变量(DLV)模型是最实用和最有前途的分支之一。本文及时回顾了典型方法,填补了DLV动态过程监测方法系统分析的空白。首先,从原始思路、参数确定、离线统计设计三个方面简要回顾了几种经典的DLV方法。其次,对所讨论的方法之间的关系进行了讨论,以便对每种方法所解释的过程动力学有一个清晰的认识。最后,以某三相流动过程为例,从应用角度说明了该方法的有效性。最后,对动态过程监测的研究方向进行了展望。本文的主要目的是总结目前流行的动态过程监控DLV方法,为实际应用中DLV模型的进一步改进和算法的选择提供有价值的参考。
动态特性处理分为三类
许多监测方法基于独立同分布假设,在实际中很少得到满足。由于反馈控制系统和过程的内在性,动态关系在过程数据中很常见。将动态特性的处理有三大分支。
第一分支:时间序列模型
主要方法:自回归模型、向量自回归模型和向量自渐进移动平均模型。
主要工作:建立回归模型,根据变量的历史值进行预测,利用预测误差进行故障检测。
缺点:不具备降维特征,很少用于处理高维、高度相关的数据。
优化方法:提出了降阶回归模型,或将其与多元统计算法结合起来进行时间序列分析。
第二分支(1):多元统计过程监控(MSPM)的动态扩展
从不同目标的高维数据中提取低维潜在变量(latent variables(lv)),以获取过程动态。
主要方法:动态MSPM方法(DPCA、动态偏最小二乘、DICA,动态非高斯、非线性)。基于MSPM模型的最直接的动态扩展通常是用几个历史样本对输入数据矩阵进行扩展,再将传统的MSPM方法直接应用于增广数据矩阵
缺点:串行相关性的表示不明显。目标不同,如捕获过程变化或提取独立信号,而不是直接提取相关性,参数也会随着滞后时间的增加而增加。
优化方法:提出了一些具有动态-内部思想的LV模型,包括动态-内部主成分分析(DiPCA)、动态-内部偏最小二乘(DiPLS)、动态正则化LV回归(DrLVR)和动态-内部典型相关分析(DiCCA);DrLVR和DiPLS是监督模型,探索过程输入和输出之间的动态关系。它们适用于推理过程监控;
第二分支(2):动态因子分析DFA、慢特征分析SFA和二阶ICA
DFA从高维时间序列中估计不可观测的lv值,以保持数据的动态结构。将原始数据空间分解为因子加载和残差子空间。
SFA从正常数据中提取出缓慢变化的lv,从快速变化的噪声中识别过程的本质表示。改进的SFA包括性能相关SFA、内核SFA和递归SFA。
二阶ICA被广泛应用于语音信号和音乐信号等具有时间结构信号的盲源分离,还被用于检索序列相关的源信号,用于监测非高斯分布过程。
线性SFA可以在形式上等价于二阶基于统计的独立分量分析(ICA),在一个时滞的情况下称为二阶ICA (Blaschke et al.,2006;Blaschke和Wiskott, 2004),由于二者的密切关系,一些研究还将这两种方法结合起来,提取非线性动力学过程中缓慢变化的独立分量(Blaschke和Wiskott, 2004;Sprekeler等人,2014)。
第三分支:生成状态空间模型
主要工作:用于求解动态过程,通常与子空间恒等式相结合。
主要方法:典型变量分析CVA,卡尔曼滤波LDS
CVA使过程变量的堆叠的“过去”值和堆叠的“未来”度量之间的相关性最大化。将SFA应用于CVA的正则子空间和剩余子空间,可以揭示每个子空间的变化速度,为闭环控制下的动态过程提供了全面的解释。
缺点:CVA的实现包含了过去数据协方差和未来数据协方差的逆,因此不适用于协方差矩阵为病态甚至奇异的共线数据。
优化方法:Negiz和Çinar (1997b)合并了一个约束条件来补救这个问题。
LDS采用线性高斯状态空间模型的形式。是一种对不确定性动态数据具有鲁棒性的概率动态模型。
优点:因为噪声和测量精度不高,数据用概率表示更加合理。过程测量用低维潜伏状态表示,这些低维潜伏状态演变为一系列具有马尔可夫链结构的一阶自回归过程。从给定的分布生成新的数据样本,将缺失数据作为概率主成分分析。
SFA也被设计为概率SFA (PSFA),用于动态过程建模和监控。具体操作:在LDS的基础上,将PSFA的转移矩阵表示为一个对角矩阵,产生缓慢变化的潜伏态,这继承了SFA的相关优势。
算法 | 参数 | 主要 思想 | 动静信息分离 | 计算 效率 | 优点 | 缺点 | |
DPCA | lv个数r、时滞s | 捕捉尽可能多的变化 | 否 | 1次SVD(ms*ms矩阵) | 容易实现;计算高效 | 提取的lv不能保证动态变化;所提取的lv可能以静态变化为主;lv的数量可以大于原变量空间的维数; | |
DiPCA | lv个数r、时滞s | 最大化LV的内部自协方差 | 是 | 迭代估计 | 内部动态结构的高效探索;降维;有效分离动态和静态信息;动态变化合理检测 | lv的排序没有明确的标准; 没有解析解 | |
DFA | lv个数r、时滞s | 从白噪声中分离出动态变量 | 是 | 1次EVD(m*m矩阵) | 计算高效;降维;有效分离动态和静态信息 | 没有明确的lv排序标准 | |
CVA | lv的数量r、过去和未来的时滞s | 最大化未来和过去数据之间的相关性 | 是 | 1次SVD(ms*ms矩阵) | 计算高效;相关性的充分探索动态;有效分离动态和静态变量 | 当存在强共线性时,CVA结果可能不稳定;lv的数量可以大于原变量空间的维数; | |
LDS | lv个数r | 最大化对数似然的条件期望 | 否 | EM算法和卡尔曼滤波的迭代估计 | 降维;用概率解释过程噪声;具有数据输入的生成式模型 | lv的排序没有明确的标准; 动态与静态信息分离不足; lv离线和在线估计的计算复杂度都很高; lv的数量是由静态变化决定的 | |
SFA | lv个数r | 从数据中学习缓慢变化的特征 | 是 | 2次SVD(m*m矩阵) | 计算高效;降维;不变信息表示高效 | 动态过程探索不完全;动态与静态信息分离不足 | |
二阶ICA | lv个数r、时滞s | 检索相互时间不相关的lv | 是 | 1次SVD(m*m矩阵)+s矩阵联合对角化 | 降维;有效分离动态和静态变量 | 不容许测量噪音; lv离线估计计算复杂度高 |