长短滑窗慢特征分析与时序关联规则挖掘的过渡过程识别

摘要: 工况过渡过程与异常状态（故障）的数据特性极为相似。如果不对过渡过程加以辨识，极易导致过程监测系统频繁误报警，进而可能引发不适当的人工操作而严重破坏生产的稳定性。本文提出一种基于长短滑窗慢特征分析（slow feature analysis, SFA）与时序关联规则挖掘的过渡过程识别方法。首先，依据稳态工况和过渡工况在时间跨度上的差异性，提出一种长短滑窗与SFA相结合的多工况过程建模方法，将工况状态细分为多个稳态阶段与过渡阶段，并分别建立相应的离线SFA模型；然后，提出一种多时序多时间区间的同步频繁树构建方法，挖掘每种状态转变在多个时间序列与多个时间区间内的关联规则，以实现工况过渡过程的准确辨识。针对田纳西伊斯曼（Tennessee Eastman, TE）过程生成一组包含多模态相互转变的过程数据对所提方法进行实验验证，结果表明所提方法能够在频繁发生过程转变的过程数据中有效识别过渡过程，降低故障误报率，提高过程监测水平。

• 关键词: 
• 过程监测  /  
• 过渡过程识别  /  
• 慢特征分析  /  
• 同步频繁树  /  
• 时序关联规则挖掘  /  
• 稳态工况  /  
• 长短滑窗  /  
• 多模态工况  

因生产原材料来源的多样性和成分的复杂多变性、人们对于产品质量需求的个性化改变以及机器设备使用中的老化损耗等多重因素影响，现代工业往往处于多模态工况下运行，给工业过程的稳定生产和安全管理带来巨大挑战[1-2]。过程监测作为一种实现安全生产、保证产品质量以及降低生产中资源能源消耗的有效手段，成为工业生产中不可或缺