基于深度置信网络的多模态过程故障评估方法及应用

本文链接：https://blog.csdn.net/longtengzhangjie/article/details/136137895

源自：自动化学报

作者：张凯, 杨朋澄, 彭开香, 陈志文

“人工智能技术与咨询” 发布

摘要

传统的多模态过程故障等级评估方法对模态之间的共性特征考虑较少, 导致当被评估模态故障信息不充分时, 评估的准确性较低. 针对此问题, 首先, 提出一种共性–个性深度置信网络 (Common and specific deep belief network, CS-DBN), 该网络充分利用深度置信网络 (Deep belief network, DBN) 的深度分层特征提取能力, 通过度量多模态数据间分布的相似性和差异性, 进一步得到能够反映多模态过程共有信息的共性特征以及反映每个模态独有信息的个性特征; 其次, 基于CS-DBN, 利用多模态过程的已知故障等级数据生成多模态共性–个性特征集, 通过加权逻辑回归构建故障等级评估模型; 最后, 将所提方法应用于带钢热连轧生产过程的故障等级评估中. 应用结果表明, 随着多模态故障等级数据的增加, 所提方法的评估准确率逐渐增加, 当故障信息充足时, 评估准确率可达98.75%; 故障信息不足时, 与传统方法相比, 评估准确率提升近10%.

关键词

多模态过程 / 故障等级评估 / 共性–个性特征 / 深度置信网络 / 带钢热连轧

现代复杂工业过程的大规模连续生产给制造业带来高效益的同时也增大了事故风险. 由于工业过程中的控制回路、过程变量相互耦合, 一个部位的异常变化可能会随着传播不断演变, 微小的故障也可能引起更严重的故障[1]. 因此, 准确判断系统的故障程度并按照故障程度的不同调整生产决策和控制策略, 能够提高生产的高效性和产品质量的稳定性. 目前, 工业过程故障等级评估方法已在有色金属[2]、化工[3]、电力[4]、高铁[5]、船舶[6]等行业成功应用, 并取得良好效果.

随着工业自动化与数据存储技术的快速发展, 基于数据驱动的故障等级评估方法被提出和广泛应用[7-9], 如多元统计分析、机器学习、深度学习等. 常用的多元统计分析方法包括主元分析 (Principal component analysis, PCA)[10]、偏最小二乘 (Partial least squares, PLS)[11]及其拓展方法等, 这些特征提取方法通过将高维数据投影到低维空间来提取关键信息, 并用于进一步的故障评估研究. 随着人工智能的发展, 支持向量机 (Support vector machine, SVM)[12]、判别分析 (Fisher discriminant analysis, FDA)[13]等典型机器学习方法被广泛应用, 这类方法通过建立过程数据与评估指标之间的映射关系来实现故障评估. 其中, SVM通过高维空间映射寻找最优分类超平面, 而FDA通过降维投影建立判别函数. 然而, 这些方法大多局限于浅层学习, 可能无法很好地处理非线性耦合数据, 在故障评估中常与其他特征选择和提取方法相结合. 近年来, 深度学习因其能够自动提取大规模非线性数据的深层特征而被广泛研究与应用, 如卷积神经网络 (Convolutional neural network, CNN)[14]、堆叠自动编码器 (Stacked auto-encoder, SAE)[15] 和深度置信网络 (Deep belief network, DBN)[16]等. 其中, DBN通过数据的概率分布来提取高层表示, 与其他网络相比, DBN兼具生成模型和判别模型双重属性, 具有模型结构简单、训练难度小、易于拓展等优点. 目前, DBN已在图像处理、语音识别、医学诊断等任务中得到了广泛的关注和研究[17].

上述特征提取方法侧重于建立单模态的故障评估模型. 然而, 实际过程中往往存在多种工作模态, 操作条件的变化、产品规格的多样性等使工业过程运行工况复杂多变, 传统的单模态故障等级评估方法难以有效地提取和分析潜在的多模态数据特征, 需要构建适用于多模态过程的特征提取模型和评估指标. 一类常见的方法是将PCA、PLS等基于多元统计的方法扩展至多模态. 例如, 文献[18] 利用多空间PCA获取不同模态的独立特征, 根据投影位置来评估在线过程运行状态, 并综合经济指标来划分性能等级. 文献[19] 采用最小体积椭圆自适应地对各模态特征方差的子空间进行建模, 并根据子空间之间的距离设计评估退化指标. 文献[20] 将经济指标信息融入到慢特征分析中, 协同感知复杂工业过程的静–动态特性变化, 实现了对运行状态的综合评价. 为了提高对具有非线性、动态性多模态过程的处理能力, 一些基于概率的评估框架被提出, 如贝叶斯网络 (Bayesian network, BN)[21]、高斯混合模型 (Gaussian mixture model, GMM)[22]等. 尽管上述方法在一定程度上解决了非线性问题, 但每个模态中仍存在线性假设, 影响了评估的准确性. 当面对复杂的非线性和高维变量时, 深度学习表现出更好的潜力, 基于深度学习的评估模型受到越来越多的研究. 文献[23] 提出了基于条件生成对抗网络的多模态图像质量评估方法, 以平均意见分数建立评估指标, 通过双通道自编码器 (Autoencoder, AE) 提取两个模态不同深度的特征, 并在注意力机制的监督下进行分层融合特征. 文献[24] 针对多模态过程建立多个AE模型, 并将数据压缩到一个共同的更小的潜在空间后进行跨模态重构, 充分利用了故障信息. 文献[25]提出一种基于DBN的主动迁移学习方法, 通过DBN挖掘输入特征与暂态评估结果之间的非线性映射关系, 并结合主动迁移方法提高了在线应用的快速性和鲁棒性.

现有的多模态过程故障等级评估方法针对不同的运行模态分别建立评估模型, 仅考虑在所有模态的故障等级数据均已知条件下如何通过优化学习网络来提高评估的准确率, 未考虑在某些运行模态各种故障等级信息未知下如何改进和优化算法. 并且大部分方法只关注各模态数据的独有特征, 缺少对各模态间共性特征的建模与分析. 实际上, 尽管模态在进行切换, 但并不是所有变量的相关性都随模态切换发生改变, 一些多模态过程具有明显的共同信息. 例如, 在带钢热连轧过程生产不同规格板带时, 上游机架轧制力和辊缝变量遵循相似的轨迹, 而弯辊力变量往往表现出不同的特性. 因此, 分别提取多模态过程的共性特征和各运行模态的个性特征[26], 并根据故障对共性特征和个性特征的影响构建评估模型, 可通过共性特征实现对部分模态缺失信息的补充, 提高多模态过程故障评估的准确性. 本文的故障等级评估方法示意图如图1所示.

※ ※ ※ ※ ※ ※ ※ ※ ※ ※ ※ ※

图 1 融合共性–个性特征的故障评估方法示意图

针对多模态过程的故障等级评估问题, 本文以DBN为特征提取基础模型并进行深层次拓展, 提出了一种基于共性–个性深度置信网络 (Common and specific deep belief network, CS-DBN) 的故障等级评估方法. 首先, 针对多模态过程数据, 构建一种CS-DBN模型来提取模态间的共性特征和个性特征; 其次, 提出融合共性–个性特征的故障等级评估方法, 考虑到两种特征对每个等级指标的重要性不同, 给共性–个性特征分配不同的权重因子; 最后, 将所提方法应用到带钢热连轧过程中, 利用实际过程数据验证所提方法的有效性.

1. 问题提出与基本思路

本节以热连轧过程故障等级评估为例, 介绍问题的提出与基本思路. 图2 展示了3种规格带钢生产过程中第2机架轧制力的采样数据, 若把3种规格带钢生产过程视为3种运行模态, 可以看出, 3种模态的轧制力数据具有共性, 即开始轧制阶段呈现上升趋势. 另外, 它们还有各自的独有特征, 如模态3轧制力增长到一定程度就趋于稳定, 而另外两个模态轧制力分别呈现持续增长和持续下降的特征. 传统故障等级评估方法大多根据故障的大小判断故障等级, 忽视了故障对变量变化趋势等深层次特征的影响, 因此容易出现误评估情况. 以轧制力故障为例, 该种故障在热连轧过程中属于较为严重的故障, 3种模态的轧制力故障下的轧制力数据如图3所示. 若已知模态1和模态3的轧制力故障数据, 利用训练好的评估模型评估模态2的故障等级, 如图3所示, 由于模态1和模态3所训练的评估模型并不能完全覆盖到模态2故障数据的全部信息, 因此传统方法容易将该故障错评为一般故障或者正常. 若利用模态2的故障数据提取共性特征, 如图3所示, 该故障对共性特征的影响较大, 利用模态1和模态3共性特征训练好的评估模型可将此故障正确地评估为严重故障. 弯辊力故障也是热连轧过程经常发生的故障, 当弯辊力发生异常后, 会间接影响轧制力的动态设定, 该故障对带钢产品的厚度影响较小, 常被当做轻微的故障. 图4 给出了3种模态弯辊力故障下的数据曲线, 如果利用模态1和模态2的故障数据训练评估模型并评估模态3的故障等级, 由于模态3的故障数据范围已经超越了模态1和模态2的故障数据范围, 传统的评估方法易将该故障误评为严重故障. 而如果利用模态3故障数据提取的共性特征来评估, 如图4所示, 由于共性特征并没有受到较大影响, 因此可被正确评估为轻微故障. 因此, 可以看出, 若不考虑各模态间的共性特征和个性特征, 很容易导致错误的评估结果.

※ ※ ※ ※ ※ ※ ※ ※ ※ ※ ※ ※

图 2 热连轧过程单变量共性−个性特征分解示意图

※ ※ ※ ※ ※ ※ ※ ※ ※ ※ ※ ※

图 3 轧制力故障共性特征等级评估示意图

※ ※ ※ ※ ※ ※ ※ ※ ※ ※ ※ ※

图 4 弯辊力故障共性特征等级评估示意图

实际热连轧生产过程中变量众多且相互耦合关联, 多模态特性也使得过程固有的非线性更加明显. 假设带钢热连轧过程在M 种模态下运行, 每种模态下的过程数据可表示为

其表示由n 个过程变量Nm 个样本组成的数据矩阵. 如何基于Xm 构建提取各模态的共性特征和个性特征的模型, 对多模态过程故障等级的评估起着关键作用. 为实现这一目的, 较为直接的方法是在传统特征提取的基础上, 深度挖掘各模态特征间的共性和个性部分. DBN作为特征提取方法可实现高维非线性数据的处理. 按照以上思路, DBN可从Xm 中提取到各模态基本特征