复杂工业大数据分块随机投影及分布式故障诊断方法研究

With the increasing larger and complex of the industrial processes, its measurement data not only have the nonGaussian, multimode distribution, and nonlinear variables relation, but also have the big data characteristics of high dimensions and low value, which challenges the real-time performance of the traditional data-driven fault diagnosis method and the efficient extraction of fault features. It has become a bottleneck problem in the flied of fault diagnosis. An effective way is to divide and group the high dimensional variables, then modeling and diagnosing these blocked data locally and parallel, and combing local diagnosis results globally. However, this leads two key scientific problems: dividing and grouping will cause the loss in variable relations; dimension reduction and feature extraction will also affect the accuracy of fault diagnosis. In order to find solutions for these key scientific problems, this project intends to conduct following research: a) to investigate the relation between the way of variable dividing and the performance of fault diagnosis, the ratio of random dimension reduction and the performance of fault diagnosis; b) to propose the way of dividing high dimensional method using the combination of mechanism-based and data-based methods; c) to propose a novel block random projection method for dimension reduction and feature extraction; d) to propose a method for distributed parallel modeling, local fault diagnosis and global combination of complex industrial big data. The object investigated in this project is close to the data characteristic of the real industrial processes; hence it has potential application in engineering.

工业过程规模化与复杂化发展，使其产生的测量数据不仅分布为非高斯、多模态且变量之间呈现非线性关系，同时兼具变量维数高、价值密度低等工业大数据特点；高维和低价值密度特性对传统数据驱动故障诊断方法的实时性与有效故障特征地提取带来新的挑战和困难，使其难以有效实施，已成为该领域的瓶颈问题。尽管将高维变量分组在局部并行建模、故障诊断以及全局融合处理是解决该问题的有效途径，如此处理亦会遇到的关键科学问题为：分组处理会造成变量相关信息损失；对数据进行压缩与特征提取亦会影响故障诊断精度。为此，本项目拟开展以下主要研究：a) 过程变量划分方式、随机投影压缩率对故障诊断性能影响的机理研究；b) 机理和数据相结合的过程变量划分方法研究；c) 提出分块随机投影的维数压缩与特征提取方法；d) 复杂工业大数据分布式并行建模、局部故障诊断和全局融合的方法研究。本项目研究对象贴近实际工业过程数据特性，因此具有潜在应用价值。

工业过程规模化与复杂化发展，使其产生的测量数据不仅分布为非高斯、多模态且变量之间呈现非线性关系，同时兼具变量维数高、价值密度低等工业大数据特点；高维和低价值密度特性对传统数据驱动故障诊断方法的实时性与有效故障特征地提取带来新的挑战和困难，使其难以有效实施，已成为该领域的瓶颈问题。尽管将高维变量分组在局部并行建模、故障诊断以及全局融合处理是解决该问题的有效途径，如此处理亦会遇到的关键科学问题为：分组处理会造成变量相关信息损失；对数据进行压缩与特征提取亦会影响故障诊断精度。为此，本项目主要开展了以下研究：a) 通过理论分析发现，先局部利用分块随机投影矩阵降维后集中监控的方式与先传统的集中式监控效果近似相同，可以提高监控大规模复杂工业过程的效率并保证监控效果。b) 提出了随机化核主元分析方法用于工业大数据建模和故障检测，保证近乎相同故障检测性能的同时大大降低了工业大数据建模和故障检测的计算复杂度；c) 面对没有任何故障信息辅助情况下的高维故障变量识别问题，提出了一种基于k近邻变量贡献度排序的快速故障重构方法，降低了识别过程的计算复杂度且可识别多个故障变量，避免了遍历所有变量组合策略的难题；d) 提出融合主观和客观权重的多分类器故障诊断方法，解决了多分类器系统中融合过程单分类器权重难以确定的问题。通过对田纳西-伊斯曼化工过程等基准案例的仿真实验验证了上述成果的有效性。在项目资助下，共发表论文6篇，其中SCI检索3篇，授权发明专利1项，登记软件著作权3项，项目主持人入选首批浙江省高校领军人才培养计划青年优秀人才，入选首批湖州市“南太湖本土高层次人才特殊支持计划”自然科学和工程技术领域青年拔尖人才。