多模态多时段间歇过程静动态协同监测及故障诊断研究

Multimode and multiphase batch process is one of the most important production modes in modern manufactory, which has complex time-varying dynamic features, uneven lengths and diverse process statuses. It has become an urgent and difficult problem to ensure its safety. In this project, a systematic fine-scale process monitoring and fault diagnosis strategy has been developed for multimode and multiphase batch processes by simultaneously analyzing the multimode characteristic in batch axis and the multiphase characteristic in time axis. According to two-dimensional dynamic characteristic in multimode batch processes, an identification method of both modes and phases is proposed based on similarity analysis of multivariate time series data; By concurrent analysis of static and dynamic features, fine-scale process monitoring is realized by detecting the deviation of static operating point and dynamic abnormality; For the new mode with limited batches, transfer learning strategy is employed to establish new models quickly by learning the useful information from the similar historical modes; When the fault occurs, the fault variables are isolated by the proposed sparse variable selection methods, and the root-cause fault variables are located by the multilayer Bayesian network to identify deep-rooted cause; The proposed methods are validated and improved on the existing experimental platforms and gradually applied to one or two typical batch industrial processes.

多模态多时段间歇过程是现代制造业最重要的生产方式之一，具有动态时变特性复杂、不等长现象严重、过程状态复杂多样等特点，如何保障其安全可靠运行成为亟需解决的难点问题。本项目通过深入剖析批次轴上的“多模态”特性以及时间轴上的“多时段”特性，提出一套静动态协同监测及诊断的总体解决方案：根据多模态间歇过程二维动态特性，提出基于多元时序数据相似性分析的模态时段协同识别方法；通过对静态结构和动态信息的协同分析，有效识别静态操作点的偏离以及动态信息的异常，实现过程的精细化状态监测；针对缺乏建模数据的新模态，采用迁移学习的思想，通过对历史相似模态的挖掘学习，实现新模态模型的快速建立；当故障发生时，利用基于稀疏变量选择的方法进行故障变量隔离，并利用多层次贝叶斯网络方法准确定位根源故障变量，实现故障深层次原因追溯；对所提出的方法在已有实验平台上进行验证与完善，并逐渐将其推广应用到1-2个典型的间歇工业生产过程。

本项目围绕多模态多时段间歇过程监测与诊断的关键科学问题，开展了多元统计分析、机器学习等相关理论与方法的深入研究，在实现精细化状态监测、静动态特征提取等关键科学问题和技术上有所突破，将所提方法在青霉素过程、注塑过程进行验证，并向油气水多相流等过程进行了推广应用。主要研究成果包括：针对间歇过程多时段特性，建立了基于优化思想的有序时段划分算法；针对慢时变间歇过程，通过分析批次之间差分轨迹，揭示了批次间受缓慢变化因素影响产生的相对变化；考虑到间歇过程在批次和时间上的二维动态特性，通过适当选取不规则支持域来精细捕捉过程在二维方向上的动态变化，通过协同分析静态结构与动态信息，实现了间歇过程的精细化状态监测。针对多模态过程，提出了一种公共典型变量分析方法来提取模态间的公共信息；针对只含有少量建模数据的新模态，提出了基于迁移成分分析的过程监测算法；针对不确定性问题，建立基于概率统计的数据转化模型，并基于区间数据建立谱半径-区间主成分分析模型以及完全信息-区间主成分分析模型，并提出了基于顶点独立成分分析的非高斯工业过程状态监测方法。针对气液两相流动过程中的时变动态、非线性等问题，提取包含流型局部波动特性和全局结构关系的低维特征向量，利用信息融合方法对监测结果进行决策级融合，实现了流动状态的在线监测。本项目的研究为复杂工业过程监测与诊断提供了新的技术与支撑，目前已发表SCI源期刊论文9篇，EI期刊论文3篇，在国际顶级会议IEEE I2MTC发表论文6篇，发表国内会议论文5篇。授权国家专利3项，申请国家专利3项，指导博士研究生3名、硕士研究生5名。