大数据驱动的故障检测：改进的PCA与PLS方法

Many practical systems in Industry 4.0 Era have big data characteristics such as high dimension, high volume, and variant structure properties. Starting from these characteristics, this project will improve and enhance the traditional data-driven fault detection methods including PCA and PLS. One main aim is to make PCA and PLS have the scalability, performance consensusability and continual learning ability. Focusing on the above-mentioned requirements, this project proposes four novel problems: the problem of variable selection resulting from high dimension and variant structure properties, the problem of the minimum data given the detection performance, the problem of over/under estimation of the variable relationship, and the problem of continual learning for structural property of data. Based on PCA and PLS, this project will mainly consider and resolve these problems. It will develop the fault detection approaches for adjusting conflicts, the fault detection approaches driven by the minimum data, the fault detection approaches based on the maximization of partial mutual information, and the fault detection approaches with continual learning ability for structural property of data. These approaches will improve and enhance the existing data-driven fault detection, and contribute to big data-driven fault detection. The team of the project team has good working conditions and research foundation, which is expected to bring important progress to the big data-driven fault detection.

本项目主要迎合工业4.0时代众实际系统具有的大数据特征（如数据高维、数据高容量以及数据结构特征多变等），对传统的数据驱动的故障检测方法（如PCA、PLS）作出重要改进与提升，使它们具有可扩展、性能一致以及持续学习的能力。本项目紧紧围绕上述要求，凝练出四个新颖的问题：高维数据及特征多变导致的变量选择问题、给定检测性能下的最少数据问题、监控变量关系的欠估计或过估计问题、以及对数据结构特征的持续学习问题。基于PCA及PLS方法，本项目将针对上述问题提出具有冲突调整能力的故障检测方法、最少数据驱动的故障检测方法、基于部分互信息最大化的故障检测方法、以及对数据结构特征具有持续学习能力的故障检测方法。这些方法不仅丰富和提升已有的数据驱动的故障检测研究，而且能够对大数据驱动的故障检测做出创新性贡献。项目组所在的团队具有良好的工作条件和研究基础，有望为大数据驱动的故障检测带来重要进展。

本项目预期从PCA 及PLS 出发，在大数据驱动的故障检测方面做出创新性工作。执行期间，项目组紧密围绕故障检测领域中的理论难题开展研究。具体来说，针对田纳西过程微小故障3,9和15很难检测的瓶颈问题，项目组总结了近十年的研究经验，基于PCA与PLS等基础检测器，创新性提出了集成检测器和特征集成网络方法，能够成功检测故障3,9与15；首次将持续学习的思想应用到多工况动态过程的监控中，创新性提出了一系列的具有连续学习能力的过程监控方法，不仅能够适应复杂动态过程不断出现的工况，而且能够满足实际系统对准确性和计算存储资源的需求；创新性提出了复杂动态过程异常检测的混合变量方法，从平稳过程到非平稳过程，从有监督检测到无监督检测，系统性提出了对应的异常检测方法，克服了传统过程监测方法高度依赖连续变量但完全忽视二值变量的缺陷；提出了基于部分互信息的质量相关故障检测方法，能够准确区分质量相关异常和非质量相关异常，降低动态过程中将质量无关异常误判为质量相关异常的概率。..执行期间，项目组已经在国际期刊Autoamtica、IEEE Transactions on Industrial Informatics、IEEE Transactions on Cybernetics、IEEE Transactions on Automation Science and Engineering、IEEE Transactions on Systems, Man and Cybernetics: Systems、IEEE Transactions on Control Systems Technology、Control Engineering Practice、Journal of Process Control等发表和录用29篇论文。项目组已经培养了博士毕业生6名，硕士研究生3名，其中有两位博士生是清华大学优秀博士论文获得者，一位硕士生是清华大学优秀硕士论文获得者，一位博士生是中国自动化学会优秀博士论文获得者。曾获2019年度中国自动化学会自然科学二等奖。