基于变分贝叶斯方法的多工况过程监控.pdfVIP

第 38卷 l期 安 徽 师 范 大 学 学 报 (自然科学版) VOl38NO 【 2015年 i月 JournalofAnhuiNormalUniversity(NaturalScience) Jan．2015 DOI：10．14182／J．cnki．1001—2443．2015．O1．0011 基于变分贝叶斯方法的多工况过程监控 安 妮 ， 侍洪波 (华东理工大学化工过程先进控制和优化技术教育部重点实验室，上海 200237) 摘 要：多模型方法是针对多工况工业过程监控所使用的最普遍也是最有效的方法．传统的多模型 方法在离线建立子模型时，通常使用EM算法估计子模型的参数，但 EM算法容易陷入局部最优， 并且无法利用 已有的先验信息，会导致建立混合模型不够准确 ，可能无法有效检测 出故障．因此将 变分 贝叶斯方法与 多模型方法相结合 ，可以充分利用数据的先验知识 ，估计的参数也更准确 ．在建 立模型计算监控统计量后 ，通过比较待测试数据落在各个子模型 中后验概率的大小整合多个监控 结果．对TE过程的仿真实验表 明，变分贝叶斯用于多模型方法可以有效地监控工业过程． 关键词 ：变分贝叶斯；混合概率主元分析 ；多工况过程 中图分类号 ：TP277 文献标志码 ：A 文章编号 ：1001—2443(2015)01—0049—05 目前，多变量统计监控方法 已广泛应用于现代工业生产过程 中，但这些监控方法大多应用于单一稳定的 工作状态 ．如主元分析方法(以下简称 PCA)，作为 目前多变量统计监控方法技术的核心，其基本思想是：当 生产过程运行正常时，过程变量符合正态分布 ，当有故障发生时，过程变量之间的关系与数值改变，继而不再 是标准正态分布，只要计算相关 的监控统计量且与其控制 限进行大小 比较就可 以判断过程是否发生故 障-1J．但实际工业生产过程大多为多工况过程 ，由于多工况过程的环境多变性与生产方案 的多样性，其过 程变量不会完全符合正态分布．所以，单一稳定的工业过程监控方法若用于多工况过程监控 ，可能会导致无 法准确分析过程性能以及过程故障漏报率的升高 ． 对多工况过程的故障检测，目前应用十分广泛的方法是多模型方法 ．多模型方法的思想易于理解，只需 建立离线的子模型，使每个子模型符合每个稳定 的工业情况 ，即可在每个子模型 内对过程进行监控 j． Zhaoc]提出一种多PCA／PLS的模型，选择一个产生最小 SPE值的局部模型用于监控过程．Niu等人 使用 K均值聚类法建立多PCA模型 ．这些方法的共 同特点是通过聚类来划分数据 ，是把样本中的某个数据确定 归为一类中．本文使用的是混合概率主元分析 (以下简称 MPPCA)，它考虑 了数据划分到各个分类 中的概 率 ，并使用概率主元分析 (以下简称 PPCA)模型对每个分类进行建模 ． 传统的MPPCA多模型方法在建模过程中是通过期望最大化 (以下简称 EM)算法来估计每个分类中的 PPCA模型参数．EM算法是一个简单的迭代算法，该算法最大的优点是稳定 ，但 EM算法也存在着不足 ：1) EM算法高度依赖初始值的选择；2)EM 算法容易陷入局部最优 ．这些不足容易导致建立的子模型不够准 确 ，不能准确符合每个工况的特征，最终可能导致无法检测出过程的故障． 本文使用变分贝叶斯方法估计 MPPCA模型的参数 (以下简称 VBMPPCA)．变分贝叶斯方法提供一种 具有确定解的近似后验方法 ．从某种角度看，变分贝叶斯可以看做是EM算法的扩展-6J，同EM算法相 比，变 分贝叶斯方法会找出一个合适的参数分布，然后计算这个分布的参数值，从而近似参数和潜在变量的贝叶斯 网络的参数最佳值，而非像 EM算法只单纯地估计 出参数的最优值_8 J．相 比EM算法，变分贝叶斯方法更 考虑变量与参数之间的联系 ，因此，使用 VBMPPCA方法建立 的模型更加精确 ，检测故障也更加有效 ．本文 将变分贝叶斯估计参数的建模方法应用于过程故障检测中，并且通过 比较测试数据落在每个子模型中后验 概率的大小来整合多个监控结果 ． 收稿 日期 ：2014—10—08 基金项 目：国家 自然科学基金项 目． 作者简介 ：安妮(1990一)，女，安徽淮北市人，硕士研究生，现从事化工过