基于k近邻批次过程在线实时监测方法.docVIP

基于k近邻批次过程在线实时监测方法 　　摘要： 　　针对基于k近邻的故障检测方法（Fault Detection method using the kNearest Neighbor rule， FDkNN）的在线实时监测需预估当前时刻之后的采样数据，检测性能会受到预估精度影响的问题，对FDkNN进行扩展以适用于批次过程的实时监测.该方法根据每个采样时刻的历史数据进行建模，并根据这些模型实时监测批次过程.该方法不需要预估数据，避免由于预估误差大而带来的误报和漏报问题，同时较好地继承k近邻法则（kNearest Neighbor rule， kNN）在处理非线性、多模态和非高斯等问题上具有的优势.青霉素发酵过程的仿真试验验证该方法可行. 　　关键词： 　　k近邻； 批次过程； 实时监测 　　中图分类号： TP277 　　文献标志码： B 　　收稿日期： 2015[KG*9〗04[KG*9〗07 　　修回日期： 2000[KG*9〗00[KG*9〗00 　　基金项目： 国家自然科学基金6120309461333005） 　　作者简介： 　　周梅（1992―），女，江苏东台人，硕士研究生，研究方向为数据驱动故障诊断，（Email） meizhou23@163.com 　　通信作者： 　　文成林（1963―），男，教授，博士，研究方向为多尺度估计理论及其应用以及信号融合和故障诊断，（Email） wencl@ 　　0引言 　　批次过程作为一种重要的生产方式，已广泛应用于食品、生物制药等众多领域.与连续生产过程相比，批次过程具有反应复杂、时序操作严格等特点，使得对其过程的监测变得更加困难. 　　近年来，基于多元统计的过程监测方法，如主元分析（Principal Component Analysis， PCA）方法和偏最小二乘回归（Partial Least Squares， PLS）法等，已被广泛应用于监测批次生产过程.基于PCA方法的批次过程监测方法假设运行工况稳定，变量间呈现线性关系且数据服从高斯分布.实际上，批次过程通常运行在非单一的稳态工况下，变量间呈现非线性且数据的非高斯特征明显，这使传统的基于PCA的监测方法很难有效监控批次过程.针对非线性、非高斯和多模态等问题，尽管有相应的改进方法被提出，如针对非线性的核PCA（Kernel PCA， KPCA）方法，针对非高斯的独立主元分析（Independent Component Analysis， ICA）方法以及针对多模态的多模型PCA方法等，但是当上述问题同时存在时，这些改进方法很难对批次过程进行有效监测.针对上述问题，HE等提出基于k近邻的故障检测方法 （Fault Detection method using the kNearest Neighbor rule， FDkNN）并应用于半导体生产这一典型的批次过程中.该方法不需要假设变量线性且对数据的分布没有要求，其基于局部样本之间的距离关系检测故障，能较好地处理非线性、多模态和非高斯问题.FDkNN中对批次过程的三维数据矩阵按照批次展开的方式进行预处理，即将一个生产批次所有时刻的采样数据展为一个高维向量作为一个样本，因此需要等批次运行结束后得到所有的数据才能判断批次过程是否发生故障.若将该方法用于批次过程在线实时监测，即得到每个采样时刻的数据后再判断过程是否异常，则需要预估当前时刻之后的所有数据，因此该监测方法的性能在很大程度上受制于预估测量值的精度，且难以真正实现在线监测的目的.目前，已有文献提出利用PCA方法对每个采样时刻的历史数据（时间片数据）建立监控模型或者对一段时间建立统一模型，根据对应时刻的模型监控在线得到的采样数据，达到实时监控的目的，可以及时地检测故障并实施相应的调控措施.尽管这样的处理方式可避免数据预估问题，但是仍然面临批次过程的非线性、多模态和非高斯等问题. 　　本文扩展k近邻法则（kNearest Neighbor rule， kNN）以解决批次过程的在线实时监测问题，该方法既继承kNN处理非线性、多模态和非高斯等问题的优势，又避免数据预估问题.不同于FDkNN中对数据的处理和监测方式，本文按照数据的采样时间片分别建立模型.在线实时监测时，只需得到当前采样时刻的测量数据即可判断批次过程是否正常，从而避免由于估计误差带来的误报、漏报现象.通过青霉素发酵过程的仿真试验，验证kNN用于批次过程在线实时监测的可行性和优越性. 　　1基于PCA方法的批次过程监测 　　PCA方法是一种将高维数据投影到低维空间的方法，将原数据空间中数量较多且耦合度高的变量用投影空间中的几个新的隐藏变量代替，这些隐藏变量彼此间互不相关，但仍然能够反映原变