用于多模式工业过程中可靠故障检测的自适应时域稀疏流形表征

《Control Engineering Practice》:Adaptive temporal sparse manifold representation for reliable fault detection in multimode industrial processes

【字体: 大 中 小 】 时间:2026年09月23日 来源:Control Engineering Practice 5.3

编辑推荐:

   摘要 故障检测对于工业过程的安全运行至关重要。然而,从多模式工业过程中收集的数据在变化运行条件下通常呈现异质分布,难以建立可靠的监控模型。为解决该问题,本文提出了一种自适应时序稀疏流形表示(ATSMR)方法,用于多模式工业过程中的可靠故障检测。在ATSMR中,引入时序稀疏正则

  

摘要
故障检测对于工业过程的安全运行至关重要。然而,从多模式工业过程中收集的数据在变化运行条件下通常呈现异质分布,难以建立可靠的监控模型。为解决该问题,本文提出了一种自适应时序稀疏流形表示(ATSMR)方法,用于多模式工业过程中的可靠故障检测。在ATSMR中,引入时序稀疏正则化以抑制与时序上远程样本相关的系数,同时引入时序流形正则化以增强时序邻近样本的表示一致性。所得的时序约束稀疏系数用于构建相似性图,从中自适应地确定运行模式数及对应的模式划分,而无需预先指定模式数。对于在线监控,每个传入样本根据稀疏重建残差被分配到最相关的模式,并使用为该模式建立的时序邻域保持嵌入(TNPE)模型进行评估。在多功能流(MPF)基准和流化催化裂化(FCC)分馏过程上的实验表明,ATSMR在多模式运行条件下能够实现准确的模式识别和可靠的故障检测。

引言
故障检测在确保工业过程的安全性与可靠性方面发挥着重要作用。现代工业装置通常以多种模式运行以适应多样化的生产需求(Huang, Zhang, Wu, Yang, Gui, 2026, Lyu, Zhou, Cong, Zheng, Song, 2024, Qui?ones-Grueiro, Prieto-Moreno, Verde, Llanes-Santiago, 2019)。与此同时,监控与数据采集系统(SCADA)以及分布式控制系统(DCS)不断在不同运行条件下收集大量过程数据(Yin, Ding, Xie, Luo, 2014, Zhang, Zhou, Chen, Wu, 2023)。来自不同运行模式的正常数据通常呈现明显不同的分布,从而产生显著的多多模式特征(Dong, Zhang, Peng, 2021, Wang, Li, Dai, Lawrence, Yan, 2020)。单一的全体监控模型可能无法刻画这些具有模式特异性的分布,可能导致将正常模式变化误判为故障,以及使初期故障无法被检测到(Afzal et al., 2017)。因此,建立可靠的监控模型对于防止非计划停车和降低安全风险至关重要。

多元统计过程监控(MSPM)已被广泛应用于故障检测(Ding, Liang, Chen, Yang, 2023, Huang, Feng, Chen, Wu, Yang, Gui, 2025, Pan, Wang, Cao, Gui, 2024)。对于多模式过程,一种主要策略是将历史正常数据划分为不同的运行模式,然后为每个已识别的模式构建具有模式特异性的监控模型。Tong等人将k-means聚类与局部PCA模型相结合,用于多模式过程监控(Tong et al., 2013)。Wang等人开发了一种基于多尺度邻域归一化的多元动态PCA方法,以应对运行条件的频繁变化(Wang et al., 2018)。Zhou等人提出了一种多粒度框架,其中融合了模式间和模式内信息以进行模式划分和故障检测(Zhou et al., 2023)。高维工业过程数据通常具有本质上低维的流形结构,这推动了将流形学习引入MSPM。流形学习方法,如局部切空间对齐(LTSA)、邻域保持嵌入(NPE)和局部性保持投影(LPP),能够在提取低维特征的同时保持局部邻域几何(Shah, Ahmed, Lisheng, 2023, Wang, Li, Ai, Wu, Yang, Pan, 2024, Wang, Li, Wu, Ai, Yang, 2025, Yang, Yan, 2025)。对于多模式过程,Xu等人提出了多流形联合投影(MMJP)以同时表征模式内邻接和模式间连通性(Xu et al., 2021)。随后Fu等人开发了低秩多流形嵌入(LRME),该方法采用凝聚层次聚类(AHC)进行模式分离,然后构建一个保持模式内和模式间结构的低秩嵌入模型(Fu et al., 2024)。为进一步纳入过程动态性,Zhang等人提出了一种鲁棒的时序-空间综合投影方法,该方法结合基于邻域的流形表征与时序信息以应对动态变化和离群扰动(Zhang et al., 2025b)。这些方法能够表征模式特异性的分布和流形结构,但并未将时序信息纳入模式划分,而主要将其用于特征投影。

时序依赖性是工业过程数据的一个重要特征,特别是在运行条件变化时。为表征这种依赖性,Liu等人提出了一种图动态自编码器(GDAE),该方法结合图卷积与自编码从过程数据中提取动态特征(Zhao, 2018)。Tan等人开发了自适应时序NPE(ATNPE),该方法采用近似线性依赖(ALD)准则,当传入样本被识别为正常且满足预定义更新条件时,在线更新预先训练好的TNPE模型(Tan et al., 2019)。然而,此类在线更新可能会增加计算负担。动态潜变量建模提供了另一种表征过程动态性的方法。Dong和Qin提出了动态内部典型相关分析(DiCCA),该方法通过最大化典型相关提取动态潜变量并监控相关静态分量(Dong et al., 2020)。对于多模式非平稳过程监控,Zhao等人将关键指标变量与慢特征分析(SFA)相结合以进行分模式的分布评估,并引入贝叶斯推断用于故障检测,从而应对运行条件变化与瞬态行为(Zhao et al., 2021)。Zhang等人还提出了一种自适应监控框架,该框架通过分解特征空间来刻画残差动态,并提取动态和静态慢特征以实现跨运行模式的持续自适应(Zhang et al., 2025a)。

稀疏表示也已应用于多模式过程监控。每个样本被表示为其他样本的稀疏线性组合,所得系数用于构建相似性图以进行模式划分。Wang等人提出了时序加权核稀疏表示(TWKSR),该方法将时序加权与高斯核集成到稀疏表示框架中,用于多模式划分(Wang et al., 2022)。TWKSR惩罚与时间远程样本相关的系数,但并未强制局部时序一致性,且需要预先定义模式数。最近,Yu等人开发了一种潜变量映射贪心高斯分割方法,用于估计模式数并识别相应的分割点,并采用具备持续学习能力的VAE进行监控(Yu et al., 2025)。

上述研究凸显了时序信息在多模式过程监控中的重要性。然而,构建可靠的相似性图并自适应划分运行模式仍具挑战性。时序稀疏正则化惩罚与时序上远程样本相关的系数,但并未强制时序邻近样本之间的表示一致性。模式划分通常也依赖于预先指定的模式数。这些局限性可能对模式划分及后续的模式特异监控产生不利影响。为应对这些问题,本文提出了一种自适应时序稀疏流形表示(ATSMR)方法用于多模式过程监控。ATSMR通过将时序稀疏正则化和时序流形正则化同时纳入稀疏表示,并在局部时序邻域内保持表示一致性。所得的时序约束系数用于构建相似性图以进行模式划分。基于该图,ATSMR自适应地估计运行模式数并获得相应的模式划分,而无需依据先验知识预先指定模式数。对于在线监控,每个传入样本根据稀疏重建残差被分配到最相关的模式,然后使用为该模式建立的TNPE模型进行评估。

本文的主要贡献总结如下:
1. 提出了一种时序稀疏流形表示模型,用于为多模式工业过程构建时序约束的相似性图。该模型将时序稀疏正则化和时序流形正则化统一纳入稀疏表示框架,以惩罚与时间远程样本相关的系数,并强制时序邻近样本的稀疏表示之间的一致性。
2. 开发了一种基于相似性图的自适应模式划分策略,无需预先指定模式数。运行模式数从相似性图的谱结构中推断得出,随后应用归一化谱聚类获得相应的模式划分。
3. 建立了一个在线监控框架,以减少运行模式之间的分布失配并提升故障检测能力。每个传入样本根据各模式稀疏重建残差被分配到某一运行模式,随后使用相应的TNPE模型进行监控。

为进一步阐明方法上的差异,表1从时序信息、结构建模、模式数的自适应估计以及单个模式监控等方面对ATSMR与代表性方法进行了比较。本文其余部分组织如下。第2节回顾了稀疏表示和流形学习作为基础方法,并随后给出问题描述。第3节介绍了所提出的ATSMR方法。第4节描述了相应的监控框架。第5节介绍了案例研究并讨论了结果。第6节总结全文。

章节片段
预备知识与问题描述
本节回顾稀疏表示和流形学习作为预备知识,并随后描述利用相似性图进行模式划分的问题。

方法
本节介绍如图2所示的自适应时序稀疏流形表示(ATSMR)框架。ATSMR将时序稀疏正则化和时序流形正则化集成到稀疏表示中以构建相似性图。模式数从相似性图的谱结构自适应估计得到,并通过谱聚类获得相应的模式划分。为每个已识别模式建立TNPE模型。在……阶段

用于多模式过程监控的ATSMR
所提出的ATSMR监控方案包括两个阶段:离线建模和在线监控。在离线建模阶段,从历史正常数据中自适应识别运行模式数及相应的模式划分,并为每个已识别模式构建TNPE模型。在在线监控阶段,每个传入样本被分配到最相关的模式,并使用相应的TNPE模型进行评估。

案例研究
本节利用多功能流(MPF)基准和一个流化催化裂化(FCC)分馏过程评估ATSMR的有效性,这两者评估了多模式监控性能。表2报告了在不同候选范围内估计的模式数。结果表明ATSMR能够准确识别运行模式数。

结论
本文提出了一种自适应时序稀疏流形表示(ATSMR)方法,用于多模式工业过程中的故障检测。ATSMR将时序稀疏正则化和时序流形正则化集成到稀疏表示中,以获得时序约束系数。由此生成的相似性图实现了模式数及其对应模式划分的自适应估计。为每个已识别模式构建TNPE监控模型,并对传入……进行评估

资助
本工作部分由国家自然科学基金(项目号U23A20329)、云南省基础研究计划重点项目(项目号202601AS070112)、兴滇人才支持计划产业创新人才专项(项目号XDYC-CYCX-2022-0010)以及云南省科技计划博士服务产业研究创新培育项目(项目号FWCY-BSPY2024008)资助。

CRediT作者贡献声明
Wang Hancheng:构思、方法论、软件、可视化、项目管理、初稿撰写。
Li Peng:数据管理、资源、可视化、项目管理、指导、审阅与编辑。
Ai Mingxi:可视化、审阅与编辑。
Yang Chuangyan:数据管理、方法论。
Wu Jiande:指导、项目管理、获取资金、审阅与编辑。

利益冲突声明
作者声明不存在已知的、可能影响本文所述工作的竞争性财务利益或个人关系。

Hancheng Wang | Peng Li | Mingxi Ai | Chuangyan Yang | Jiande Wu
云南大学信息科学与工程学院,中国云南省昆明市呈贡区,邮编650500
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号