引用本文

刘美枝, 孔祥玉, 胡昌华. 基于质量关联虚拟变量的质量相关变量划分及故障检测. 自动化学报, 2025, 51(5): 1118−1130 doi: 10.16383/j.aas.c240627

Liu Mei-Zhi, Kong Xiang-Yu, Hu Chang-Hua. Quality-related variable division and fault detection based on quality-related virtual variable. Acta Automatica Sinica, 2025, 51(5): 1118−1130 doi: 10.16383/j.aas.c240627

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c240627

关键词

工业过程，质量相关变量，变量划分，质量关联虚拟变量，故障检测指标 

摘要

质量相关故障检测作为数据驱动的多元统计过程监测的重要研究内容, 是保障复杂装备或工业过程安全高效运行的关键技术, 而确定或划分质量相关变量是该方法的核心环节. 现有质量相关故障检测方法通常高度依赖于质量变量, 一旦质量变量不可测, 其有效性便受到严重挑战. 为解决这一挑战, 提出基于质量关联虚拟变量(Quality-related virtual variable, QRV)的质量相关变量划分方法, 基于此建立一种独立成分分析(Independent component analysis, ICA)质量相关故障检测模型, 并开展故障检测应用研究. 首先, 构造一个QRV, 以间接反映系统的质量特性; 其次, 基于该QRV, 利用假设检验将过程变量划分为质量相关和质量无关变量组; 随后, 将该划分结果应用于基于ICA的质量相关故障检测, 利用指数加权移动平均(Exponentially weighted moving average, EWMA)修正统计量, 并构造综合检测指标; 最后, 通过数值仿真和田纳西−伊斯曼过程(Tennessee-Eastman process, TEP)实验验证了所提方法的可行性和有效性.

文章导读

故障检测与诊断是保障复杂装备、工业过程安全稳定运行及产品质量的重要技术支撑[1]. 相较于传统依赖机理模型或专家知识的方法, 数据驱动的多元统计故障检测方法因其独特的优势而日益受到工程界和学术界的广泛关注, 成为故障检测领域的研究热点[2]. 该方法仅需利用系统运行时的离线和在线观测数据, 借助较成熟的多元统计分析方法, 特别适用于过程变量繁多且高度相关的系统. 

质量相关故障检测是基于多元统计过程故障诊断的重要研究内容, 而测量变量之间的相关性分析是该方法的关键环节. 一般而言, 测量变量可分为两类: 过程变量和质量变量. 过程变量是指在复杂装备运行或工业生产过程中可以直接观测的物理量、化学量或操作参数, 如电压、电流、流量等, 这些变量反映装备运行或生产过程的实时状态. 质量变量是指与装备性能或生产质量指标相关的变量, 如火箭飞行姿态角, 轧钢或造纸的厚度、硬度等, 这些质量变量是评估装备性能或产品质量的依据. 

需要指出的是, 由于复杂装备或工业过程结构复杂, 各组成部分之间高度耦合. 这些系统涉及的过程变量繁多, 且变量之间存在相关性. 但并非所有过程变量都与系统关键性能或产品质量密切相关. 在众多过程变量中, 通常只有部分变量的变化真正影响产品质量, 我们将这些变量称为质量相关变量, 而其余变量则被称为质量无关变量. 在故障检测中, 如果对所有过程变量进行建模, 质量无关变量的波动可能会导致故障检测指标超出控制限, 从而触发报警. 但这类故障并不直接影响产品质量, 我们称这类故障为质量无关故障. 由质量无关故障触发的报警不仅浪费资源和时间, 还可能误导操作人员对实际工况的判断, 大大影响生产效益. 为实现对生产过程的精准控制与优化, 确保产品质量和生产效益, 故障检测方法必须能够有效区分质量相关故障和质量无关故障. 

一般情况下, 质量相关故障检测方法可以归纳为两大类: 一类为空间分解法, 另一类为变量划分法. 空间分解法, 也称为后分解法, 其主要思路是首先对所有过程变量建立模型, 形成投影空间, 随后将该投影空间分解为质量相关子空间和质量无关子空间. 这一类的典型方法包括全潜结构投影(Total projection to latent structures, T-PLS)[3]和改进偏最小二乘(Modified partial least squares, MPLS)[4], 这两种方法都建立在偏最小二乘(Partial least squares, PLS)模型的基础上, 对投影空间进行深入的分解和细化; 随后, 这两种方法的大量变体被相继提出[5−8]. 空间分解法不仅适用于PLS模型, 也被广泛应用于其他统计分析模型中, 如主成分分析(Principal component analysis, PCA)[9]、典型相关分析(Canonical correlation analysis, CCA)[10−11]、独立成分分析(Independent component analysis, ICA)[12] 和慢特征分析(Slow feature analysis, SFA)[13] 等. 例如, Wang等[14] 利用核主成分分析提取核主成分, 随后基于该核主成分和质量变量建立CCA模型. Liu等[15] 采用核独立成分对过程变量提取独立成分, 进一步建立独立成分与质量变量之间的回归模型, 提出修正的核独立成分回归(Modified kernel independent component regression, MKICR)模型. Zhang等[16] 提出一种基于质量相关修正正则化的SFA分布式故障检测方法, 以处理大规模时序过程中的动态、连接关系及异常值问题. 

变量划分法根据过程变量与质量变量的相关性强弱, 将过程变量分为质量相关组和质量无关组. 随后, 对这两组变量分别建模实现质量相关故障检测. 典型的划分方法包括互信息(Mutual information, MI)[17−18], 最小冗余最大相关 (Minimal redundancy maximal relevance, mRMR)[19], 传递熵(Transfer entropy, TE)[20−21], 投影变量重要性(Variable importance in the projection, VIP)[22−23] 等. 例如, Guo等[24] 结合先验知识和测量变量建立时空拓扑图, 并利用MI划分变量构建质量相关子空间, 进行质量相关故障检测. Zhu等[25] 利用MI选择质量相关变量, 随后根据操作单元将整个过程分解为多个块, 分别在每个块中采用改进的卷积神经网络建立特征提取模型. Yu等[20] 利用TE计算变量间的因果关系, 对质量相关变量提取卷积特征, 建立质量相关故障检测模型. 

上述空间分解法和变量划分法的应用均存在一个前提条件: 质量变量必须可测, 因为它们依赖质量变量来分解质量相关子空间或划分质量相关变量. 然而, 在实际工业过程中, 由于生产环境恶劣或测量技术的局限性, 某些关键的质量变量, 例如脱丁烷塔塔底丁烷浓度, 可能难以甚至无法通过现有的测量仪器准确测量. 这一情况对传统的质量相关故障检测方法构成严峻的挑战. 针对这一挑战, 本文提出一种基于质量关联虚拟变量(Quality-related virtual variable, QRV)的质量相关变量划分方法, 建立一种基于QRV的ICA质量相关故障检测模型(QRV-based ICA, QRVICA). 值得注意的是, QRV的构造过程仅使用过程变量, 不依赖质量变量. 然而, 该QRV仍保持与质量变量较强的相关性, 并能够有效追踪质量变量的变化趋势. 因此, QRV可作为一种虚拟量间接反映系统的质量特性. 

与现有质量相关故障检测方法相比, 本文的主要贡献可归纳为: 1) 针对工业过程中质量变量不可测的情况, 提出一种质量关联虚拟变量构造方法. 该虚拟变量可间接反映系统的质量特性, 为变量间的相关性分析提供一种新方案. 2) 基于所构造的QRV, 提出一种基于假设检验和滑动窗口的质量相关变量划分方法, 为后续故障检测奠定基础, 有效克服传统质量相关故障检测对质量变量的直接依赖. 3) 设计一套完整的故障检测策略, 通过指数加权移动平均(Exponentially weighted moving average, EWMA)将历史样本信息融入当前样本的检测指标构造中, 实现兼具最低误报率和最高检测率的质量相关故障检测. 

图 1  基于QRV的质量相关变量划分方法的整体框架

图 2  时间序列分块示意图

图 3  基于QRVICA的质量相关故障检测流程图

针对工业过程中质量变量难以直接测量的情况, 本文提出一种基于QRV的质量相关变量划分方法. 该方法通过构造一个QRV作为中间量实现过程变量的划分, 能有效克服传统方法对质量变量的依赖. 所提方法特别适用于那些质量变量难以直接测量情况下的质量相关故障检测. 此外, 该方法也适用于存在多个质量变量的场景, 避免传统方法中需逐一评估每对过程变量和质量变量间关系的繁琐过程, 进而简化计算流程. 将所提质量相关变量划分方法应用到故障检测, 实验结果表明, 无论是针对质量相关还是质量无关的故障场景, 所提QRVICA方法均展现出优越的故障检测性能, 不仅能够有效抑制误报率, 而且在提升故障检测准确率上具有显著优势, 这进一步验证了所提变量划分方法的有效性和可靠性. 这一研究为复杂装备或工业过程的质量相关故障检测提供一种新的可行性方案. 

值得注意的是, 所提方法适用于线性系统, 如何将其扩展到非线性系统尚待研究. 鉴于非线性系统的复杂性和多样性, 未来的研究方向可聚焦于如何将互信息等非线性分析工具有效融入本方法中.