控制与决策

作者：张海利,王普,高学金,齐咏生,高慧慧

单位：北京工业大学信息学部,北京100124;数字社区教育部工程研究中心,北京100124;城市轨道交通北京实验室,北京100124;计算智能与智能系统北京市重点实验室,北京100124,,北京工业大学信息学部,北京100124;数字社区教育部工程研究中心,北京100124;城市轨道交通北京实验室,北京100124;计算智能与智能系统北京市重点实验室,北京100124,,北京工业大学信息学部,北京100124;数字社区教育部工程研究中心,北京100124;城市轨道交通北京实验室,北京100124;计算智能与智能系统北京市重点实验室,北京100124,,内蒙古工业大学电力学院,呼和浩特010051,,北京工业大学信息学部,北京100124;数字社区教育部工程研究中心,北京100124;城市轨道交通北京实验室,北京100124;计算智能与智能系统北京市重点实验室,北京100124,

关键词：间歇过程;多阶段;批次图像;卷积自编码器;一类支持向量机;故障监测

基金：国家自然科学基金项目(61803005,61640312,61763037)；北京市自然科学基金项目(4192011,4172007)；山东省重点研发计划项目(2018CXGC0608)；北京市教育委员会项目(PXM2019_014204_500034).

针对间歇过程的非线性、多阶段性等特点及其三维数据形式,提出基于批次图像化的卷积自编码故障监测方法.首先,将每个批次数据看作一个灰度图,每个批次中数据变化可以看作图片的纹理变化,利用卷积自编码器(convolutional autoencoder,CAE)直接对间歇过程三维数据进行特征提取,避免三维数据展开成二维时导致的信息丢失,无需分阶段充分考虑批次全局信息,有效提取过程变量相关关系的动态变化;同时,利用卷积操作提取局部特征信息,自编码网络可以解决非线性问题,实现特征的无监督学习;然后,使用一类支持向量机(one-class support vector method, OCSVM)描述特征分布,构造新的统计量,确定控制限,实现故障监测;最后,通过将该方法应用到Pensim仿真平台及重组人粒细胞集落刺激因子发酵的实际生产数据,验证所提方法的准确性和有效性.

来源：2021年第6期

《控制与决策》期刊编辑部

查看控制与决策杂志2021年第6期