英国克兰菲尔德大学: 用于故障监测与诊断的全新多层分析算法

Original 好文分享机器智能研究MIR 2022-05-21

收录于合集 #IJAC特约好文 70个

Open Access

英国帝国理工学院谭若木博士和浙江大学曹毅教授基于他们在英国克兰菲尔德大学的工作联合提出用于故障诊断的多层贡献传播分析方法，该论文综述了两种多层线性故障检测方法，同时提出了一种新的故障检测方法。在此基础上，文章针对多层线性故障监测方法，提出了用于量化变量贡献的贡献传播分析方法，对基于多元统计的过程监测中变量贡献的原始定义进行了拓展。

全文下载(开放获取)：

https://link.springer.com/article/10.1007/s11633-018-1142-y

01中文导读

机器学习及模式识别领域中，特征提取方法发展迅速，其在基于数据驱动的故障检测及诊断中发挥着越来越重要的作用。为了提升性能，很多算法采取多层数据分析。

同时，为了应对过程数据分析及数据驱动过程检测的复杂性，多元统计过程监测中包括了主成分分析、正则变量分析、Fisher判别分析、独立元分析等特征提取方法，这些方法亦可以多层使用。

一些复杂问题可能在过程数据中反映出来，如非线性、时序相关性、多模态、非高斯性，特别是当分析手段多样而每种方法只能处理几种或个别问题时。因此，在多元统计过程监测中，多层特征提取结构意义非常，也吸引了不少研究者的注意。

在此背景下，谭若木博士和曹毅教授提出用于故障诊断的多层贡献传播分析方法，该论文综述了两种用于故障诊断的多层线性特征提取方法，并在原有层级上再加一层，提出一种新的特征提取方法。针对此类基于多层线性特征提取方法的过程监测，本文提出了过程变量的贡献传播分析方法用于故障诊断及追溯故障变量，从而对多元数据过程监测中变量贡献的原始定义进行了拓展。

本文将多层线性特征提取算法及相应的贡献传播分析方法应用于Tennessee Eastman过程的模拟数据集以及从一座工业化规模的多相流设备中收集的实验数据集，并将这些方法得到的故障检测与诊断的结果同基于单层特征提取及贡献图方法得到的结果进行对比。

这些对比表明多层线性特征提取算法可以提高故障监测的准确性；而基于贡献传播分析得到的变量贡献图可以有效应用于基于多层线性特征提取算法的过程监测，并追溯故障相关变量。

02全文信息

Multi-layer Contribution Propagation Analysis for Fault Diagnosis

Ruo-Mu Tan, Yi Cao

全文下载(开放获取)：

https://link.springer.com/article/10.1007/s11633-018-1142-y

摘要:

The recent development of feature extraction algorithms with multiple layers in machine learning and pattern recognition has inspired many applications in multivariate statistical process monitoring. In this work, two existing multi-layer linear approaches in fault detection are reviewed and a new one with extra layer is proposed in analogy. To provide a general framework for fault diagnosis in succession, this work also proposes the contribution propagation analysis which extends the original definition of contribution of variables in multivariate statistical process monitoring. In fault diagnosis stage, the proposed contribution propagation analysis for multi-layer linear feature extraction algorithms is compared with the fault diagnosis results of original contribution plots associated with single layer feature extraction approach. Plots of variable contributions obtained by the aforementioned approaches on the data sets collected from a simulated benchmark case study (Tennessee Eastman process) as well as an industrial scale multiphase flow facility are presented as a demonstration of the usage and performance of the contribution propagation analysis on multi-layer linear algorithms.

关键词:

Process monitoring, fault detection and diagnosis, contribution plots, feature extraction, multivariate statistics.

03作者简介

谭若木2013年于浙江大学获得自动化专业学士学位，2015年于加拿大阿尔伯塔大学获得过程控制专业硕士学位，2016年至2018年于英国克兰菲尔德大学担任欧盟地平线2020-玛丽·居里计划PRONTO(PROcess NeTwork Optimization for efficient and sustainable operation of Europe's process industries taking machinery condition and process performance into account)项目的早期研究员(Early Stage Researcher)同时攻读博士学位，自2018年7月起于英国帝国理工学院化工系过程系统工程研究中心攻读博士学位并继续作为早期研究员参与PRONTO项目。她的研究方向包括数据驱动的过程监测和建模，多元统计分析，以及概率论与贝叶斯方法。

曹毅教授从2018年5月起在浙江大学化学和生物工程学院任职。从2000年到2018年，曹毅教授曾在英国Cranfield大学工程学院从事过程控制方面的教学和科研，历任讲师，高级讲师和Reader。1985年他获得浙江大学自动控制工程硕士学位，1996年获得英国Exeter大学工程博士学位。多年来，他从事高级过程控制研究和应用，在国际学术期刊和会议上发表学术研究论文200余篇，以及学术专著和专利多项。他的研究涵盖过程建模，优化和控制，控制结构设计，自优化控制，非线性预测控制，非线性系统辩识，生物系统控制，多相流控制，以及过程故障检测和诊断等广泛领域。曹毅教授曾荣获1996年 Journal of Control Engineering Practice 的最佳工业应用论文奖和2010年英国东部能源部(EEEgr)颁发的创新发明奖。

感谢论文第一作者谭若木博士对以上内容的审阅和修改！

RECOMMEND

最受欢迎的干货

Nature社论：论文提笔前，编辑给你的小建议