Operating Performance Assessment Method and Application for Complex Industrial Process Based on ISDAE Model
-
摘要: 工业过程的运行状态评价对保证产品质量及提升企业综合经济效益具有重要意义. 针对工业过程中存在强非线性、信息冗余以及不确定性因素影响而难以建立稳健可靠的运行状态评价模型问题, 提出一种基于综合经济指标驱动的稀疏降噪自编码器模型(Comprehensive economic index driven sparse denoising autoencoder, ISDAE)的复杂工业过程运行状态评价方法. 首先, 在SDAE (Sparse denoising autoencoder)模型中引入综合经济指标预测误差项, 迫使SDAE学习与综合经济指标相关的数据特征, 建立ISDAE特征提取模型. 其次, 将ISDAE模型所学特征作为输入训练运行状态识别模型, 级联特征提取模型和运行状态识别模型并通过微调网络结构参数获得运行状态评价模型. 另外, 针对非优状态, 提出一种基于自编码器贡献图算法的非优因素追溯方法, 通过计算变量的贡献率识别非优因素. 最后, 将所提方法应用于重介质选煤过程, 验证所提方法的有效性和实用性.Abstract: The operating performance assessment of industrial process is of great significance to ensure the product quality and improve the comprehensive economic benefits of the enterprise. In view of the problems of strong process non-linearity, information redundancy and the influence of uncertainty factors in the complex industrial processes that are not conducive to establishing a robust and reliable operating performance assessment model, a comprehensive economic index driven sparse denoising autoencoder model (ISDAE) based operating performance assessment method is proposed for complex industrial processes. Firstly, SDAE (Sparse denoising autoencoder) is forced to learn data features related to comprehensive economic indexes by introducing comprehensive economic indexes prediction error term and a feature extraction model based on ISDAE is established. Secondly, the features learned from the ISDAE model will be used as input to train the operating performance identification model, and then the feature extraction model and performance assessment model are cascaded and the operating performance assessment model is obtained by fine-tuning the neural network. Then, for the non-optimal operating performance, a non-optimal cause identification method based on the autoencoder contribution plot algorithm is proposed, and the non-optimal cause is identified by calculating the contribution rate of the variables. Finally, the proposed method is applied to the dense medium coal preparation process to verify its effectiveness and practicability.
-
随着市场竞争的日趋激烈, 生产技术的不断革新, 原材料资源的日益紧缺, 现代企业逐渐从追求维持生产过程的安全稳定转变为追求企业综合经济效益最大化, 并将其作为现代企业生存及可持续发展的战略目标. 而过程良好的运行状态则是保证产品质量, 提高企业综合经济效益的关键[1-2].
然而, 工业过程的运行状态不可避免地会受到各类干扰或不确定性因素影响, 从而偏离期望的最优工况点. 因此, 引入实时的过程监控技术对保证产品质量及综合经济效益至关重要[3-4]. 传统的以区分“正常/故障”状态的过程监测技术[5-6]已不能满足现代工业过程智能精细化管理的需求, 因此, 在生产过程安全运行的前提下, 对实际工业过程运行状态的优劣作进一步的识别及评价, 并对非最优运行状态进行非优因素追溯, 为操作人员及时调整控制策略或工业过程的自愈控制提供指导建议, 具有十分重要的实际意义.
近年来, 针对工业过程的运行状态评价逐渐受到研究者的关注. 例如, 针对实际工业过程数据中存在与综合经济指标数据无关的过程信息, Liu等分别利用ORVI (Optimality-related variations information) 方法[7]和T-PLS (Total projection to latent structures)方法[8]分离过程数据中与综合经济指标相关/无关的过程信息, 并建立运行状态评价模型. 针对过程数据呈多峰分布的特点, Liu等[9]提出了一种基于高斯混合模型回归(Gaussian mixture model regression, GMR)的运行状态评价方法, 实现了多模态过程的运行状态最优性评价. 另外, 为了对刚建立的具有少量历史数据的新过程进行状态评价, Zou等[10]提出了一种基于跨域特征迁移学习(Cross-domain feature transfer learning, CDFTL)的运行状态评价方法. CDFTL无需假设源域及目标域数据独立同分布, 同时利用通用信息和独立信息保证了评价模型的精度和泛化能力.
随着现代化工业过程日趋复杂, 过程变量间普遍呈现非线性, 现有的基于线性方法的运行状态评价模型, 如主元分析(Principal components analysis, PCA)方法[11]、T-PLS方法[8]、ORVI方法[7]等, 无法获得满意的效果. 近年来, 随着AI技术的深入研究, 神经网络算法因其较强的非线性处理能力, 受到了研究者的青睐[12]. 如针对化工过程中的非线性及动态性, Eren等[13]利用一维卷积神经网络进行特征提取和选择, 进而建立高精度的轴承故障检测模型. 针对工业过程中因噪声干扰引起的滚动轴承故障重叠的问题, 文献[14]介绍了一种基于深度信念网络 (Deep belief network, DBN)的设备分层诊断框架, 并将其应用于故障类型及严重性等级的识别. 其中, 神经网络算法中的自编码器由于其强大的数据特征提取能力, 在工业过程控制中得到了广泛应用[15]. 如Jiang等[16]利用多层的自编码器模型结合动态扩展矩阵提升故障分类的准确性. Yu等[17]融合降噪自编码器和弹性网络用于工业过程监测和故障隔离.
但自编码器在特征提取阶段仅仅是无监督地对原始输入数据进行重构, 因此无法保证所提取的过程特征与所识别的过程相关指标的关联性. 针对该问题, 基于有监督学习的自编码器渐渐受到了广大研究者的重视. 例如, 文献[18]提出了一种标签约束的半监督栈式自编码器(Label regularization semi-supervised stacked autoencoder, LSSAE). LSSAE结合了无监督学习与监督学习的优势, 在有效抽取样本内在特征的同时保证特征训练目标化. Chai等[19]提出了一种稀疏和标签约束的自编码器(Label and sparse regularization autoencoder, LSRAE), 利用无监督学习与监督学习有机结合的方式, 实现准确抽取样本的本质特征. 同时, 有相关学者将有监督机制的自编码器应用于工业过程的软测量建模, 如Yuan等[20]提出了一种变量加权堆叠自编码器(Variable-wise weighted stacked autoencoder, VW-SAE). 通过对输入变量和质量变量的相关性分析, 为自编码器输入层各单元赋予权重, 然后利用逐层加权的方式进行训练, 提高对质量数据的预测精度. 由于该方法需要计算输入数据和质量数据的皮尔逊相关性, 而该相关性为数据间的线性相关程度, 因此难以挖掘变量之间的非线性关系. 针对此问题, Yuan等[21]在VW-SAE的基础上提出了一种质量驱动的堆叠自编码器(Stacked quality-driven autoencoder, SQAE)模型. 该模型利用质量数据来指导特征提取, 使其可以捕获与质量相关的过程潜在特征, 而无需对输入数据和质量数据进行相关性分析.
由于工业过程的复杂程度日渐增加, 过程变量中与综合经济指标相关的特征难以提取; 实际生产过程中存在各种形式的噪声干扰和不确定性因素, 导致工业现场的过程数据存在缺失和大量噪声; 此外, 工业过程数据中也存在信息冗余问题. 如果继续采用现有的运行状态评价方法, 则难以针对上述问题建立稳健可靠的工业过程运行状态评价模型. 因此, 本文提出了一种基于综合经济指标驱动的稀疏降噪自编码器(Comprehensive economic index driven sparse denoising autoencoder, ISDAE)的复杂工业过程运行状态评价方法. 针对工业过程变量间的强非线性以及难以提取过程变量与综合经济指标间相关特征的问题, 本文引入综合经济指标预测误差项迫使ISDAE模型挖掘出与综合经济指标相关的原始数据特征. 针对工业过程信息冗余问题, 本文利用稀疏性约束使得模型学习过程数据的稀疏特性, 使其更有效地找出隐含在输入数据内部的结构与模式. 同时, 针对工业过程数据中存在噪声的问题, 本文通过对原始输入数据进行数据破坏, 迫使编码器去学习输入数据的更加鲁棒的特征表达, 增强模型的鲁棒性.
本文的主要贡献如下: 1)将综合经济指标概念引入自编码器有监督学习机制中, 使ISDAE模型获得表征与综合经济指标相关的原始数据特征的能力; 2)提出了基于综合经济指标驱动的自编码器模型的运行状态评价方法, 实现具有强非线性、信息冗余以及强噪声的工业过程运行状态在线精准评价; 3)针对过程的非优运行状态, 结合自编码器模型特点, 提出了一种基于自编码器贡献图算法的非优因素追溯方法.
最后, 将所提出方法应用于重介质选煤过程, 利用机理模型数据和实际现场数据验证了所提方法的有效性.
1. 运行状态评价方法介绍
复杂工业过程的运行状态评价模型一般由特征提取模型和运行状态识别模型组成. 特征提取模型旨在从过程数据中挖掘出能够表征过程潜在运行模式的数据特征, 能够在降低过程数据的复杂度的同时提高运行状态识别模型的泛化能力. 运行状态识别模型则是利用这些数据特征, 结合有效的分类方法和评价准则, 识别过程的运行状态等级. 特别地, 运行状态评价模型的特征提取过程旨在尽可能地提取与综合经济指标相关的特征, 这也是运行状态评价方法有别于一般过程监控方法的关键特性之一.
1.1 基本模型介绍
标准的AE (Autoencoder)模型是一种由编码器和解码器两部分组成的自学习前馈神经网络结构[22]. 如图1所示, 从输入层到隐藏层的转换过程称为编码过程(Encoder), 从隐藏层到输出层的转换过程称为解码过程(Decoder). 编码过程和解码过程定义如下:
$${{h}} = f({{{W}}_{\rm{E}}}{{{x}}^{\rm{T}}} + {{{b}}_{\rm{E}}})$$ (1) $$\widehat {{x}} = g({{{W}}_{\rm{D}}}{{{h}}^{\rm{T}}} + {{{b}}_{\rm{D}}})$$ (2) 其中,
${{x}} = {[{x_1},\;{x_2}, \cdots ,\;{x_n}]^{\rm{T}}} \in {{\bf{R}}^{n \times 1}}$ 是原始输入数据;${{h}} = {[{h_1},\;{h_2}, \cdots ,\;{h_m}]^{\rm{T}}} \in {{\bf{R}}^{m \times 1}}$ 是编码器的输出结果;$\widehat {{x}} = {[{\widehat x_1},\;{\widehat x_2}, \cdots ,\;{\widehat x_n}]^{\rm{T}}} \in {{\bf{R}}^{n \times 1}}$ 是解码器的输出结果, 即重构值;$f(\cdot)$ 、$g(\cdot)$ 代表激活函数;${{{W}}_{\rm{E}}} \in $ $ {{\bf{R}}^{m \times n}}$ 、${{{W}}_{\rm{D}}} \in {{\bf{R}}^{n \times m}}$ 分别是编码结构和解码结构的连接权重;${{{b}}_{\rm{E}}} \in {{\bf{R}}^{m \times 1}}$ 、${{{b}}_{\rm{D}}} \in {{\bf{R}}^{n \times 1}}$ 为偏置项. AE模型的训练目标为最小化重构误差, 迫使AE模型学习可以表征原始输入数据的特征数据, 其损失函数定义如下:$${J_{{\rm{AE}}}} = \frac{1}{{2N}}\sum\limits_{i = 1}^N {{\rm{||}}{{\widehat {{x}}}^{(i)}} - {{{x}}^{(i)}}{\rm{||}}_2^2} $$ (3) 其中, N为训练样本数,
$\left|\right|\cdot|{|}_{2}$ 为二范数.由于复杂工业过程中诸如压力、流量、温度等过程变量经标准化处理后通常是在
$ - \infty $ 到$ + \infty $ 之间分布, 而传统AE模型的解码过程由于常用sigmoid函数作为激活函数, 其输出值的范围为0 ~ 1, 因此, 本文通过将AE模型的解码过程线性化[23], 即$\widehat {{x}} = {{{W}}_{\rm{D}}}{{{h}}^{\rm{T}}}{\rm{ + }}{{{b}}_{\rm{D}}},$ 以获得对流程工业过程的建模能力.为了解决实际过程数据中存在的信息冗余问题, 通过设置AE模型的隐藏层神经元个数
${n_{\rm{H}}}$ 大于输入层神经元个数${n_{\rm{I}}}$ 并引入稀疏性约束的方式迫使隐藏层学习过程数据的稀疏特征, 即构建稀疏自编码器(Sparse autoencoder, SAE)模型[24-25]. 相较于传统的压缩结构模型(${n_{\rm{H}}} < {n_{\rm{I}}}$ ), SAE模型不仅可以从具有相关性的冗余数据中学习到输入数据的稀疏表征, 还可以从相互独立的数据中学习到稀疏特征[26]. 在SAE中, 原始输入数据经过编码后得到特征表示h, h经过稀疏约束后经解码器重构出输入数据.SAE的损失函数定义如下:
$${J_{{\rm{SAE}}}} = {J_{{\rm{AE}}}} + \beta \sum\limits_{j = 1}^m {KL\left( {\rho ||{{\widehat {{\rho}} }_j}} \right)} $$ (4) $$\begin{split} \sum\limits_{j = 1}^m {KL\left( {\rho ||{{\widehat {{\rho}} }_j}} \right)} =\;& \sum\limits_{j = 1}^m {\rho \log \left( {\frac{\rho }{{{{\widehat {{\rho}} }_j}}}} \right)} +\\ &\left( {1 - \rho } \right)\log \left( {\frac{{1 - \rho }}{{1 - {{\widehat {{\rho}} }_j}}}} \right)\end{split}$$ (5) 其中,
$\rho $ 是稀疏参数,${\widehat {{\rho}} _j}$ 是第j个隐藏层变量的平均激活率.$${\widehat {{\rho}} _j} = \frac{1}{N}\sum\limits_{i = 1}^N {{{h}}_j^{\left( i \right)}} $$ (6) 其中,
${{h}}_j^{\left( i \right)}$ 是${{{x}}^{\left( i \right)}}$ 编码输出的第j个变量. 当$\rho = {\widehat {{\rho}} _j}$ 时, KL值为0.此外, 工业过程不可避免地还会受到噪声、离群点及其他不确定性因素的影响, 为增强模型的鲁棒性, 本文考虑引入降噪自编码器(Denoising auto encoder, DAE)模型[27]. 通过从“损坏”的输入数据中重构出原始“完好”的输入数据, DAE模型可以学习输入数据的更加鲁棒的特征表达, 使得模型具有较强的抗干扰能力. DAE的加噪过程是通过对原始输入数据加噪的方式进行数据破坏, 即按照一定概率PR使部分原始输入数据随机置0[28], 具体的操作如下:
$$\widetilde {{x}} = rand(1 - PR) \times {{x}}$$ (7) 其中,
$rand(\cdot)$ 是与输入数据x同维度的{0, 1}分布的随机矩阵.1.2 基于ISDAE的运行状态离线评价模型
本文综合考虑复杂工业过程中存在的强非线性、信息冗余以及过程受不确定性因素严重影响等问题, 通过融合SAE和DAE模型的优势, 构建稀疏降噪自编码器模型(Sparse denoising auto encoder, SDAE)解决上述问题. 但SDAE模型仅是一种无监督的特征提取方法, 很难或无法表征与过程综合经济指标相关的数据, 因此, 仅使用这些特征数据无法建立一个有效可靠的状态识别模型. 鉴于此, 本文利用基于综合经济指标驱动的ISDAE模型进行过程特征的提取, 迫使SDAE模型在提取原始数据表征的同时选择与综合经济指标相关的特征数据[18-19], 并利用这些数据建立最终的运行状态评价模型, 提高模型的可靠性. 这里的综合经济指标可以是定量的产品质量、设备损耗量等, 也可以是结合专家知识的定性指标, 如过程运行的优、良、中、差状态, 其中定量信息是通过数值大小描述的数值变量信息, 定性信息是由状态来描述的状态变量信息[29].
通过在SDAE模型无监督学习机制的基础上引入综合经济指标, 利用集成无监督学习误差
${J_{{\rm{SDAE}}}}$ 和有监督学习误差${J_{{\rm{Index}}}}$ 的方式指导SDAE模型的特征提取过程, 从而综合了有监督和无监督学习机制的优势, 能够同时提取过程变量中蕴含的过程运行模式特征与综合经济指标相关的过程特征. 根据文献[18-19, 21, 30]中对有监督机制下的自编码器的损失函数的定义, 对自编码器在综合经济指标意义下有监督学习的损失函数定义如下:$$\begin{split} {J_{{\rm{Index}}}} =\;& \dfrac{1}{{2N}}\sum\limits_{i = 1}^N {\left\| {{{\widehat {{Y}}}^{(i)}} - {{{Y}}^{(i)}}} \right\|_2^2} =\\ & \dfrac{1}{{2N}}\sum\limits_{i = 1}^N {\left\| {z({{{W}}_{\rm{I}}}{{{h}}^{(i)}} + {{{b}}_{\rm{I}}}) - {{{Y}}^{(i)}}} \right\|_2^2} \end{split}$$ (8) 其中,
${{{W}}_{\rm{I}}}$ 、${{{b}}_{\rm{I}}}$ 是连接权重和偏置,$ z(·)$ 是激活函数,${{Y}}$ 为综合经济指标数据,$\widehat {{Y}}$ 为综合经济指标数据的预测值. 最终的特征提取模型的损失函数如下:$${J_{{\rm{ISDAE}}}} = \alpha {J_{{\rm{Index}}}} + \gamma {J_{{\rm{SDAE}}}}$$ (9) 其中,
$\alpha $ 、$\gamma $ 为损失函数中各项的重要性权值参数, JSDAE为SDAE模型的损失函数, 有JSDAE = JSAE. 结合神经网络结构的特点, 可根据不同类型的综合经济指标数据建立不同的监督学习模型. 具体地, 如果综合经济指标为定性的标签数据, 可选择分类模型; 如果是定量数据, 则可选择回归模型. 特征提取模型的训练可采用反向传播算法(Back propagation, BP)进行模型参数的优化[31].运行状态识别的本质是对过程的运行状态进行分类. 在利用ISDAE特征提取模型完成过程数据的特征提取后, 通过在ISDAE特征提取模型的隐藏层后加上分类器可实现运行状态的识别[18-19, 30]. 状态识别的方法有很多, 如softmax分类器模型、支持向量机模型、决策树等. 本文结合自编码器的结构特点, 选择softmax分类器作为运行状态评价的状态识别模型. softmax分类器模型的输出如下式所示:
$$ \begin{split} {h_{{\theta}} }({{{x}}^{(i)}}) =\;& \left[ {\begin{array}{*{20}{c}} {p(y_{\rm{L}}^{(i)} = 1|{{{x}}^{(i)}};{{\theta }})}\\ {p(y_{\rm{L}}^{(i)} = 2|{{{x}}^{(i)}};{{\theta }})}\\ \vdots \\ {p(y_{\rm{L}}^{(i)} = k|{{{x}}^{(i)}};{{\theta }})} \end{array}} \right]=\\ & \frac{1}{{\sum\limits_{j = 1}^k {\exp ({{\theta }}_j^{\rm{T}}{{{x}}^{(i)}})} }}\left[ {\begin{array}{*{20}{c}} {\exp ({{\theta }}_1^{\rm{T}}{{{x}}^{(i)}})}\\ {\exp ({{\theta }}_2^{\rm{T}}{{{x}}^{(i)}})}\\ \vdots \\ {\exp ({{\theta }}_k^{\rm{T}}{{{x}}^{(i)}})} \end{array}} \right] \end{split}$$ (10) 其中,
$\{ ({{{x}}^{(1)}},\;y_{\rm{L}}^{(1)}),\;({{{x}}^{(2)}},\;y_{\rm{L}}^{(2)}), \cdots ,\;({{{x}}^{(N)}},\;y_{\rm{L}}^{(N)})\} \in $ $ {\bf{R}}$ 为输入数据,$y_{\rm{L}}^{(i)}$ 为标签数据, 有k个不同的取值,$p({y_{\rm{L}}} = j|{{x}})$ 为x前提下输出等级为j的概率,${{\theta}} = $ $ {[{{\theta}} _1^{\rm{T}},\;{{\theta}} _2^{\rm{T}}, \cdots ,\;{{\theta}} _k^{\rm{T}}]^{\rm{T}}}$ 为分类器的参数矩阵. softmax分类器的损失函数为:$$J({{\theta }}) = - \frac{1}{N}\sum\limits_{i = 1}^N {\sum\limits_{j = 1}^k {1\{ y_{\rm{L}}^{(i)} = j\} \log \frac{{\exp ({{\theta }}_j^{\rm{T}}{{{x}}^{(i)}})}}{{\sum\limits_{u = 1}^k {\exp ({{\theta }}_u^{\rm{T}}{{{x}}^{(i)}})} }}} } $$ (11) 同样地, 本文选择BP算法优化状态识别模型参数. 当状态识别模型训练完成后, 将ISDAE模型的编码器与状态识别模型级联, 利用输入数据和标签数据进行级联后模型的微调, 采用BP算法微调级联后模型的输入层到隐藏层连接权重和偏置以及分类器参数矩阵, 得到最终的运行状态评价模型, 具体算法步骤见第2.2节.
2. 基于ISDAE模型的运行状态评价
运行状态评价的核心在于提取与综合经济指标高度相关的数据特征信息, 并以此建立稳定可靠的运行状态评价模型. 此外, 当过程的运行状态处于“非优”时, 通过非优因素追溯的方法找出过程“非优”原因, 为操作人员及时调整控制策略, 提高综合经济效益提供参考依据.
考虑到实际过程数据中存在强非线性、信息冗余以及受不确定性因素影响严重等情况, 本文提出了一种基于ISDAE模型的运行状态评价方法. 通过无监督和有监督学习相结合的方式训练特征提取模型, 提取过程数据中与综合经济指标相关的数据特征, 并将这些数据特征作为输入训练状态识别模型, 然后将特征提取模型与状态识别模型级联, 利用神经网络微调的方式得到最终的运行状态评价模型. 在线应用时, 本文结合流程工业运行特点, 引入在线滑动窗口并根据时间距离大小设置信任权值以提高在线评价时的可靠性. 此外, 当运行状态非优时, 本文提出了一种基于自编码器贡献图算法的非优因素追溯方法, 通过贡献率大小找出可能的“非优”原因, 为操作人员和控制系统的及时调控提供参考依据. 基于ISDAE模型的运行状态评价系统的系统框图如图2所示.
图 2 基于ISDAE模型的运行状态评价系统框图Fig. 2 The system block diagram of ISDAE model based operating performance assessment2.1 运行状态等级的划分
过多的状态等级会导致运行状态评价问题复杂化, 同时过于细腻的状态等级也不利于状态特征的提取. 当然, 过少的状态等级也不利于实现工业过程的精细化管理[11]. 因此, 对复杂工业过程运行状态等级的划分, 需以实际过程的运行情况及综合经济效益为参考, 并结合实际的运行管理需求.
根据第1.2节给出的综合经济指标的定义, 状态等级的划分可采用融合多类定量经济指标数据并结合专家知识的方式确定. 具体地, 以本文研究的重介质选煤过程为例, 可选用多类产品质量指标, 如溢流灰分、溢流硫分、溢流碳分等为参考, 并结合专家知识对这些产品质量指标赋予不同的权值, 最后根据加权后获得的综合指标将过程划分为不同的状态及对应的状态等级. 当然, 考虑到有些综合经济指标数据不易获取或采集到的数据受不确定性因素影响严重等情况, 也可选择最具有代表性的产品质量指标作为划分状态等级的参考依据. 本文结合重介质选煤过程的过程特性及精细化管理需求, 最终以选煤过程的溢流灰分为参考依据, 结合专家知识将过程划分为四个状态, 即“优”、“良”、“中”、“差”, 对应“1 ~ 4”四个状态等级.
2.2 离线建立运行状态评价模型
复杂工业过程的运行状态评价模型的离线建模过程包括: 特征提取、运行状态识别以及特征提取模型与运行状态识别模型级联后的参数微调. 假设离线采集到的过程数据为:
$\{ ({{{x}}^{(1)}},\;{{{y}}^{(1)}}),\; $ $ ({{{x}}^{(2)}},\; {{{y}}^{(2)}}), \cdots ,\;({{{x}}^{(N)}},\;{{{y}}^{(N)}})\} \in {\bf{{R}}}$ , 其中${{X}} = [{{{x}}^{(1)}}, \; $ $ {{{x}}^{(2)}}, \cdots ,\; {{{x}}^{(N)}}]^{\rm{T}}$ ,${{Y}} = {[{{{y}}^{(1)}},\;{{{y}}^{(2)}}, \cdots ,\;{{{y}}^{(N)}}]^{\rm{T}}}$ .基于ISDAE特征提取模型的训练过程:
1) 对过程数据
${{X}}$ 、${{Y}}$ 进行标准化处理, 得到标准化后的数据$\overline {{X}}$ 和$\overline {{Y}}$ ;2) 对
$\overline {{X}}$ 按照式(7)进行加噪处理, 得到加噪后的数据$\widetilde {{X}}$ ;3) 初始化ISDAE模型参数, 包括各层的连接权重(WE, WD)、偏置(bE, bD)、隐藏层神经元个数、稀疏参数
$\rho $ 、稀疏惩罚项系数$\beta $ 以及约束项重要性参数$\alpha $ 和$\gamma $ ;4) 利用数据
$(\widetilde {{X}},\,\overline {{Y}} )$ 对ISDAE模型进行有监督学习, 得到对$\widetilde {{X}}$ 的重构结果$\widehat {{X}}$ 和对$\overline {{Y}}$ 的预测值$\widehat {{Y}}$ ;5) 计算损失函数
${J_{{\rm{ISDAE}}}}({{W}},\;{{b}})$ ;6) BP算法优化模型参数(WE, WD)和(bE, bD);
7)重复步骤4)到步骤6), 直到损失函数收敛.
状态识别模型:
1) 使用训练好的ISDAE模型对数据
$\widetilde {{X}}$ 进行编码操作, 得到隐藏层的输出${{H}} = [{{{h}}^{(1)}}, $ $ {{{h}}^{(2)}}, \cdots , $ $ \,{{{h}}^{(N)}}]^{\rm{T}};$ 2) 对
$\overline {{Y}}$ 进行状态等级划分, 得到状态等级数据${{{y}}_{\rm{L}}} = {[y_{\rm{L}}^{(1)},\;y_{\rm{L}}^{(2)}, \cdots ,\;y_{\rm{L}}^{(N)}]^{\rm{T}}};$ 3) 对状态等级数据
${{{y}}_{\rm{L}}}$ 进行独热编码(One-Hot)操作;4) 初始化模型参数
${{\theta}} $ ;5) 以
${{H}}$ 为输入, One-Hot编码后的${{{y}}_{\rm{L}}}$ 为输出, 计算softmax分类器的损失函数$J({{\theta}} )$ ;6) BP算法优化模型参数
${{\theta}} $ ;7)重复步骤4)到步骤5), 直到损失函数收敛.
反向微调过程:
1) 级联ISDAE特征提取模型的编码器和状态识别模型, 即
$\widetilde {{X}} \to {{H}} \to {{{y}}_{\rm{L}}}$ ;2) 采用BP算法对模型参数
${{{W}}_{\rm{E}}}$ 、${{{b}}_{\rm{E}}}$ 、${{\theta}} $ 进行调整.2.3 运行状态在线评价
假设已有的离线数据足以建立稳定的运行状态评价模型, 将t时刻在线数据
${{{x}}^t}$ 输入所建立的运行状态评价模型, 以获得当前时刻的运行状态属于不同等级的后验概率${p_t}(i|{{{x}}^t}) = p_t^i$ , 其中$i \in \{ {\rm{1}},\;{\rm{2}}, \cdots , $ $ \;q,\;q = {\rm{4}}\}$ , 评价结果为当前时刻最大后验概率对应的状态等级, 即${\widehat q_t} = \arg \{ \max p_t^i\} $ .但考虑到在线评价时单一采样时刻数据不足以稳健表征此刻复杂工业过程的运行状态, 同时在线评价结果易受过程噪声及不确定性因素影响, 从而导致评价结果可靠性降低. 为此, 本文引入了滑动窗口作为在线状态评价的基本分析单元[8]. 假设滑动窗口的大小为H, 则将t−H+1到t时刻之间的数据作为“在线窗口”, 即
${{{X}}_{{\rm{on}}}} = {[{{{x}}^{t - H + 1}}, \cdot \cdot \cdot ,\;{{{x}}^t}]^{\rm{T}}}$ . 如图3所示, 为保证在线评价结果的实时性, 本文结合连续过程的运行特点, 根据窗口内的数据距离当前时刻的时间远近赋予不同的信任权值${w_i}$ , 其中$i = $ $ 1,\;2, \cdots ,\;H , \;$ 对应窗口内数据${{{x}}^t},\;{{{x}}^{t - 1}}, \cdots , \;{{{x}}^{t - H + 1}}$ , 窗口内距离当前时刻越近的数据的输出概率赋予越大的权值, 即$1 \geq {w_1} \geq {w_2} \geq \cdots \geq {w_H} \geq 0$ , 最后输出不同等级的加权后验概率$p_t^{i^*}$ 作为当前时刻不同等级的后验概率.
图 3 运行状态在线评价示意图Fig. 3 The schematic diagram of online operating performance assessment图3中,
$p_t^1,\;p_t^2, \cdots ,\;p_t^q$ 分别是t时刻不同运行状态等级输出后验概率值,$p_t^{1^*},\;p_t^{2^*}, \cdots ,\;p_t^{q^*}$ 是数据窗口内加权后各等级的最终输出后验概率, 即$p_t^{i^*} = $ $ \sum\nolimits_{j = 1}^H {{w_j}p_{t - j + 1}^i} {\rm{ , }}\;i{\rm{ = 1,\;2,}} \cdots ,\;q.$ 需要注意的是, 过大的滑动窗口易导致运行状态评价模型对过程运行状态发生改变的判断延迟, 从而降低运行状态评价模型的灵敏性以及评价结果实时性; 过小则易使在线评价结果受到过程扰动和不确定性因素的影响, 降低在线评价结果的可靠性. 因此, 滑动窗口的宽度H需要结合工业过程的具体特性以及实际管理需求来定, 在运行状态评价的准确性和及时性之间取合理的折中方案.
2.4 非优因素追溯方法
当过程处于非最优运行状态时, 即当运行状态等级为“良”、“中”、“差”时, 此时需要对导致非优状态的原因进行追溯, 从而为及时调控生产过程提供可靠的依据. 本文结合自编码器的特点, 提出一种基于自编码器贡献图算法的非优因素追溯方法, 无需非优状态的先验知识便能识别出各变量对非优状态的贡献率, 同时具有计算简单的特点.
传统的基于PCA模型的变量贡献图法是一种考虑变量的空间相关性, 描述每个变量对统计量影响大小的简单且有效的原因追溯方法[32-33]. 针对在线变量 x 在残差空间的SPE统计量定义如下:
$$\begin{split} SPE\left( {{x}} \right) =\;& {{{x}}^{\rm{T}}}\widetilde {{C}}{{x}} = \left\| {{x}} \right\|_{\widetilde {{C}}}^2=\\ & {\sum\limits_{i = 1}^n {\left( {{{\xi}} _i^{\rm{T}}{{\widetilde {{C}}}^{\frac{1}{2}}}{{x}}} \right)} ^2} = \sum\limits_{i = 1}^n {{{C}}_i^{SPE}} \end{split} $$ (12) 其中,
$\widetilde {{C}}$ 为投影到残差子空间的投影矩阵, 有$\widetilde {{x}} = \left( {1 - {{P}}{{{P}}^{\rm{T}}}} \right){{x}} = \widetilde {{C}}{{x}}$ ,$\widetilde {{x}}$ 为x在残差子空间的投影, P为负载矩阵,${{C}}_i^{SPE}$ 是变量${x_i}$ 对故障检测统计量SPE的贡献率,${{{\xi}} _i}$ 为方向向量. 如三个变量的系统, 变量${x_2}$ 的方向向量为${{{\xi}} _2} = {[ 0\quad1\quad0 ]^{\rm{T}}}$ . 变量${x_i}$ 对SPE统计量的贡献率为:$${{C}}_i^{SPE} = {({{\xi}} _i^{\rm{T}}{\widetilde {{C}}^{\frac{1}{2}}}{{x}})^2} = \widetilde x_i^2 = {({x_i} - {\widehat x_i})^2}$$ (13) 其中
${\widehat x_i}$ 为xi的估计值, 有$\widehat {{x}} = {{P}}{{{P}}^{\rm{T}}}{{x}} = {{C}}{{x}}$ , C为主成分空间的投影矩阵.特别地, 当自编码器的激活函数
$ f(·)$ 、$ g(·)$ 为线性恒等函数且满足${{{W}}_{\rm{D}}} = {{W}}_{\rm{E}}^{\rm{T}}$ 时, 由于偏置量${{{b}}_{\rm{D}}}$ 、${{{b}}_{\rm{E}}}$ 可通过归一化消除[34], 所以在自编码器模型的编解码过程线性化的条件下, 自编码器模型的非优因素追溯可由SPE贡献图定义. 由于自编码器的输入输出数据正好对应着原始数据与重构数据, 根据SPE贡献图的定义, 基于自编码器贡献图的非优因素追溯定义如下:$$Con{t_i} = {{\left| {{x_i} - {{\widehat x}_i}} \right|} / {\left\| {{{x}} - \widehat {{x}}} \right\|}}$$ (14) 离线建模时, 只需选择运行状态为“优”的过程数据建立ISDAE模型. 在线应用时, 当在线数据被评价为“非优”状态等级时, 将该数据输入此ISDAE模型得到重构值, 将实际输入与重构值带入式(14)计算出每个变量的贡献率, 贡献率大的变量则是导致运行状态非优的主要原因.
3. 重介质选煤过程的运行状态评价与非优因素追溯
3.1 重介质选煤过程
选煤的主要任务是去除原煤中的杂质, 降低原煤中的灰分和硫分, 以获得满足用户需求的高品质精煤, 基于阿基米德原理的重介质选煤技术是当前最先进也是应用最广泛的选煤技术之一. 由于选煤厂环境恶劣且受不确定性因素影响严重, 选煤过程往往达不到预先设定好的最优运行状态, 因此对选煤过程进行细致且有效的运行状态评价, 并对非最优状态进行原因追溯是保证企业绿色高效生产, 提高原煤质量及企业综合效益的有效途径[35].
以两产品重介质旋流器选煤过程为例, 其主要工艺流程包括: 原煤粒度分级、煤介混合、介质调配、介质回收、 重介质分选等环节. 工艺流程如图4所示, 原煤经过破碎后, 用传送皮带送往主分级筛进行粒度筛分, 收集下层筛网下粒度较小的原煤颗粒后, 输送至次分级筛进行进一步筛分, 这一步的目的是筛除小粒度原煤中混合的煤泥. 当获得粒度合适的原煤颗粒后, 将其与合格介质桶输送出的密度合适的重介质悬浮液在媒介混料桶内混合, 并由压力泵将煤介混合物输送到重介质旋流器中进行分选. 重介质旋流器的底流和溢流经过脱介筛进行重介质回收, 溢流和底流通过脱水脱介可获得灰分含量低的精煤以及灰分含量高的矸石等废料. 由于脱水脱介环节无法完全将磁性介质回收, 因此需要往合格介质桶内补充磁性介质. 在合格介质桶内, 通过磁选机回收的稀介质与补充的磁性介质和水进行密度调配, 用于重介质旋流器的分选[36-37].
图 4 重介质选煤工艺流程图Fig. 4 The process flow diagram of dense medium coal preparation process3.2 建立运行状态评价模型及非优因素追溯模型
本文通过重介质选煤过程机理模型[36-37]产生的数据与山东某选煤厂实际生产过程中采集的数据来共同验证本文所提方法的有效性和实用性.
表 1 过程变量选择Table 1 The selection of process variable编号 变量名 1 选煤厂原煤入料 (kg/s) 2 双层筛底板筛下流量 (kg/s) 3 单层筛顶板上流量 (kg/s) 4 混合箱出料密度 (kg/m3) 5 混料箱出料流量 (m3/s) 6 进入混料箱的重介质密度 (kg/m3) 7 旋流器入料压力 (Pa) 8 磁性物添加量 (kg/s) 9 合格介质桶输出的介质密度 (kg/m3) 10 合格介质桶液位 (m) 11 合格介质桶出料流量 (m3/s) 机理模型产生的数据包括过程变量和产品煤的综合经济指标数据. 过程变量的选择如表1所示. 综合经济指标数据主要包括溢流密度、溢流灰分、溢流硫分、溢流碳分以及设备耗能指标等, 此类指标数据均可作为评判运行状态优劣的参考依据. 结合实际选煤过程对参数获取的难易程度, 以及仿真实验的复杂度, 本文选择最具有代表性的定性产品质量指标–溢流灰分作为评判选煤过程运行状态等级的参考指标. 结合专家知识, 针对机理模型数据, 具体的溢流灰分值与状态等级的划分见表2.
表 2 机理模型数据运行状态等级划分及等级标签设置Table 2 Operating performance level division and level label setting of mechanism model data溢流灰分值 状态等级 等级标签 4.5 % ~ 5.5 % 优 1 5.5 % ~ 6.7 % 良 2 6.7 % ~ 7.7 % 中 3 7.7 % ~ 8.7 % 差 4 在模拟非优状态时, 通过设置实际生产过程中最容易出现问题的几个主要操作变量, 即选煤厂原煤入料(变量1)、 旋流器入料压力(变量7)以及进入混料箱的重介质密度(变量6), 偏离正常值范围大小的不同, 来模拟“良、中、差”三种状态. 为了更加直观地显示仿真效果, 在设计非优状态时, 通过等时间间距对选煤过程操作变量引入“非优”的方式产生非优状态等级数据, 而“非优”变量偏离正常值的大小不等导致机理模型输出的灰分值不同, 进而可以区分出“良、中、差”三个状态.
本文通过重介质选煤过程机理模型生成共2400组数据, 其中各状态等级中各非优变量分别作用的时间间距为200个采样点. 采用分层采样的方式对每个状态等级中的各非优变量分别随机抽取100组数据作为离线建模数据集, 则离线建模数据集共1200组数据, 其中, 各状态等级数据各占300组. 离线建模数据集中的数据的具体分布如表3所示.
表 3 离线建模数据集中的非优因素设置Table 3 Non-optimal factors setting in offline modeling dataset状态等级 优 良 中 差 样本 1 ~ 300 301 ~ 400 401 ~ 500 501 ~ 600 601 ~ 700 701 ~ 800 801 ~ 900 901 ~ 1000 1001 ~ 1100 1101 ~ 1200 非优因素 — 变量1 变量7 变量6 变量1 变量7 变量6 变量1 变量7 变量6 针对实际重介质选煤过程, 本文选取合介桶液位(m)、主系统介质密度(g/L)、主旋流器入口压力(MPa)、煤泥的含量(%)以及磁性物浓度(g/L)这5个过程变量作为运行状态评价的在线测量变量, 选取精煤的灰分离线化验值(%)作为经济指标划分依据, 验证所提方法在实际生产过程中的有效性. 针对由选煤厂采集的实际选煤过程数据, 共选取894组选煤过程数据, 随机抽取500组数据作为训练数据, 剩余的394组数据作为测试数据. 考虑工厂的实际生产需求, 结合专家知识, 按照灰分值的范围将运行状态划分为4个状态等级, 具体划分如表4所示.
表 4 实际过程数据运行状态等级划分及等级标签设置Table 4 Operating performance level division and level label setting of field data溢流灰分值 状态等级 等级标签 6.0% ~ 6.5% 优 1 6.5% ~ 7.2% 良 2 7.2% ~ 8.0% 中 3 8.0% ~ 9.0% 差 4 利用上述重介质选煤过程离线数据, 按照第2.2节和第2.4节所述的方法离线建立运行状态评价模型和非优因素追溯模型. 其中, 特征提取模型的约束项重要性参数
$\alpha $ 和$\gamma $ 通过网格搜索的方式确定, 神经网络的学习率lr为0.001, 其他模型参数可根据经验确定, 具体参数设置如表5所示.表 5 模型参数设置Table 5 Model parameter settingPR $\rho $ lr $\beta $ $\alpha $ $\gamma $ 基于机理模型数据的神经网络模型 0.2 0.1 0.001 2 0.02 0.3 基于实际过程数据的神经网络模型 0.1 0.1 0.001 2 0.01 0.1 此外, 以实际选煤厂数据为例, 隐藏层神经元个数与模型精度的关系如图5所示. 因此, 针对实际过程数据的运行状态评价模型及非优因素追溯模型的隐藏层神经元个数为50, 类似的方法确定针对机理模型数据的运行状态评价模型及非优因素追溯模型的隐藏层神经元个数为20.
图 5 模型精度与隐藏层神经元个数的关系图Fig. 5 The relationship between the model accuracy and the number of neurons in hidden layer3.3 在线评价
3.3.1 重介质选煤过程机理模型数据运行状态在 线评价
在机理模型数据抽取训练数据集后剩余的部分中, 针对每个状态等级中各非优变量抽取50组数据作为测试数据集, 则测试数据集共有600组数据, 其中, 各状态等级数据均为150组. 测试数据的具体分布如表6所示.
表 6 测试数据集中的非优因素设置Table 6 Non-optimal cause setting in test dataset状态等级 优 良 中 差 样本 0 ~ 150 151 ~ 200 201 ~ 250 251 ~ 300 301 ~ 350 351 ~ 400 401 ~ 450 451 ~ 500 501 ~ 550 551 ~ 600 非优因素 — 变量1 变量7 变量6 变量1 变量7 变量6 变量1 变量7 变量6 为验证本文所提方法的有效性, 本文分别利用SDAE模型和文献[38]中所提的基于KT-PLS(Kernel total projection to latent structure)的运行状态评价方法(记为KT-PLS方法)对上述数据进行建模和运行状态在线评价. 在线评价时, 结合重介质选煤过程运行特性, 设置滑动窗口的宽度为H = 3, 信任权值为
${[0.6,\;0.2,\;0.2]^{\rm{T}}}$ .图6为未引入滑动窗口时三种方法的评价效果对比, 可以看出, KT-PLS方法对各状态等级的识别结果与SDAE和ISDAE相比波动较大, 且存在少许误识别的情况. 而ISDAE模型与SDAE模型相比, 存在一些时刻, 如200 ~ 250个样本点间, ISDAE模型的评价准确性优于SDAE模型. 受过程中不确定性因素的影响, ISDAE模型、 SDAE模型以及KT-PLS方法在线评价时输出的后验概率均存在一些波动, 当不确定性因素影响严重时可能会导致运行状态的误识别. 引入在线窗口并对窗口内的数据赋予信任权值后, 如图7所示, 能有效解决扰动带来的运行状态误识别问题, 特别是在针对来自实际重介质选煤过程数据的仿真实验中, 这种优势更加明显.
图 6 未引入滑动窗口的机理模型数据运行状态在线评价结果Fig. 6 Online operating performance assessment results of mechanism model data without sliding window
图 7 引入滑动窗口的机理模型数据运行状态在线评价结果Fig. 7 Online operating performance assessment results of mechanism model data with sliding window3.3.2 实际重介质选煤过程数据运行状态在线 评价
为验证本文所提方法的实用性, 在实际重介质选煤过程数据上进行实验. 其中测试数据集为394组, “优良中差”4个状态等级的数据分别为77、124、104、89组.
图8为对实际重介质选煤过程数据进行降维所得的二维、三维数据图. 从图8中可以看出, 实际的过程数据存在着很强的非线性, 此外还存在着噪声的影响, 即使在三维数据中, 也很难找出合适的超平面划分4个状态等级.
对实际重介质选煤过程数据进行在线评价时, 同样设置在线滑动窗口宽度H为3, 信任权值为
$[0.4,\; $ $ 0.4,\;0.2]^{\rm{T}}$ . 在线评价结果如图9所示.
图 9 未引入滑动窗口的实际过程数据运行状态在线评价结果Fig. 9 Online operating performance assessment results of field date without sliding window图9为ISDAE模型、SDAE模型和KT-PLS方法的运行状态评价效果对比. 从图9中可以看出, 由于实际生产过程受过程干扰、噪声及不确定性因素影响严重, 导致运行状态评价模型的输出后验概率存在较大波动, 造成少量状态等级误识别情况. KT-PLS方法对各状态等级的识别效果与ISDAE模型和SDAE模型相比波动较大, 误识别率较高. 同时, ISDAE模型相较于SDAE 模型, 输出的各状态等级后验概率波动更小, 识别准确性更高. 图10为引入滑动窗口后各方法的实际重介质选煤过程数据的运行状态在线评价结果. 对比图9与图10可以看出, 当引入在线滑动窗口及信任权值后, 各方法的识别准确率均得到了较大的改善.
图 10 引入滑动窗口的实际过程数据运行状态在线评价结果Fig. 10 Online operating performance assessment results of field data with sliding window为了更加直观地验证本文所提方法的有效性, 本文引入了分类评价指标对在线评价结果进行分析. 其中宏平均值(Macro average)为各类状态等级不同评价指标的平均值, 加权平均值(Weighted average)为各类状态等级不同评价指标的加权平均值. 精确率(Precision)、召回率(Recall)、F1值定义如下:
$$Precision = \frac{{TP}}{{TP + FP}}$$ (15) $$Recall = \frac{{TP}}{{TP + FN}}$$ (16) $${F_1} = \frac{{2TP}}{{2TP + FP + FN}}$$ (17) 其中, TP、FP、FN、TN的含义参见表7.
表 7 TP/FP/FN/TN参数含义Table 7 Meaning of parameter TP/FP/FN/TN真实情况 预测结果 正例 反例 正例 TP (真正例) FN (假反例) 反例 FP (假正例) TN (真反例) 表8和表9分别为未引入滑动窗口和引入滑动窗口后的各方法的运行状态评价结果的分类评价指标. 从表8和表9中可以看出, 无论是否引入滑动窗口, 本文所提方法的精确率、 召回率和F1值的宏平均值以及加权平均值均优于SDAE模型和KT-PLS方法的评价结果. 因此, 利用基于ISDAE模型的运行状态评价方法可以有效地对过程的运行状态作出评价.
表 8 未引入滑动窗口的运行状态评价结果报告Table 8 Report of operating performance assessment results without sliding windowISDAE SDAE KT-PLS 精确率 召回率 F1值 精确率 召回率 F1值 精确率 召回率 F1值 差 (Poor) 1.00 0.85 0.92 0.95 0.81 0.87 0.90 0.62 0.73 中 (Medium) 0.91 0.97 0.94 0.82 0.90 0.86 0.60 0.68 0.64 良 (Fine) 0.93 0.97 0.95 0.92 0.95 0.94 0.60 0.71 0.65 优 (Optimal) 0.94 0.95 0.94 0.89 0.88 0.89 0.70 0.61 0.65 宏平均 0.94 0.94 0.94 0.90 0.89 0.89 0.70 0.66 0.67 加权平均 0.94 0.94 0.94 0.90 0.89 0.89 0.69 0.66 0.67 表 9 引入滑动窗口的运行状态评价结果报告Table 9 Report of operating performance assessment results with sliding windowISDAE SDAE KT-PLS 精确率 召回率 F1值 精确率 召回率 F1值 精确率 召回率 F1值 差 (Poor) 0.99 0.99 0.99 0.99 1.00 0.99 0.96 0.72 0.82 中 (Medium) 0.99 0.99 0.99 0.98 0.98 0.98 0.76 0.81 0.78 良 (Fine) 0.98 0.99 0.98 0.98 0.99 0.99 0.73 0.87 0.79 优 (Optimal) 1.00 0.97 0.99 0.99 0.96 0.97 0.79 0.70 0.74 宏平均 0.99 0.99 0.99 0.99 0.98 0.98 0.81 0.78 0.78 加权平均 0.99 0.99 0.99 0.98 0.98 0.98 0.80 0.79 0.79 3.4 非优因素追溯
当运行状态非优时, 需要进行非优因素追溯, 以找出可能导致过程非优的原因, 为系统的控制或操作人员实时调整提供依据. 当评价模型输出状态等级为2、3、4时, 即过程运行状态处于“良、中、差”时, 将当前时刻的样本数据输入非优因素追溯模型, 计算各变量的贡献率.
3.4.1 选煤过程机理模型数据的非优因素追溯
针对重介质选煤过程机理模型数据, 本文随机选择非优状态中的第170, 211, 271, 316, 388, 409, 460, 517, 575个样本点进行非优因素追溯, 非优因素追溯结果如图11所示. 通过对比图11中样本的各变量的贡献率与表6中的非优因素设置可以看出, 图11中的9个样本点中, 选煤厂原煤入料(变量1)、旋流器入料压力(变量7)以及进入混料箱的重介质密度(变量6)对各样本所属的状态等级的贡献率高于其他变量, 非优因素追溯结果和样本点所设置的非优因素保持一致. 因此本文的非优因素追溯方法可以有效追溯出导致过程非优的原因变量.
图 11 机理模型数据的非优因素追溯结果: 第170、211、271个样本为状态“良”的各变量贡献率; 第316、388、409个样本为状态“中”的各变量贡献率; 第460、517、575个样本为状态“差”的各变量贡献率Fig. 11 Non-optimal cause identification results of mechanism model data: The contribution rate of each variable of the 170th, 211st, and 271st samples, when the state is “fine”; the contribution rate of each variable of the 316th, 388th, and 409th samples, when the state is “medium”; the contribution rate of each variable of the 460th, 517th, and 575th samples, when the state is “poor”3.4.2 实际选煤过程数据的非优因素追溯
对于实际选煤过程数据, 本文随机选择“非优”状态中的第23, 50, 72, 112, 151, 171, 224, 265, 298个样本点进行非优因素追溯, 非优因素追溯结果如图12所示. 其中, 变量1 ~ 变量5分别对应操作变量: 主系统介质密度、介质桶液位、主旋流器入口压力、磁性物浓度和煤泥含量.
图 12 实际选煤过程数据的非优因素追溯结果Fig. 12 The non-optimal cause identification results of coal preparation field data以第112个样本点为例, 从图12中可以看出变量3的贡献率明显高于其他变量, 因此认为变量3是导致选煤过程在第112个样本点状态非优的主要原因. 结合机理知识可知, 由于主旋流器入口压力过高, 导致主旋流器分选效率降低, 错配率增加, 即溢流灰分含量增多, 同时底流灰分减少, 此时为非优工况. 同时, 由于重介质悬浮液中的磁性物浓度减少, 重介质悬浮液粘度增加, 导致原煤在煤介混合物中分层阻力增大, 影响分选效果. 这就是除了变量3的贡献率比较大外, 变量4和变量5的贡献率也高于其他变量的原因. 类似地, 亦可分析其他样本点的非优因素追溯结果与实际运行情况中导致“非优”状态的原因一致.
综上实验结果分析可知, 面对重介质选煤过程运行状态稳健且准确的评价问题, 本文所提出的基于ISDAE模型的运行状态评价方法能有效处理重介质选煤过程变量间存在复杂非线性和信息冗余以及选煤过程数据中存在噪声等问题, 能够满足对重介质选煤过程进行运行状态准确评价的需求. 本文所提的运行状态评价方法无论在机理模型数据还是实际生产过程数据上, 均能获得稳健且准确的评价结果. 此外, 通过对导致重介质选煤过程运行状态非优的原因进行追溯, 可以有效地发现选煤过程在线运行过程中的非优因素, 保证了选煤过程的高效运行, 提高了选煤厂的综合经济效益.
4. 结论
复杂工业过程细致而稳健的运行状态评价是提高企业综合经济效益的有效手段之一. 本文考虑到工业过程中存在强非线性、信息冗余以及不确定性因素影响等问题, 提出了一种基于ISDAE模型的工业过程运行状态评价方法. 通过引入综合经济指标预测误差项, 实现了同时提取过程变量中蕴含的过程运行模式特征与综合经济指标相关的过程特征. 同时针对非优状态, 结合自编码器的结构特点提出了基于自编码器贡献图算法的非优因素追溯方法, 有效识别出导致过程非优的原因变量, 为操作人员及时调整控制策略提供依据. 最后, 通过选煤过程机理模型数据和实际选煤过程数据的仿真实验, 共同验证了所提方法的有效性及实用性.
-
图 2 基于ISDAE模型的运行状态评价系统框图
Fig. 2 The system block diagram of ISDAE model based operating performance assessment
图 3 运行状态在线评价示意图
Fig. 3 The schematic diagram of online operating performance assessment
图 4 重介质选煤工艺流程图
Fig. 4 The process flow diagram of dense medium coal preparation process
图 5 模型精度与隐藏层神经元个数的关系图
Fig. 5 The relationship between the model accuracy and the number of neurons in hidden layer
图 6 未引入滑动窗口的机理模型数据运行状态在线评价结果
Fig. 6 Online operating performance assessment results of mechanism model data without sliding window
图 7 引入滑动窗口的机理模型数据运行状态在线评价结果
Fig. 7 Online operating performance assessment results of mechanism model data with sliding window
图 9 未引入滑动窗口的实际过程数据运行状态在线评价结果
Fig. 9 Online operating performance assessment results of field date without sliding window
图 10 引入滑动窗口的实际过程数据运行状态在线评价结果
Fig. 10 Online operating performance assessment results of field data with sliding window
图 11 机理模型数据的非优因素追溯结果: 第170、211、271个样本为状态“良”的各变量贡献率; 第316、388、409个样本为状态“中”的各变量贡献率; 第460、517、575个样本为状态“差”的各变量贡献率
Fig. 11 Non-optimal cause identification results of mechanism model data: The contribution rate of each variable of the 170th, 211st, and 271st samples, when the state is “fine”; the contribution rate of each variable of the 316th, 388th, and 409th samples, when the state is “medium”; the contribution rate of each variable of the 460th, 517th, and 575th samples, when the state is “poor”
图 12 实际选煤过程数据的非优因素追溯结果
Fig. 12 The non-optimal cause identification results of coal preparation field data
表 1 过程变量选择
Table 1 The selection of process variable
编号 变量名 1 选煤厂原煤入料 (kg/s) 2 双层筛底板筛下流量 (kg/s) 3 单层筛顶板上流量 (kg/s) 4 混合箱出料密度 (kg/m3) 5 混料箱出料流量 (m3/s) 6 进入混料箱的重介质密度 (kg/m3) 7 旋流器入料压力 (Pa) 8 磁性物添加量 (kg/s) 9 合格介质桶输出的介质密度 (kg/m3) 10 合格介质桶液位 (m) 11 合格介质桶出料流量 (m3/s) 
下载: 导出CSV
表 2 机理模型数据运行状态等级划分及等级标签设置
Table 2 Operating performance level division and level label setting of mechanism model data
溢流灰分值 状态等级 等级标签 4.5 % ~ 5.5 % 优 1 5.5 % ~ 6.7 % 良 2 6.7 % ~ 7.7 % 中 3 7.7 % ~ 8.7 % 差 4
下载: 导出CSV
表 3 离线建模数据集中的非优因素设置
Table 3 Non-optimal factors setting in offline modeling dataset
状态等级 优 良 中 差 样本 1 ~ 300 301 ~ 400 401 ~ 500 501 ~ 600 601 ~ 700 701 ~ 800 801 ~ 900 901 ~ 1000 1001 ~ 1100 1101 ~ 1200 非优因素 — 变量1 变量7 变量6 变量1 变量7 变量6 变量1 变量7 变量6
下载: 导出CSV
表 4 实际过程数据运行状态等级划分及等级标签设置
Table 4 Operating performance level division and level label setting of field data
溢流灰分值 状态等级 等级标签 6.0% ~ 6.5% 优 1 6.5% ~ 7.2% 良 2 7.2% ~ 8.0% 中 3 8.0% ~ 9.0% 差 4
下载: 导出CSV
表 5 模型参数设置
Table 5 Model parameter setting
PR $\rho $ lr $\beta $ $\alpha $ $\gamma $ 基于机理模型数据的神经网络模型 0.2 0.1 0.001 2 0.02 0.3 基于实际过程数据的神经网络模型 0.1 0.1 0.001 2 0.01 0.1
下载: 导出CSV
表 6 测试数据集中的非优因素设置
Table 6 Non-optimal cause setting in test dataset
状态等级 优 良 中 差 样本 0 ~ 150 151 ~ 200 201 ~ 250 251 ~ 300 301 ~ 350 351 ~ 400 401 ~ 450 451 ~ 500 501 ~ 550 551 ~ 600 非优因素 — 变量1 变量7 变量6 变量1 变量7 变量6 变量1 变量7 变量6
下载: 导出CSV
表 7 TP/FP/FN/TN参数含义
Table 7 Meaning of parameter TP/FP/FN/TN
真实情况 预测结果 正例 反例 正例 TP (真正例) FN (假反例) 反例 FP (假正例) TN (真反例)
下载: 导出CSV
表 8 未引入滑动窗口的运行状态评价结果报告
Table 8 Report of operating performance assessment results without sliding window
ISDAE SDAE KT-PLS 精确率 召回率 F1值 精确率 召回率 F1值 精确率 召回率 F1值 差 (Poor) 1.00 0.85 0.92 0.95 0.81 0.87 0.90 0.62 0.73 中 (Medium) 0.91 0.97 0.94 0.82 0.90 0.86 0.60 0.68 0.64 良 (Fine) 0.93 0.97 0.95 0.92 0.95 0.94 0.60 0.71 0.65 优 (Optimal) 0.94 0.95 0.94 0.89 0.88 0.89 0.70 0.61 0.65 宏平均 0.94 0.94 0.94 0.90 0.89 0.89 0.70 0.66 0.67 加权平均 0.94 0.94 0.94 0.90 0.89 0.89 0.69 0.66 0.67
下载: 导出CSV
表 9 引入滑动窗口的运行状态评价结果报告
Table 9 Report of operating performance assessment results with sliding window
ISDAE SDAE KT-PLS 精确率 召回率 F1值 精确率 召回率 F1值 精确率 召回率 F1值 差 (Poor) 0.99 0.99 0.99 0.99 1.00 0.99 0.96 0.72 0.82 中 (Medium) 0.99 0.99 0.99 0.98 0.98 0.98 0.76 0.81 0.78 良 (Fine) 0.98 0.99 0.98 0.98 0.99 0.99 0.73 0.87 0.79 优 (Optimal) 1.00 0.97 0.99 0.99 0.96 0.97 0.79 0.70 0.74 宏平均 0.99 0.99 0.99 0.99 0.98 0.98 0.81 0.78 0.78 加权平均 0.99 0.99 0.99 0.98 0.98 0.98 0.80 0.79 0.79
下载: 导出CSV
-
[1] Li W Q, Zhao C H, Gao F R. Linearity evaluation and variable subset partition based hierarchical process modeling and monitoring. IEEE Transactions on Industrial Electronics, 2017, 65(3): 2683−2692 [2] Jiang Q C, Yan S F, Yan X F, Yi H, Gao F R. Data-driven two-dimensional deep correlated representation learning for nonlinear batch process monitoring. IEEE Transactions on Industrial Informatics, 2019, 16(4): 2839−2848 [3] Xu J, Gu Y, Ma S. Data based online operational performance optimization with varying work conditions for steam-turbine system. Applied Thermal Engineering, 2019, 151: 344−353 doi: 10.1016/j.applthermaleng.2019.02.032 [4] Hu J, Wu M, Chen X, Du S, Cao W, She J. Hybrid modeling and online optimization strategy for improving carbon efficiency in iron ore sintering process. Information Sciences, 2019, 483: 232−246 doi: 10.1016/j.ins.2019.01.027 [5] Frangos M. Uncertainty quantification for cuttings transport process monitoring while drilling by ensemble Kalman filtering. Journal of Process Control, 2017, 53: 46−56 doi: 10.1016/j.jprocont.2017.02.008 [6] 刘洋, 张国山. 基于敏感稀疏主元分析的化工过程监测与故障诊断. 控制与决策, 2016, 31(7): 1213−1218Liu Yang, Zhang Guo-Shan. Chemical process monitoring and fault diagnosis based on sensitive sparse principal component analysis. Control and Decision, 2016, 31(7): 1213−1218 [7] Liu Y, Wang F L, Chang Y Q. Operating optimality assessment based on optimality related variations and nonoptimal cause identification for industrial processes. Journal of Process Control, 2016, 39: 11−20 doi: 10.1016/j.jprocont.2015.12.008 [8] Liu Y, Chang Y Q, Wang F L. Online process operating performance assessment and nonoptimal cause identification for industrial processes. Journal of Process Control, 2014, 24(10): 1548−1555 doi: 10.1016/j.jprocont.2014.08.001 [9] Liu Y, Wang F L, Chang Y Q, Ma R C. Operating optimality assessment and nonoptimal cause identification for non-Gaussian multimode processes with transitions. Chemical Engineering Science, 2015, 137: 106−118 doi: 10.1016/j.ces.2015.06.016 [10] Zou X Y, Wang F L, Chang Y Q. Assessment of operating performance using cross-domain feature transfer learning. Control Engineering Practice, 2019, 89: 143−153 doi: 10.1016/j.conengprac.2019.05.007 [11] Vo H X, Durlofsky L J. Data assimilation and uncertainty assessment for complex geological models using a new PCA-based parameterization. Computational Geosciences, 2015, 19(4): 747−767 doi: 10.1007/s10596-015-9483-x [12] Zhang Q C, Yang L T, Chen Z K, Li P. A survey on deep learning for big data. Information Fusion, 2018, 42: 146−157 doi: 10.1016/j.inffus.2017.10.006 [13] Eren L, Ince T, Kiranyaz S. A generic intelligent bearing fault diagnosis system using compact adaptive 1D CNN classifier. Journal of Signal Processing Systems, 2019, 91(2): 179−189 doi: 10.1007/s11265-018-1378-3 [14] Wang J J, Ma Y L, Zhang L B, Gao R X, Wu D Z. Deep learning for smart manufacturing: Methods and applications. Journal of Manufacturing Systems, 2018, 48: 144−156 doi: 10.1016/j.jmsy.2018.01.003 [15] Sun W J, Shao S Y, Zhao R, Yang R Q, Zhang X W. A sparse auto-encoder-based deep neural network approach for induction motor faults classification. Measurement, 2016, 89: 171−178 doi: 10.1016/j.measurement.2016.04.007 [16] Jiang L, Ge Z Q, Song Z H. Semi-supervised fault classification based on dynamic sparse stacked auto-encoders model. Chemometrics and Intelligent Laboratory Systems, 2017, 168: 72−83 doi: 10.1016/j.chemolab.2017.06.010 [17] Yu W K, Zhao C H. Robust monitoring and fault isolation of nonlinear industrial processes using denoising autoencoder and elastic net. IEEE Transactions on Control Systems Technology, 2019, 28(3): 1−9 [18] 李炜, 宋威, 王晨妮, 张雨轩. 标签约束的半监督栈式自编码器分类算法. 小型微型计算机系统, 2019, 40(3): 488−492 doi: 10.3969/j.issn.1000-1220.2019.03.005Li Wei, Song Wei, Wang Chen-Ni, Zhang Yu-Xuan. Label regularization semi-supervised stacked autoencoder classification algorithm. Journal of Chinese Computer Systems, 2019, 40(3): 488−492 doi: 10.3969/j.issn.1000-1220.2019.03.005 [19] Chai Z L, Song W, Wang H L, Liu F. A semi-supervised auto-encoder using label and sparse regularizations for classification. Applied Soft Computing, 2019, 77: 205−217 doi: 10.1016/j.asoc.2019.01.021 [20] Yuan X F, Huang B, Wang Y L, Yang C H, Gui W H. Deep learning-based feature representation and its application for soft sensor modeling with variable-wise weighted SAE. IEEE Transactions on Industrial Informatics, 2018, 14(7): 3235−3243 doi: 10.1109/TII.2018.2809730 [21] Yuan X F, Zhou J, Huang B, Wang Y L, Yang C H, Gui W H. Hierarchical quality-relevant feature representation for soft sensor modeling: A novel deep learning strategy. IEEE Transactions on Industrial Informatics, 2019, 16(6): 3721−3730 [22] Sohaib M, Kim J M. Reliable fault diagnosis of rotary machine bearings using a stacked sparse autoencoder-based deep neural network. Shock and Vibration, 2018, 2018: 1−11 [23] Bengio Y. Learning deep architectures for AI. Foundations & Trends in Machine Learning, 2009, 2(1):1−127 [24] Chen Z Y, Li W H. Multisensor feature fusion for bearing fault diagnosis using sparse autoencoder and deep belief network. IEEE Transactions on Instrumentation and Measurement, 2017, 66(7): 1693−1702 doi: 10.1109/TIM.2017.2669947 [25] Lv F Y, Wen C L, Liu M Q, Bao Z J. Weighted time series fault diagnosis based on a stacked sparse autoencoder. Journal of Chemometrics, 2017, 31(9): e2912 doi: 10.1002/cem.2912 [26] Long W, Gao L, Li X Y. A new deep transfer learning based on sparse auto-encoder for fault diagnosis. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2017, 49(1): 136−144 [27] Vincent P, Larochelle H, Lajoie I, Bengio Y, Manzagol P A. Stacked denoising autoencoders: Learning useful representations in a deep network with a local denoising criterion. Journal of Machine Learning Research, 2010, 11(12): 3371−3408 [28] 刘国梁, 余建波. 知识堆叠降噪自编码器. 自动化学报, DOI: 10.16383/j.aas.c190375Liu Guo-Liang, Yu Jian-Bo. Knowledge-based stacked denoising autoencoder. Acta Automatica Sinica, DOI: 10.16383/j.aas.c190375 [29] 邹筱瑜, 王福利, 常玉清, 郑伟. 基于两层分块GMM-PRS的流程工业过程运行状态评价. 自动化学报, 2019, 45(11): 2071−2081Zou Xiao-Yu, Wang Fu-Li, Chang Yu-Qing, Zheng Wei. Plant-wide process operating performance assessment based on two-level multi-block GMM-PRS. Acta Automatica Sinica, 2019, 45(11): 2071−2081 [30] 王慧玲, 宋威, 王晨妮. 稀疏和标签约束半监督自动编码器的分类算法. 计算机应用研究, 2019, 36(9): 2613−2617Wang Hui-Ling, Song Wei, Wang Chen-Ni. Semi-supervised auto-encoder using sparse and label regularizations for classification. Application Research of Computers, 2019, 36(9): 2613−2617 [31] Rumelhart D E, Hinton G E, Williams R J. Learning representations by back-propagating errors. Cognitive Modeling, 1988, 5(3): 1 [32] Miller P, Swanson R E, Heckler C E. Contribution plots: A missing link in multivariate quality control. Applied Mathematics and Computer Science, 1998, 8(4): 775−792 [33] Yoon S, Mac Gregor J F. Fault diagnosis with multivariate statistical models part I: Using steady state fault signatures. Journal of Process Control, 2001, 11(4): 387−400 doi: 10.1016/S0959-1524(00)00008-1 [34] 蒋立. 基于自编码器模型的非线性过程监测[博士学位论文], 浙江大学, 中国, 2018Jiang Li. Nonlinear Process Monitoring Based on Auto-encoder Model [Ph. D. dissertation], Zhejiang University, China, 2018 [35] 褚菲, 赵旭, 代伟, 马小平, 王福利. 数据驱动的最优运行状态鲁棒评价方法及应用. 自动化学报, 2020, 46(3): 439−450Chu Fei, Zhao Xu, Dai Wei, Ma Xiao-Ping, Wang Fu-Li. Data-driven robust evaluation method and application for the optimal operating status. Acta Automatica Sinica, 2020, 46(3): 439−450 [36] Meyer E J, Craig I K. The development of dynamic models for a dense medium separation circuit in coal beneficiation. Minerals Engineering, 2010, 23: 791−805 doi: 10.1016/j.mineng.2010.05.020 [37] Zhang L J, Xia X H, Zhu B. A dual-loop control system for dense medium coal washing processes with sampled and delayed measurements. IEEE Transactions on Control Systems Technology, 2017, 25(6): 2211−2218 doi: 10.1109/TCST.2016.2640946 [38] Liu Y, Chang Y Q, Wang F L, Ma R C, Zhang H L. Complex process operating optimality assessment and non-optimal cause identification using modified total kernel PLS. In: Proceedings of the 26th Chinese Control and Decision Conference. Changsha, China: IEEE, 2014. 1221−1227 期刊类型引用(12)
1. 谭帅，王一帆，姜庆超，侍洪波，宋冰. 基于不同故障传播路径差异化的故障诊断方法. 自动化学报. 2025(01): 161-173 . 
本站查看2. 丁锋，徐玲，张霄. 大规模系统高效辨识方法研究. 青岛科技大学学报(自然科学版). 2025(01): 1-16 . 百度学术3. 付文峰，王振雷，王昕. 基于DVAE-WAFFN-GAN的不平衡样本的工业过程性能评估方法. 化工学报. 2025(02): 769-786 . 百度学术4. 张凯，杨朋澄，彭开香，陈志文. 基于深度置信网络的多模态过程故障评估方法及应用. 自动化学报. 2024(01): 89-102 . 本站查看5. 褚菲，郝莉莉，王福利. 复杂工业过程运行状态评价方法回顾与展望. 控制与决策. 2024(03): 705-718 . 百度学术6. 钟林生，常玉清，王福利，高世红. 基于慢特征分析的分布式动态工业过程运行状态评价. 自动化学报. 2024(04): 745-757 . 本站查看7. 张永博，张凯，彭开香，杨朋澄. 融合分层分块信息的轧制过程运行状态评估方法及应用. 控制与决策. 2024(08): 2694-2702 . 百度学术8. 廖霜霜，褚菲，傅逸灵，王军，王福利. 基于ILSTM网络的工业过程运行状态评价. 控制理论与应用. 2024(11): 2112-2120 . 百度学术9. 褚菲，王佩，朱安强，张海军. 面向过程控制的煤泥浮选机理建模与仿真研究. 控制工程. 2024(12): 2129-2139+2166 . 百度学术10. 刘炎，马喆，褚菲，王福利. 基于分层分块堆叠状态相关降噪自编码器的流程工业过程运行状态评价. 仪器仪表学报. 2023(08): 228-238 . 百度学术11. 史晨豪，戴尉阳，王菁怡，张怡. 基于长短期记忆网络自编码器的台区线损预测方法. 供用电. 2022(01): 52-57 . 百度学术12. 刘炎，龚思哲，王福利，马喆. 基于堆叠有监督降噪自编码的运行状态评价. 仪器仪表学报. 2022(04): 271-281 . 百度学术其他类型引用(8)
-
下载:
计量
- 文章访问数: 1543
- HTML全文浏览量: 416
- PDF下载量: 246
- 被引次数: 20
