周樂，宋執(zhí)環(huán)，侯北平，費(fèi)正順

?

一種魯棒半監(jiān)督建模方法及其在化工過程故障檢測中的應(yīng)用

周樂1，宋執(zhí)環(huán)2，侯北平1，費(fèi)正順1

（1浙江科技學(xué)院自動(dòng)化與電氣工程學(xué)院，浙江杭州310024；2浙江大學(xué)控制科學(xué)與工程學(xué)院，浙江杭州 310027）

復(fù)雜化工過程的觀測樣本往往包含著測量噪聲與少量的離群點(diǎn)數(shù)據(jù)，而這些受污染的數(shù)據(jù)會(huì)影響數(shù)據(jù)驅(qū)動(dòng)的過程建模與故障檢測方法的準(zhǔn)確性。本文考慮了化工過程測量樣本的這一實(shí)際情況，提出了一種魯棒半監(jiān)督PLVR模型（RSSPLVR），并利用核方法將其擴(kuò)展為非線性的形式（K-RSSPLVR）。此類算法利用基于樣本相似度的加權(quán)系數(shù)作為概率模型的先驗(yàn)參數(shù)，能有效消除離群點(diǎn)對(duì)建模的影響。利用加權(quán)后的建模樣本，本文通過EM算法訓(xùn)練了RSSPLVR和K-RSSPLVR的模型參數(shù)，并提出了相應(yīng)的故障檢測算法。最后，通過TE過程仿真實(shí)驗(yàn)驗(yàn)證了所提出方法的有效性。

故障檢測；魯棒模型；半監(jiān)督；過程控制；過程系統(tǒng)；主元分析

引 言

在現(xiàn)代流程工業(yè)中，隨著集散控制系統(tǒng)（DCS）的應(yīng)用和計(jì)算機(jī)技術(shù)的進(jìn)步，工業(yè)現(xiàn)場采集和存儲(chǔ)了大量的在線和離線測量數(shù)據(jù)，基于多元統(tǒng)計(jì)分析的過程監(jiān)測（MSPM）技術(shù)得到了快速發(fā)展，它具有基于數(shù)據(jù)、降維、易于可視化與易于實(shí)際應(yīng)用等優(yōu)點(diǎn)，在化工、制藥、半導(dǎo)體制造等多個(gè)工業(yè)領(lǐng)域得到了廣泛應(yīng)用[1-7]。其中，主成分分析（PCA）和偏最小二乘估計(jì)（PLS）及其擴(kuò)展方法是MSPM技術(shù)的代表性模型[8-11]?；赑CA的過程監(jiān)測技術(shù)通過檢測過程變量的波動(dòng)以有效監(jiān)測生產(chǎn)過程是否發(fā)送了異常工況。然而，該類方法無法判別生產(chǎn)過程的波動(dòng)是否影響了最終的產(chǎn)品質(zhì)量。因此，當(dāng)質(zhì)量指標(biāo)可測或部分可測時(shí)，基于PLS的過程監(jiān)測技術(shù)能夠提取過程變量和質(zhì)量指標(biāo)間的約束關(guān)系，并通過監(jiān)測PLS潛隱空間的變化以提前預(yù)知過程故障是否導(dǎo)致了產(chǎn)品質(zhì)量的波動(dòng)[12]。

傳統(tǒng)的PLS模型及其擴(kuò)展方法均假設(shè)過程變量與質(zhì)量指標(biāo)的采樣率一致。然而，大部分的質(zhì)量指標(biāo)變量，往往因?yàn)闇y量困難或需要離線化驗(yàn)等原因，其采樣率很低，難以獲得大量的建模數(shù)據(jù)。而與此同時(shí)，反應(yīng)過程運(yùn)行狀態(tài)的過程變量，則通過在線監(jiān)測設(shè)備以較高的采樣率記錄和存儲(chǔ)。因此，利用實(shí)際生產(chǎn)過程中的過程變量（）和質(zhì)量指標(biāo)（）進(jìn)行過程監(jiān)測時(shí)，需要提取不同采樣率數(shù)據(jù)間的相關(guān)關(guān)系。為解決此類問題，F(xiàn)acco等[13-14]利用降采樣率方法對(duì)PLS模型進(jìn)行了有效擴(kuò)展，并將其應(yīng)用于批次過程軟測量研究。此外，半監(jiān)督學(xué)習(xí)方法能夠有效處理不同采樣率數(shù)據(jù)間的特征提取問題，并已廣泛應(yīng)用于模式識(shí)別和機(jī)器學(xué)習(xí)領(lǐng)域[15-16]。Zhou等[17]提出了一種基于半監(jiān)督的PLVR模型，以用于連續(xù)過程和間歇過程故障檢測。Zhu等[18]將魯棒半監(jiān)督混合PPCA模型用于過程軟測量。

此外，由于測量缺陷或者外部干擾等原因，建模樣本往往包含著測量噪聲，以及一些受外部突變、測量錯(cuò)誤等造成的離群點(diǎn)。而一旦此類包含著粗大誤差的數(shù)據(jù)被用于過程建模，則難以獲取能夠準(zhǔn)確預(yù)測變量波動(dòng)的過程模型。為處理包含離群點(diǎn)的過程建模問題，Stanimirova等[19]提出了一種基于球形PCA的魯棒模型，Chen等[20]提出了基于學(xué)生t-分布的魯棒PPCA模型，Zhu等[21]將魯棒PPCA模型擴(kuò)展為混合模型的形式。這些方法中都使用了EM算法，因此能夠同時(shí)處理數(shù)據(jù)的缺失值和離群點(diǎn)問題，但卻只對(duì)過程變量進(jìn)行了特征提取，并未考慮過程變量與質(zhì)量指標(biāo)間的約束關(guān)系。

因此，針對(duì)復(fù)雜測量環(huán)境下的帶離群點(diǎn)的過程變量與質(zhì)量指標(biāo)間的特征提取及故障檢測問題，本文提出了一種基于相似度的魯棒半監(jiān)督PLVR模型（RSSPLVR）。在模型訓(xùn)練之前以每個(gè)樣本點(diǎn)到其近鄰點(diǎn)的平均歐氏距離為標(biāo)準(zhǔn)，計(jì)算訓(xùn)練樣本與其近鄰點(diǎn)的相似度指數(shù)并確定每個(gè)訓(xùn)練樣本的加權(quán)系數(shù)。對(duì)于離群點(diǎn)數(shù)據(jù)，其加權(quán)系數(shù)相對(duì)正常數(shù)據(jù)較小，在建模時(shí)則提供了較少的有效信息。在進(jìn)行模型訓(xùn)練時(shí)，每個(gè)樣本的似然函數(shù)將乘以加權(quán)系數(shù)，以削弱離群點(diǎn)數(shù)據(jù)對(duì)建模的影響。通過上述方式，提供了一種對(duì)樣本數(shù)據(jù)的“軟”劃分，即提高了建模的魯棒性，也避免了因離群點(diǎn)誤判而錯(cuò)誤刪除了有效建模數(shù)據(jù)。此外，考慮到實(shí)際工業(yè)過程中過程變量與質(zhì)量指標(biāo)間的非線性關(guān)系，本文進(jìn)一步將魯棒半監(jiān)督PLVR模型擴(kuò)展為非線性的形式。為處理變量間的非線性關(guān)系，文獻(xiàn)[3]中提出了不同的非線性建模方法。其中，基于核投影的方法因其避免了復(fù)雜的非線性優(yōu)化過程及良好的泛化能力而被廣泛應(yīng)用[22-24]。因此，本文提出了一種基于核投影的非線性魯棒半監(jiān)督PLVR模型（K-RSSPLVR）及其故障檢測方法，通過將原始數(shù)據(jù)投影至高維特征空間中，數(shù)據(jù)間的非線性關(guān)系轉(zhuǎn)化成了線性關(guān)系。在特征空間中，本文構(gòu)建了基于核函數(shù)的2和SPE統(tǒng)計(jì)量以用于生產(chǎn)過程故障檢測。最后，通過TE過程仿真平臺(tái)驗(yàn)證本文提出故障檢測方法的有效性。

1 半監(jiān)督PLVR算法（SSPLVR）

作為一類概率半監(jiān)督模型，SSPLVR能夠有效提取采樣率不同的過程變量（）與質(zhì)量指標(biāo)間（）的相關(guān)關(guān)系，其模型結(jié)構(gòu)為[17]

=+(1)

=+(2)

其中，∈R×D和∈R×D分別為和的負(fù)載矩陣，潛隱變量∈R服從均值為0，方差為1的高斯分布?！?i>R和∈R為模型噪聲，其先驗(yàn)分布也被定義為各向同性的高斯分布：～(0,2I)和～(0,2I)。此外，SSPLVR中的過程變量={1,2,…,}∈R×J與質(zhì)量指標(biāo)={1,2,…,}∈R×M的采樣率不同，且的采樣不規(guī)則且采樣率低，因此<。在本文中，假設(shè)建模樣本間相互獨(dú)立，即樣本順序可調(diào)整為前個(gè)變量為被質(zhì)量指標(biāo)標(biāo)簽的過程變量，其潛隱變量由式（1）和式（2）共同計(jì)算，后-個(gè)變量為無標(biāo)簽的過程變量，其潛隱變量由式（1）計(jì)算。SSPLVR的模型結(jié)構(gòu)如圖1所示。文獻(xiàn)[17]給出了SSPLVR詳細(xì)的模型參數(shù)訓(xùn)練方法。

盡管SSPLVR算法能夠有效利用不同采樣率的輸入輸出數(shù)據(jù)進(jìn)行過程建模，但卻并未考慮建模數(shù)據(jù)的品質(zhì)優(yōu)劣。當(dāng)建模樣本中包含著少量離群點(diǎn)時(shí)，SSPLVR中隱變量的投影方向較之原模型將會(huì)產(chǎn)生較大程度的偏離，這是因?yàn)镾SPLVR算法均假設(shè)變量間服從多變量高斯分布，而這些概率分布函數(shù)很容易受異常樣本點(diǎn)的影響。因此，本文提出了一種魯棒的SSPLVR算法，以削弱建模樣本中包含的離群點(diǎn)對(duì)模型參數(shù)估計(jì)的影響。

2 魯棒半監(jiān)督PLVR算法(RSSPLVR)

2.1 RSSPLVR模型

在魯棒半監(jiān)督PLVR模型（RSSPLVR）中，所有的建模樣本被假設(shè)為各自獨(dú)立且服從不同的先驗(yàn)高斯分布，即每個(gè)樣本的先驗(yàn)分布被賦予了不同的加權(quán)系數(shù)。對(duì)于正常樣本其加權(quán)系數(shù)較大，對(duì)建模的貢獻(xiàn)度也大。反之，離群點(diǎn)數(shù)據(jù)對(duì)建模的貢獻(xiàn)度較小?？紤]到離群點(diǎn)往往距離正常樣本的歐式距離較遠(yuǎn)，本文采樣了一種基于樣本間平均歐氏距離的加權(quán)方法，在RSSPLVR模型訓(xùn)練前首先計(jì)算各建模樣本的權(quán)重值。假設(shè)為觀測變量對(duì)和的權(quán)重值，其被定義為

其中，

因此，所有建模數(shù)據(jù)的指數(shù)似然函數(shù)可被寫為

在RSSPLVR模型中，完整的似然函數(shù)被分為兩部分，且各變量的先驗(yàn)分布不同，由加權(quán)參數(shù)進(jìn)行調(diào)節(jié)，以提高模型對(duì)離群點(diǎn)數(shù)據(jù)的魯棒性。其中，模型參數(shù){,,2,2}可由期望最大化（expectation-maximization）算法估計(jì)得到。

2.2 RSSPLVR模型參數(shù)估計(jì)

在期望最大化（EM）算法中，首先在E步利用當(dāng)前模型參數(shù)估計(jì)潛隱變量的后驗(yàn)概率；之后，在M步分別針對(duì)各個(gè)參數(shù)求似然函數(shù)的一階偏導(dǎo)數(shù)，以獲取模型參數(shù)的更新值。最后，反復(fù)迭代E步和M步直至達(dá)到模型收斂條件。由于RSSPLVR的似然函數(shù)集被分成了兩部分，因此E步中的潛隱變量的后驗(yàn)分布估計(jì)也需要按照樣本特征分兩部分計(jì)算。因此，潛隱變量的一階距和二階距分別為

(6)

(7)

在M步中，分別針對(duì)模型參數(shù)求取似然函數(shù)（4）的一階s偏導(dǎo)數(shù)，可得各模型參數(shù)的更新值為

(9)

(11)

(12)

其中，trace(.)為矩陣的跡。當(dāng)E步與M步的結(jié)果反復(fù)迭代，直至似然函數(shù)值的變化足夠小時(shí)，模型參數(shù)訓(xùn)練過程結(jié)束。在RSSPLVR中，樣本的加權(quán)參數(shù)被用于模型訓(xùn)練中。由式（5）～式（8）可知，每個(gè)潛隱變量的后驗(yàn)概率分布均與有關(guān)。因此，RSSPLVR通過加權(quán)參數(shù)的使用提高了模型的魯棒性，削弱了離群點(diǎn)對(duì)建模準(zhǔn)確度的影響。

3 基于K-RSSPLVR算法的故障檢測

RSSPLVR有效解決了半監(jiān)督算法對(duì)數(shù)據(jù)離群點(diǎn)的魯棒性問題，在獲取了準(zhǔn)確的模型參數(shù)后，可建立相應(yīng)的基于RSSPLVR的故障檢測算法。然而，大部分化工過程的測量變量均為非線性相關(guān)，這對(duì)基于RSSPLVR的故障檢測方法在化工過程中應(yīng)用帶來了一定的局限性。因此，本節(jié)進(jìn)一步提出了一種基于核擴(kuò)展方法的非線性算法（K-RSSPLVR），以使其能夠適用于實(shí)際化工過程故障檢測。

3.1 K-RSSPLVR模型

在K-RSSPLVR中，原始數(shù)據(jù)首先被投影到高維特征空間中，其在高維空間中的投影值()和()被假設(shè)與隱變量間存在線性相關(guān)關(guān)系。而K-RSSPLVR的模型參數(shù)估計(jì)可通過如下等價(jià)變換關(guān)系得到。根據(jù)式（9）的結(jié)果，模型參數(shù)的更新值可被寫為

其中，、和分別被定義如下

(14)

根據(jù)式（17）的結(jié)果，可得如下等價(jià)變換關(guān)系

其中，=()()T,=()()T。同理可得模型參數(shù)的變換關(guān)系如下

(16)

其中，=()()T,=()()T。最后，將式（15）和式（17）的結(jié)果分別代入式（5）～式（8），可得K-RSSPLVR模型的E步為

(18)

(20)

(21)

其中，輔助變量和為

同理可得M步的更新結(jié)果為

(23)

3.2 基于K-RSSPLVR的故障檢測

在K-RSSPLVR模型構(gòu)建后，兩個(gè)常用的過程統(tǒng)計(jì)量2和SPE可被用于建立基于K-RSSPLVR的故障檢測方法，當(dāng)測試樣本test被采集后，其潛隱變量的期望值為

(25)

其中，var-1(test|test)為潛隱變量的方差。2統(tǒng)計(jì)量的控制限計(jì)算方法可參照文獻(xiàn)[8]，當(dāng)測試樣本的2統(tǒng)計(jì)量超過了相應(yīng)的控制限，則認(rèn)為發(fā)生了過程故障。

此外，基于模型的預(yù)測誤差，還可構(gòu)建SPE統(tǒng)計(jì)量以反應(yīng)模型殘差空間的變化。由于K-RSSPLVR可以同時(shí)預(yù)測過程變量和質(zhì)量指標(biāo)的變化，因此本文分別構(gòu)建了SPE和SPE統(tǒng)計(jì)量，其分別為

(27)

同理可得SPE的值為

(29)

其中基于質(zhì)量指標(biāo)的預(yù)測誤差構(gòu)建的SPE統(tǒng)計(jì)量能夠反映過程故障是否影響了最終的質(zhì)量指標(biāo)，而基于過程變量的預(yù)測誤差構(gòu)建的SPE統(tǒng)計(jì)量則主要反應(yīng)過程狀態(tài)的波動(dòng)。SPE統(tǒng)計(jì)量的控制限計(jì)算可參照文獻(xiàn)[26]中的方法。

4 仿真實(shí)例

本節(jié)將通過Tennessee Eastman（TE）過程仿真實(shí)例來研究和驗(yàn)證K-RSSPLVR模型在化工過程建模和故障檢測的有效性[27-28]。它包括連續(xù)攪拌式反應(yīng)器、冷凝器、氣液分離塔、壓縮機(jī)和再沸器5個(gè)主要操作單元，其主要控制方案和工藝流程可參考文獻(xiàn)[29-30]。TE過程一共包含了52個(gè)測量變量，其中有22個(gè)過程變量，19個(gè)質(zhì)量變量（成分）和12個(gè)控制變量。本文選擇了16個(gè)常見的過程變量，并選擇了流體9的組分作為質(zhì)量指標(biāo)，各變量的詳細(xì)介紹可參考文獻(xiàn)[31]。為驗(yàn)證故障檢測算法的有效性，TE過程還引入了21種常見的過程故障，其中16種為已知故障，5種為未知故障。這些故障中包括了階躍故障、過程漂移和閥門黏滯等不同類型。所有的故障數(shù)據(jù)均包含了960個(gè)采樣點(diǎn)，其中，過程故障在第161個(gè)采樣點(diǎn)引入。本文選取了960個(gè)正常工況下的樣本作為建模數(shù)據(jù)，其中，過程變量的采樣周期為3 min，質(zhì)量指標(biāo)的采樣周期為6 min，即利用了960個(gè)過程變量和480個(gè)質(zhì)量變量構(gòu)建了K-RSSPLVR。此外，為了模擬建模數(shù)據(jù)中包含離群點(diǎn)的情況，2%是正常數(shù)據(jù)幅值2倍的離群點(diǎn)被隨機(jī)添加在了建模數(shù)據(jù)中。同時(shí)，本文利用同一批包含少量離群點(diǎn)的建模數(shù)據(jù)構(gòu)建了KPLVR模型和RKPLVR模型，以比較不同模型的建模與故障檢測效果。由于KPLVR和RKPLVR均需要一一對(duì)應(yīng)的過程變量和質(zhì)量變量數(shù)據(jù)，因此本文采用了降采樣率的方法，即選取了480個(gè)有質(zhì)量變量標(biāo)簽的過程變量，以保障與的采樣率一致。此外，K-RSSPLVR、KPLVR和RKPLVR均為基于核方法的非線性模型，其潛隱變量個(gè)數(shù)選擇方法可參考文獻(xiàn)[22]。本文中，這3種模型的潛隱變量個(gè)數(shù)均選擇為20，調(diào)節(jié)參數(shù)均為100，統(tǒng)計(jì)量置信度均為0.99。

首先，本文檢驗(yàn)了不同模型在化工過程建模時(shí)的準(zhǔn)確度。利用另一組正常的樣本的作為測試數(shù)據(jù)，基于以上3種算法的故障誤報(bào)率如表1所示。從結(jié)果可以看出，由于KPLVR模型并未考慮數(shù)據(jù)離群點(diǎn)對(duì)過程建模的影響。

表1 TE過程不同模型下的故障誤報(bào)率

當(dāng)數(shù)據(jù)中僅存在少量離群點(diǎn)時(shí)，已嚴(yán)重影響了KPLVR模型潛隱變量的后驗(yàn)分布，這也導(dǎo)致基于KPLVR的過程模型與實(shí)際工況嚴(yán)重失配，對(duì)于正常測試樣本的故障誤報(bào)率異常（2和SPE均為1）。因此，在此種情況下，已經(jīng)無法利用KPLVR對(duì)TE過程進(jìn)行故障檢測。相比之下，基于K-RSSPLVR和RKPLVR模型的3種統(tǒng)計(jì)量的故障漏報(bào)率均較低，這也說明魯棒模型均能有效消除少量離群點(diǎn)對(duì)過程建模的影響，從而獲得對(duì)生產(chǎn)過程描述較為準(zhǔn)確的過程模型。

接下來，本文比較了基于K-RSSPLVR和RKPLVR故障檢測算法的有效性。選取TE過程所有的21種故障進(jìn)行測試，過程故障數(shù)據(jù)均在第161個(gè)采樣點(diǎn)引入。分別在基于兩種模型的故障檢測漏報(bào)率如表2所示，其中檢測效果更好的統(tǒng)計(jì)量被加粗標(biāo)注。由結(jié)果可知，對(duì)于大部分故障，基于K-RSSPLVR的統(tǒng)計(jì)量（尤其是2和SPE）的檢測結(jié)果都優(yōu)于相應(yīng)的基于RKPLVR的統(tǒng)計(jì)量。其中，本文選取了有代表性的故障10的檢測結(jié)果如圖2所示。

綜合以上仿真實(shí)驗(yàn)結(jié)果可以得出，本文提出的基于K-RSSPLVR不僅對(duì)離群點(diǎn)數(shù)據(jù)具有一定的魯棒性，其故障檢測能力也得到了一定的提升。這是因?yàn)镵-RSSPLVR是一種半監(jiān)督學(xué)習(xí)模型，與有監(jiān)督模型（RKPLVR）進(jìn)行比較，半監(jiān)督模型利用了更多的過程數(shù)據(jù)（無標(biāo)簽數(shù)據(jù)），而無須限制過程變量與質(zhì)量變量一一對(duì)應(yīng)。而當(dāng)大量的無標(biāo)簽數(shù)據(jù)作為建模樣本被用于模型訓(xùn)練時(shí)，由于半監(jiān)督學(xué)習(xí)模型的潛隱變量提取了過程變量與質(zhì)量變量的相關(guān)性，因此這些無標(biāo)簽數(shù)據(jù)在建模時(shí)提升了模型的預(yù)測能力，能夠有效改善由于質(zhì)量樣本較少而導(dǎo)致的預(yù)測誤差過大的問題。因此，基于K-RSSPLVR的故障檢測算法一方面增強(qiáng)了建模的魯棒性，同時(shí)減少了故障的漏檢率。

表2 TE過程基于K-RSSPLVR和RKPLVR的故障漏報(bào)率

5 結(jié) 論

本文提出了一種基于RSSPLVR和K-RSSPLVR的故障檢測算法。在魯棒半監(jiān)督模型中，樣本加權(quán)系數(shù)（）作為概率模型的先驗(yàn)參數(shù)被用于衡量建模樣本的可靠性。對(duì)于離群點(diǎn)數(shù)據(jù)，其樣本加權(quán)值增加了測量噪聲的不確定度，而降低了其對(duì)于建模的貢獻(xiàn)度。利用加權(quán)后的建模樣本，本文通過EM算法訓(xùn)練了RSSPLVR的模型參數(shù)。此外，針對(duì)非線性化工過程，本文進(jìn)一步將線性RSSPLVR擴(kuò)展為非線性模型，并提出了基于K-RSSPLVR的故障檢測算法。最后，通過TE過程仿真實(shí)驗(yàn)驗(yàn)證了所提出的此類魯棒半監(jiān)督模型在化工過程建模與故障檢測中的有效性。

References

[1] QIN S J. Survey on data-driven industrial process monitoring and diagnosis[J]. Annual Reviews in Control, 2012, 36(2): 220-234.

[2] 劉強(qiáng), 柴天佑, 秦泗釗，等. 基于數(shù)據(jù)和知識(shí)的工業(yè)過程監(jiān)視及故障診斷綜述[J]. 控制與決策, 2010, 25(6): 801-807. LIU Q, CHAI T Y, QIN S J,. Progress of data-driven and knowledge-driven process monitoring and fault diagnosis for industry process[J]. Control and Decision, 2010, 25(6): 801-807.

[3] GE Z, SONG Z，GAO F R. Review of recent research on data-based process monitoring[J]. Industrial & Engineering Chemistry Research, 2013, 52(10): 3543-3562.

[4] YIN S, DING S X, XIE X,. A review on basic data-driven approaches for industrial process monitoring[J]. IEEE Transactions on Industrial Electronics, 2014, 61(11): 6418-6428.

[5] LI W, YUE H H, VALLE-CERVANTES S,. Recursive PCA for adaptive process monitoring[J]. Journal of Process Control, 2000, 10(5): 471-486.

[6] YIN S, DING S X, HAGHANI A,. A comparison study of basic data-driven fault diagnosis and process monitoring methods on the benchmark Tennessee Eastman process[J]. Journal of Process Control, 2012, 22(9): 1567-1581.

[7] WOODALL W H，MONTGOMERY D C. Some current directions in the theory and application of statistical process monitoring[J]. Journal of Quality Technology, 2014, 46(1): 78.

[8] QIN S J. Statistical process monitoring: basics and beyond[J]. Journal of Chemometrics, 2003, 17(8/9): 480-502.

[9] MACGREGOR J F, JAECKLE C, KIPARISSIDES C,. Process monitoring and diagnosis by multiblock PLS methods[J]. AIChE Journal, 1994, 40(5): 826-838.

[10] CHEN J, LIU K C. On-line batch process monitoring using dynamic PCA and dynamic PLS models[J]. Chemical Engineering Science, 2002, 57(1): 63-75.

[11] LI G, QIN S J, ZHOU D. Geometric properties of partial least squares for process monitoring[J]. Automatica, 2010, 46(1): 204-210.

[12] ZHOU D, LI G, QIN S J. Total projection to latent structures for process monitoring[J]. AIChE Journal, 2010, 56(1): 168-178.

[13] FACCO P, DOPLICHER F, BEZZO F,. Moving average PLS soft sensor for online product quality estimation in an industrial batch polymerization process[J]. Journal of Process Control, 2009, 19(3): 520-529.

[14] MARJANOVIC O, LENNOX B, SANDOZ D,. Real-time monitoring of an industrial batch process[J]. Computers & Chemical Engineering, 2006, 30(10/11/12): 1476-1481.

[15] ZHU X, GHAHRAMANI Z, LAFFERTY J. Semi-Supervised Learning Using Gaussian Fields and Harmonic Functions[M]. ICML, 2003.

[16] MURPHY K P. Machine Learning: A Probabilistic Perspective[M]. The MIT Press , 2012.

[17] ZHOU L, CHEN J, SONG Z,. Semi-supervised PLVR models for process monitoring with unequal sample sizes of process variables and quality variables[J]. Journal of Process Control, 2015, 26: 1-16.

[18] ZHU J, GE Z, SONG Z. Robust semi-supervised mixture probabilistic principal component regression model development and application to soft sensors[J]. Journal of Process Control, 2015, 32: 25-37.

[19] STANIMIROVA I, DASZYKOWSKI M, WALCZAK B. Dealing with missing values and outliers in principal component analysis[J]. Talanta, 2007, 72(1): 172-178.

[20] CHEN T, MARTIN E, MONTAGUE G. Robust probabilistic PCA with missing data and contribution analysis for outlier detection[J]. Computational Statistics & Data Analysis, 2009, 53(10): 3706-3716.

[21] ZHU J, GE Z, SONG Z. Robust modeling of mixture probabilistic principal component analysis and process monitoring application[J]. AIChE Journal, 2014, 60(6): 2143-2157.

[22] LEE J M, YOO C, CHOI S W,. Nonlinear process monitoring using kernel principal component analysis[J]. Chemical Engineering Science, 2004, 59(1): 223-23

[23] CHO J H, LEE J M, CHOI S W,. Fault identification for process monitoring using kernel principal component analysis[J]. Chemical Engineering Science, 2005, 60(1): 279-288.

[24] HU Y, MA H, SHI H. Enhanced batch process monitoring using just-in-time-learning based kernel partial least squares[J]. Chemometrics and Intelligent Laboratory Systems, 2013, 123: 15-27.

[25] YUAN X, YE L, BAO L,Nonlinear feature extraction for soft sensor modeling based on weighted probabilistic PCA[J]. Chemometrics and Intelligent Laboratory Systems, 2015, 147: 167-175.

[26] BOX G E. Some theorems on quadratic forms applied in the study of analysis of variance problems(Ⅰ): Effect of inequality of variance in the one-way classification[J]. The Annals of Mathematical Statistics, 1954, 25(2): 290-302.

[27] KANO M, NAGAO K, HASEBE S,. Comparison of multivariate statistical process monitoring methods with applications to the Eastman challenge problem[J]. Computers & Chemical Engineering, 2002, 26(2): 161-174.

[28] KU W, STORER R H, GEORGAKIS C. Disturbance detection and isolation by dynamic principal component analysis[J]. Chemometrics and Intelligent Laboratory Systems, 1995, 30(1): 179-196.

[29] LYMAN P R, GEORGAKIS C. Plant-wide control of the Tennessee Eastman problem[J]. Computers & Chemical Engineering, 1995, 19(3): 321-331.

[30] DOWNS J J, VOGEL E F. A plant-wide industrial process control problem[J]. Computers & Chemical Engineering, 1993, 17(3): 245-255.

[31] CHIANG L H, BRAATZ R D, RUSSELL E L. Fault Detection and Diagnosis in Industrial Systems[M]. Springer, 2001.

Robust semi-supervised modelling method and its application to fault detection in chemical processes

ZHOU Le1, SONG Zhihuan2, HOU Beiping1, FEI Zhengshun1

(1School of Automation and Electrical Engineering, Zhejiang University of Science and Technology, Hangzhou 310024,Zhejiang, China;2College of Control Science and Engineering, Zhejiang University, Hangzhou 310027, Zhejiang, China)

In most complex chemical processes, measurements are often collected with noises and some outliers. These contaminated data would have negative effect on the accuracy of data-based process modelling and fault detection. A new robust semi-supervised PLVR model (RSSPLVR) was proposed by consideration of the real measuring environment in chemical processes and extended to a nonlinear model K-RSSPLVR with a kernel methodology. In both RSSPLVR and K-RSSPLVR, a weighted coefficient based on sample similarity among all observations was used as prior checking parameter of probability model to effectively eliminate influence of outliers on modelling. Model parameter training was accomplished by analysis of the weighted dataset with EM algorithm and a fault detection scheme was developed. Finally, TE process simulation demonstrated effectiveness of the proposed modelling methods.

fault detection; robust model; semi-supervised learning; process control; process systems; principal component analysis

10.11949/j.issn.0438-1157.20161205

TP 277

A

0438—1157（2017）03—1109—07

國家自然科學(xué)基金項(xiàng)目(61603342)；浙江省自然科學(xué)基金項(xiàng)目（LQ15F030006）；浙江省教育廳項(xiàng)目(Y201636867)。

2016-08-30收到初稿，2016-12-03收到修改稿。

聯(lián)系人及第一作者：周樂(1987—)，男，博士，講師。

2016-08-30.

ZHOU Le, zhoule@zust.edu.cn

supported by the National Natural Science Foundation of China (61603342), the Natural Science Foundation of Zhejiang Province (LQ15F030006) and the Educational Commission Research Program of Zhejiang Province(Y201636867).