朱明睿，紀楊建，甘紅宇，張 念

(浙江大學 機械工程學院浙江省先進制造技術重點研究實驗室，浙江 杭州 310027)

0 引言

受生產計劃調整、產品指標變動、材料成分波動等不確定因素的干擾，工業(yè)生產系統(tǒng)容易偏離當前的穩(wěn)定工況，出現(xiàn)大范圍非平穩(wěn)情況，系統(tǒng)重新恢復至穩(wěn)定工況的過程稱為過渡過程。一個完整的過渡過程往往包含多次過渡模態(tài)轉換，而當前調控人員僅依靠經驗難以識別不同過渡模態(tài)，導致調控可靠性低，系統(tǒng)恢復穩(wěn)定耗時長，因此及時準確地識別過渡模態(tài)對于有效監(jiān)測生產、優(yōu)化調控決策，以及快速恢復系統(tǒng)穩(wěn)定非常重要[1]。

為提高非確定工業(yè)過渡過程的模態(tài)識別效果，現(xiàn)有研究主要分為基于距離的過渡模態(tài)識別和基于模態(tài)關系的過渡模態(tài)識別。

基于距離的過渡模態(tài)識別是通過構建模態(tài)指示變量或度量指標，進行過渡模態(tài)劃分和識別。一些學者從變量統(tǒng)計特征、數(shù)據密度信息[2-3]、數(shù)據概率分布[4]等角度構建了用于表征具有復雜數(shù)據分布的過渡模態(tài)指示變量，將過渡過程劃分為多個子時段或子模態(tài)。例如，張淑美等[5]提取了非穩(wěn)定工況的均值向量作為聚類算法輸入，將隸屬于同一簇的連續(xù)工況合并為一個子時段。HE等[6-7]從變量相關結構和關系的角度出發(fā)，提出了分布式模型投影、互信息相似性分析等方法，基于樣本對模型適應性、觀測值的自相關性以及不同潛變量之間的相似性，構建了數(shù)據塊相似性的度量指標，得到包含多個子模態(tài)的過渡過程。還有學者在距離度量的基礎上考慮了過渡過程的時序特性，按時間方向以順序方式識別模態(tài)[8]。REN等[9]構建了最大均值差異指標刻畫窗口工況的局部數(shù)據概率分布，引入大長度窗口檢測到過渡過程后，利用小長度窗口細分出過渡子模態(tài)。

基于模態(tài)關系的過渡模態(tài)識別是通過提取穩(wěn)定模態(tài)與過渡模態(tài)的關系，依據變化趨勢進行過渡模態(tài)識別。部分研究檢測了過渡過程的起始時間段[10-11]，但并未針對過渡過程中的模態(tài)特性做進一步研究。SRINIVASAN等[12-14]指出受工藝過程的固有特性和物理約束影響，系統(tǒng)在特定調控方案下傾向于服從一定的過渡軌跡，過渡規(guī)律是有跡可循的，模態(tài)間存在依賴關系?；谠撍枷耄琙HAO等[15]、PENG等[16]、CHEN等[17]將過渡過程描述為相鄰穩(wěn)定模態(tài)加權組成的變化過程，通過構建相鄰穩(wěn)定模態(tài)模型的加權指標識別過渡模態(tài)。SONG等[18]設置了參考模態(tài)數(shù)據集，根據密度信息判斷待識別工況數(shù)據與參考穩(wěn)定模態(tài)之間的差異，識別過渡過程的多個過渡子模態(tài)。GAO等[19-20]利用偏最小二乘(Partial Least Squares，PLS)算法捕獲了過渡過程和相鄰模態(tài)的共同特征，聯(lián)合過渡過程的局部信息構建了兩個過渡模態(tài)候選識別模型，通過在線過程中候選模型的被選擇結果，揭示了過渡模態(tài)過程特性沿時間方向的動態(tài)漸變趨勢。

非確定工業(yè)過渡過程由于偏離穩(wěn)定工況的原因復雜，在設備高度耦合的情況下，變量關系、動態(tài)時變特性、非線性特性相比穩(wěn)定工況更加復雜[21]，形成的過渡模態(tài)特性和樣本分布各異[22]，并且由于工業(yè)過程固有特性，過渡模態(tài)之間并非完全獨立，部分模態(tài)傾向于轉換到變量取值相近的模態(tài)，部分模態(tài)則由于物理關系或操作參數(shù)限制無法互相轉換或只能單向轉換。而現(xiàn)有的基于距離和模態(tài)關系的過渡模態(tài)識別研究方法多是建立在工況數(shù)據局部符合高斯分布、局部保持線性結構、樣本分布均勻緊密或過渡模態(tài)獨立分布的假設下，對于具有明顯的非線性數(shù)據特性，且過渡模態(tài)自身存在動態(tài)漸變和依賴關系的非確定工業(yè)過渡過程并不適用[23]。

因此，本文提出基于近鄰轉移約束規(guī)則的過渡模態(tài)識別方法。首先構建歷史穩(wěn)定工況核主成分分析(Kernel Principle Component Analysis, KPCA)模型，篩選關鍵過程變量并計算變量貢獻作為模態(tài)聚類的距離度量，將歷史工況劃分為多個穩(wěn)定模態(tài)簇和過渡模態(tài)簇。將KPCA模型統(tǒng)計量控制限用作穩(wěn)定工況監(jiān)測閾值，實時判斷系統(tǒng)是否進入過渡過程。然后考慮了模態(tài)數(shù)據分布特性和模態(tài)轉移的依賴性，結合近鄰思想和模態(tài)轉移約束思想，建立了近鄰轉移約束規(guī)則，對過渡過程工況進行過渡模態(tài)的兩步識別：第一步引入移動窗口，計算待識別窗口工況的近鄰貢獻距離，與各過渡模態(tài)簇的近鄰貢獻距離閾值對比，匹配候選過渡模態(tài)集；第二步計算歷史非穩(wěn)定工況的過渡模態(tài)轉移概率矩陣作為權值矩陣，對待識別窗口工況在各候選過渡模態(tài)簇中的近鄰貢獻距離進行加權和比較，最終確定待識別窗口工況的所屬過渡模態(tài)。最后采用礦渣粉磨系統(tǒng)驗證了所提方法的有效性。

1 近鄰轉移約束規(guī)則下的變量貢獻距離

(1)變量貢獻

變量貢獻作為衡量過程變量對工況信息貢獻程度和重要程度，以及受異常工況影響程度的指標，能夠壓縮表示原始數(shù)據的主要信息。過渡過程中，變量間的相關性會偏離正常的相關結構，受異常工況影響顯著的變量貢獻也會出現(xiàn)較大變化，因此變量貢獻非常適合用于建模模態(tài)內部特性，作為模態(tài)聚類時的相似性度量指標。

變量貢獻的計算包含兩部分：①計算過程變量對包含了主要工況變化信息的主成分空間的貢獻程度;②計算過程變量對包含了殘余的工況變化信息的殘差空間的貢獻程度?？紤]到工況數(shù)據的非線性，本文構建了KPCA模型[24]。KPCA模型是在PCA的基礎上結合核方法的思想，將非線性數(shù)據映射至高維空間中進行非線性特征提取和數(shù)據分離。其中，KPCA模型的統(tǒng)計量Hotelling-T2衡量了經映射后，高維特征空間內核主成分模型內部的波動情況，統(tǒng)計量SPE衡量了某時刻輸入的測量值偏離核主成分模型的距離。因此基于KPCA模型的變量貢獻計算方法如下：

假設標準化原始工況數(shù)據集為x=(x1,x2,…,xn)∈J(n=1,2,…,N)，經非線性映射至高維特征空間后，得到數(shù)據集?(x)=(?(x1),?(x2),…,?(xn))∈H。

在特征空間中?(x)的協(xié)方差矩陣表示為：

(1)

ΣF的特征向量ν作為高維空間的投影方向，存在系數(shù)an(n=1,2,…,N)使其線性表示為：

(2)

為了求解特征向量ν，定義核矩陣K∈N×N，利用核函數(shù)Kij=〈?(xi),?(xj)〉(i,j=1,2,…,N)代替非線性函數(shù)?(·)在高維特征空間中的內積。核函數(shù)的選取對于考量輸入參數(shù)的非線性相關性對統(tǒng)計量T2和SPE求解的影響非常關鍵，本文選擇應用最為廣泛、性能表現(xiàn)佳的高斯徑向基核函數(shù)，能夠方便地求解核矩陣K的特征值λ和特征向量a=[a1,a2,…,aN]T，并進一步求解特征向量ν：

Nλa=Ka。

(3)

獲取映射數(shù)據?(x)在特征向量νa上的投影，即非線性主成分得分：

(4)

進一步計算統(tǒng)計量T2，如式(5)所示：

T2=[t1,t2,…,tA]Λ-1[t1,t2,…,tA]T。

(5)

其中：A為保留的核主成分個數(shù)，Λ為與主成分得分向量對應的協(xié)方差矩陣。

進一步計算統(tǒng)計量SPE，如式(6)所示：

(6)

式中：N代表模型中樣本個數(shù)，A為保留的核主成分個數(shù)，ti代表映射數(shù)據?(x)的第i個主成分的得分。

對于樣本向量xnew，則xnew的第i個變量對T2和SPE的貢獻分別為：

(7)

(8)

得到xnew的變量貢獻向量，記為

(2)近鄰轉移約束規(guī)則

近鄰轉移約束規(guī)則反映了一個樣本基于模態(tài)轉移先驗知識，與其在特定模態(tài)內的最近鄰的數(shù)個樣本之間的相似性，用于從數(shù)據集中挖掘出樣本與模態(tài)之間的相似關系。

“近鄰”表現(xiàn)為K近鄰思想，即從整個數(shù)據集中找到每個樣本的k個最相似(特征空間中最近鄰)樣本。K近鄰方法健壯性強，在工業(yè)過程監(jiān)測中常用于指導提取正常樣本的最近鄰距離特征量[25-27]，在K近鄰思想下度量樣本與模態(tài)相似性，能夠提升過渡模態(tài)類型匹配的魯棒性。

“轉移約束”表現(xiàn)為過渡模態(tài)轉移概率，一個過渡模態(tài)轉移到另一個過渡模態(tài)的概率越接近于1，表明模態(tài)間轉移趨勢越強；概率越接近于0，表明模態(tài)間轉移可能性越小。為了獲取模態(tài)轉移先驗知識，對歷史非穩(wěn)定工況的過渡模態(tài)轉移過程進行模態(tài)轉移概率統(tǒng)計，構建過渡模態(tài)轉移概率矩陣，矩陣對角元素表示過渡模態(tài)在下一時刻保持模態(tài)類型不變的概率，非對角元素表示過渡模態(tài)在下一時刻轉移到其他過渡模態(tài)的概率。值得注意的是，由于過渡模態(tài)間的轉移具有方向性，過渡模態(tài)轉移概率不具備對稱性，即兩個過渡模態(tài)間的正向和反向的轉移概率可能并不相等。

總之，近鄰轉移約束規(guī)則下的變量貢獻距離，是以樣本變量貢獻作為距離度量指標，以特定過渡模態(tài)間的轉移概率作為權值系數(shù)，獲取一個樣本與其在特定過渡模態(tài)內的k個最近鄰樣本之間的變量貢獻距離加權的結果。

本文通過計算近鄰轉移約束規(guī)則下的變量貢獻距離，進行過渡模態(tài)劃分和過渡模態(tài)識別，如圖1所示為基于近鄰轉移約束規(guī)則的非確定工業(yè)過渡過程的模態(tài)識別流程圖。

2 基于變量貢獻的過渡模態(tài)劃分

首先構建了歷史穩(wěn)定工況KPCA模型，獲取各關鍵過程變量的變量貢獻，用于篩選關鍵過程變量，在此基礎上，將關鍵過程變量貢獻數(shù)據作為K-means算法輸入進行過渡模態(tài)劃分。

(1)關鍵過程變量篩選

將歷史穩(wěn)定工況數(shù)據XNor劃分為訓練集和測試集，每次隨機選取90%的訓練集訓練KPCA模型，基于式(5)～式(8)計算變量貢獻，并根據累計貢獻準則，篩選訓練集最關鍵的q個過程變量?；谟柧毜玫降腒PCA模型計算測試集變量貢獻，篩選測試集最關鍵的q個過程變量。比較訓練集和測試集篩選結果，若相似度超過90%，則確定KPCA模型參數(shù)；否則重復上述訓練和測試過程，直至篩選結果相似度超過90%。

(2)工況序列樣本的變量貢獻

對歷史穩(wěn)定工況數(shù)據XNor和歷史非穩(wěn)定工況數(shù)據XAbnor均以長度l進行序列分割，獲得歷史穩(wěn)定工況序列樣本集XNor_seq={XNor,1,XNor,2,…,XNor,M}和歷史非穩(wěn)定工況序列樣本集XAbnor_seq={XAbnor,1,XAbnor,2,…,XAbnor,N}，M和N分別是單個穩(wěn)定工況序列和單個非穩(wěn)定工況序列的個數(shù)。其中單個穩(wěn)定工況和單個非穩(wěn)定工況序列分別記為XNor,m∈Rl×p(m=1,2,…,M)和XAbnor,n∈Rl×p(n=1,2,…,N)，p是過程變量個數(shù)。

基于式(7)和式(8)計算單個穩(wěn)定工況序列XNor,m的變量貢獻，記為CONNor,m：

CONNor,m=[cT2,1,Nor,m,cT2,2,Nor,m,…,

cT2,p,Nor,m,cSPE,1,Nor,m,

cSPE,2,Nor,m,…,cSPE,p,Nor,m],

m=1,…,M。

(9)

其中cT2,p,Nor,m和cSPE,p,Nor,m分別表示XNor,m的第p個過程變量對T2和SPE的貢獻。

獲得XNor對應的歷史穩(wěn)定工況變量貢獻數(shù)據，記為CONNor：

CONNor=[CONNor,1,CONNor,2,…,CONNor,M]。

(10)

(3)過渡模態(tài)聚類

假設歷史工況數(shù)據包含S種穩(wěn)定模態(tài)和F種過渡模態(tài)。

(11)

對S個穩(wěn)定模態(tài)簇分別構建KPCA模型。

對于單個非穩(wěn)定工況序列XAbnor,n，基于該序列初始穩(wěn)定模態(tài)的KPCA模型，計算變量貢獻，記為CONAbnor,n：

CONAbnor,n=[cT2,1,Abnor,n,cT2,2,Abnor,n,…,cT2,p,Abnor,n,

cSPE,1,Abnor,n,cSPE,2,Abnor,n,…,cSPE,p,Abnor,n],n=1,…,N。

(12)

其中cT2,p,Abnor,n和cSPE,p,Abnor,n分別表示XAbnor,n的第p個過程變量對T2和SPE的貢獻。

獲得XAbnor對應的歷史非穩(wěn)定工況變量貢獻數(shù)據，記為CONAbnor：

CONAbnor=[CONAbnor,1,CONAbnor,2,…,CONAbnor,N]。

(13)

對于所屬模態(tài)簇未知的工況向量Xsample，其變量貢獻向量為CONsample，其中：

CONsample=[cT2,1,sample,cT2,2,sample,…,cT2,p,sample,

cSPE,1,sample,cSPE,2,sample,…,cSPE,p,sample]。

(14)

則Xsample到穩(wěn)定模態(tài)簇ENori質心的變量貢獻距離：

(15)

3 基于近鄰轉移約束規(guī)則的過渡模態(tài)識別

3.1 過渡模態(tài)的“一步”識別

假設存在模態(tài)Ef，其工況數(shù)據集為Xf=[x1,x2,…,xn]T，變量貢獻數(shù)據集為Cf=[c1,c2,…,cn]T。則樣本xi在模態(tài)Ef中的k個最近鄰樣本集，記為KNN(xi)f：

KNN(xi)f={xj∈Xf|d(ci,cj)≤d(ci,NNk(ci))}。

(16)

其中:d(ci,cj)是xi的變量貢獻ci和xj的變量貢獻cj之間的歐式距離，NNk(ci)是ci的第k個近鄰點。

(17)

在在線過程中，將歷史穩(wěn)定工況KPCA模型的統(tǒng)計量控制限用作穩(wěn)定工況監(jiān)測閾值，將各過渡模態(tài)簇的近鄰貢獻距離閾值作為候選過渡模態(tài)集篩選閾值。引入移動窗口，實時判斷移動窗口工況是否進入了過渡過程。

值得注意的是，在窗口移動步長Δt的選取上，一方面需要保證移動后的窗口數(shù)據能夠捕獲到更新的數(shù)據信息，避免步長過小導致相鄰窗口工況數(shù)據重復過多，信息冗余的問題。另一方面又需要避免步長過大跨越多個過渡模態(tài)，導致工況數(shù)據信息被遺漏的問題?；瑒哟翱谒枷朐谥T多論文中都有相關應用，其中TAN等[28]在論文中給出了一些經驗性取值，即穩(wěn)定模態(tài)的窗口長度一般取“最小穩(wěn)定模態(tài)長度”，即穩(wěn)定模態(tài)持續(xù)的最短時間，而窗口的移動步長則按照小于最短穩(wěn)定模態(tài)持續(xù)時間的二分之一取值，或者以過程變量數(shù)量的2～3倍取值，但在實際應用中，需要根據工業(yè)生產的過程特性，通過對數(shù)據的反復實驗來確定窗口移動步長的最終取值。

下面是過渡模態(tài)的“一步”識別的過程：

(1)在當前時刻t，引入長度為l，移動步長為Δt的移動窗口。

(2)對于實時移動窗口數(shù)據Xt∈Rl×p，計算統(tǒng)計量T2t和SPEt。

(3)將SPEt和T2t與歷史穩(wěn)定工況KPCA模型的統(tǒng)計量控制限SPElim和T2t比較，若連續(xù)l/2個時刻的統(tǒng)計量超過控制限，即SPEt≥SPElim或T2t≥T2lim，則當前時刻窗口工況非穩(wěn)定，進入過渡過程，此時將窗口工況Xt描述為過渡工況Xft，依據式(7)和式(8)計算Xft的變量貢獻CONft，CONft=[cT2,1,ft,cT2,2,ft,…,cT2,p,ft,cSPE,1,ft,cSPE,2,ft,…,cSPE,p,ft]；反之，表示當前時刻系統(tǒng)處于穩(wěn)定狀態(tài)。

CONAbnor,jf)2,f=1,2,…,F。

(18)

j=1,2,…,F；

(19)

CONlimit={CONlimit1,CONlimit2,…,CONlimitF}。

(20)

3.2 過渡模態(tài)的“二步”識別

采用特定過渡模態(tài)間的轉移概率矩陣作為權值矩陣，對候選過渡模態(tài)的變量貢獻距離進行距離加權，獲得最小的距離加權結果所對應的過渡模態(tài)作為窗口工況所屬的過渡模態(tài)。

假設每種過渡模態(tài)具有F-1個轉向，系統(tǒng)由t時刻的過渡模態(tài)EAbnore，在t+1時刻轉移到過渡模態(tài)EAbnorf的概率記為Pef(見式(21))。若Pef=0，表示過渡模態(tài)EAbnore無法直接切換至過渡模態(tài)EAbnorf；若Pef=1，表示過渡模態(tài)EAbnore一定會切換至過渡模態(tài)EAbnorf。

Pef=P{xt+1=EAbnorf|xt=EAbnore}，e,f=1,2,…,F。

(21)

將F種過渡模態(tài)的轉移過程描述為過渡模態(tài)轉移概率矩陣MF×F:

(22)

(23)

過渡模態(tài)的“二步”識別過程如圖2所示。

4 案例研究

礦渣粉磨系統(tǒng)是一種廣泛應用于水泥、鋼鐵、化工、冶金等行業(yè)的復雜高能耗非線性系統(tǒng)。系統(tǒng)集破碎、干燥、粉磨和分級輸送于一體，可將塊狀和顆粒狀原料磨成所需的粉狀物料成品，作為水泥、陶瓷等產品的原料。實際生產中，受原料質量、燃氣熱值和環(huán)境溫濕度等因素干擾，過程參數(shù)頻繁波動，系統(tǒng)運行極不穩(wěn)定，系統(tǒng)存在多種操作條件和運行工況。

礦渣粉磨系統(tǒng)主要由立磨主機、主排風機、熱風爐、除塵器、斗提機、管帶機等設備組成。物料在磨輥和磨盤之間被碾磨成粉狀。碾磨壓力除了磨輥自重外，主要主電機驅動磨輥對磨盤物料加壓。經碾磨后的物料中存在大量粗粉，經選粉機氣流分選后，大部分粗粉在氣流流動過程中自動落到磨盤上，被再次粉磨。其余符合產品粒度規(guī)格的細粉則被選出為成品，經收塵及輸送系統(tǒng)送入成品儲庫，其生產過程流程圖如圖3所示。

采集礦渣粉磨系統(tǒng)正常進料范圍下的歷史穩(wěn)定工況和非穩(wěn)定工況數(shù)據(采樣間隔為2 s)，并將歷史穩(wěn)定工況數(shù)據劃分為訓練集和測試集。根據變量貢獻排序進行關鍵過程變量篩選，獲得的17個關鍵過程變量如表1所示。

表1 礦渣粉磨系統(tǒng)關鍵過程變量

根據礦渣粉磨系統(tǒng)的實際生產特性，系統(tǒng)穩(wěn)定工況的持續(xù)時間最短為2 min。因此,本文在案例研究中將窗口分割長度取值2 min，通過反復實驗確定移動步長為16 s是最合理的。對分割后的正常工況序列樣本集和非穩(wěn)定工況序列樣本集分別進行K-means聚類，根據肘部法則確定穩(wěn)定模態(tài)簇數(shù)為6，過渡模態(tài)簇數(shù)為5。

圖4展示了5個過渡模態(tài)簇的質心各變量對統(tǒng)計量的貢獻。由圖4可以看出，盡管各過渡模態(tài)簇的變量貢獻值不相同，但值分布存在相似之處，例如簇2(如圖4b)和簇3(如圖4c)中，變量3～5的變量貢獻均形成小高峰，變量8～11的變量貢獻再次形成小高峰。各過渡模態(tài)簇中，簇5(如圖4e)最易識別，并且變量12的變量貢獻遠大于其他變量。

基于歷史非穩(wěn)定工況樣本，得到的過渡模態(tài)轉移概率矩陣如表2所示，對角元素表示各過渡模態(tài)不發(fā)生類型變化的概率，非對角元素表示不同過渡模態(tài)間的轉移概率，可見對于礦渣粉磨系統(tǒng)而言，各過渡模態(tài)間均存在轉移可能，擁有最大轉移概率的是過渡模態(tài)3向過渡模態(tài)4的轉移，擁有最小轉移概率的是過渡模態(tài)3向過渡模態(tài)1的轉移。

表2 過渡模態(tài)轉移概率矩陣

選取一組包含完整過渡過程的待測試非穩(wěn)定工況的過程數(shù)據，共2 000個樣本，包含3種穩(wěn)定模態(tài)(穩(wěn)定模態(tài)1、穩(wěn)定模態(tài)2、穩(wěn)定模態(tài)3)和3種過渡模態(tài)(過渡模態(tài)3、過渡模態(tài)4、過渡模態(tài)5)，用于驗證近鄰轉移約束規(guī)則下的變量貢獻距離分析在過渡模態(tài)識別方面的有效性。其中，待測試非穩(wěn)定工況包含的各模態(tài)對應時段如表3所示，關鍵過程變量XMEAS(1)-XMEAS(17)變化如圖5所示。

表3 待測試非穩(wěn)定工況的各模態(tài)時間分布

圖6展示了利用近鄰轉移約束規(guī)則的方法、基于近鄰貢獻的方法、基于密度聚類的方法和基于K-means聚類的方法，對待測試非穩(wěn)定工況進行過渡模態(tài)識別的結果。基于近鄰轉移約束規(guī)則的方法的識別結果與圖5中關鍵過程的變量變化情況一致，過渡模態(tài)間轉移規(guī)律符合表2中的結果，模態(tài)識別結果沒有出現(xiàn)識別噪聲和錯誤識別的情況。基于近鄰貢獻的方法(如圖6b)未考慮過渡模態(tài)轉移，在第1 050個時間點，未成功地識別出過渡模態(tài)4，而是識別成過渡模態(tài)3到過渡模態(tài)1的轉移，然而結合表2中過渡模態(tài)3到過渡模態(tài)1的轉移概率為0.021可知，該方法的過渡模態(tài)識別結果與實際生產過程并不相符。基于密度聚類(如圖6c)和基于K-means聚類(如圖6d)的方法分別基于非穩(wěn)定工況數(shù)據的密度分布和工況數(shù)據的歐式距離進行模態(tài)劃分和識別，由于過渡過程數(shù)據噪聲大、變量震蕩幅度大，這兩種方法的模態(tài)識別效果并不穩(wěn)定，并且存在將過渡模態(tài)錯誤識別為穩(wěn)定模態(tài)的情況。

利用模態(tài)起始時刻識別誤差、模態(tài)識別準確率指標定量分析不同模態(tài)識別方法結果，如表4所示。可見，基于近鄰轉移約束規(guī)則的方法在過渡模態(tài)起始時刻識別中，滯后時間短，過渡模態(tài)識別準確率最高，為98.10%；基于近鄰貢獻的方法識別準確率最低，為82.47%；基于K-means聚類的方法識別過渡模態(tài)起始時刻的誤差最大。

表4 待測試非穩(wěn)定工況的模態(tài)識別結果對比

5 結束語

針對工業(yè)過渡過程的不確定性給過渡模態(tài)識別帶來的挑戰(zhàn)，本文提出一種基于近鄰轉移約束規(guī)則的過渡模態(tài)識別方法。該方法使用變量貢獻作為模態(tài)聚類的距離度量指標，進行歷史非穩(wěn)定工況的過渡模態(tài)劃分。為了解決過渡模態(tài)特性差異大、模態(tài)轉換具有依賴性的問題，本文結合K近鄰方法和模態(tài)轉移的約束關系，建立了近鄰轉移約束規(guī)則，基于該規(guī)則進行兩步識別，精確定位在線過程中待識別工況的過渡模態(tài)類型，最終通過礦渣粉磨系統(tǒng)的實際應用效果，證實了所提方法在非確定工業(yè)過渡過程模態(tài)識別中的有效性，有助于操作人員優(yōu)化調控策略，幫助系統(tǒng)快速恢復穩(wěn)定，在工程應用中有一定價值。

未來將在本文基礎上重點探究多模態(tài)過程中根據變量貢獻的變化自適應確定窗口長度的方法，并進一步考慮模態(tài)駐留時間和模態(tài)類型對模態(tài)識別的影響，從典型過渡過程出發(fā)，結合工藝過程機理，挖掘典型穩(wěn)定模態(tài)和典型調控方案下的過渡規(guī)律，為操作人員優(yōu)化調控方案提供有效依據。