安佳敏，張雷,，李善蓮，張二強，鄒嚴頡，劉朝賢*

1 中國煙草總公司鄭州煙草研究院，鄭州高新區(qū)楓楊街2 號 450001；

2 鄭州輕工業(yè)大學，鄭州金水區(qū)東風路5 號 450002；

3 陜西中煙工業(yè)有限責任公司技術中心，陜西省寶雞市高新大道100 號 721013

葉絲干燥是卷煙制絲加工過程的關鍵工序，直接影響著煙絲的物理品質和感官質量[1]。本文以順流式滾筒烘絲機為研究對象，在干燥過程中，采用傳導-對流的綜合干燥方式，使煙絲在蒸汽加熱的筒壁和熱空氣的共同作用下，干燥至適合卷制成煙支所需的含水率。然而，實際烘絲過程的工況復雜多變，來料葉絲的含水率、流量等參數(shù)經(jīng)常波動，生產(chǎn)過程出現(xiàn)異常會造成含水率不達標，工況不穩(wěn)定，影響產(chǎn)品質量，因此有必要對其進行過程監(jiān)測，以提前發(fā)現(xiàn)異常工況，做出調(diào)控措施，這有利于保證葉絲加工質量，降低原材料損耗。

異常工況檢測對提高產(chǎn)品質量和生產(chǎn)效率具有重要作用，在制絲過程質量監(jiān)控方面，傳統(tǒng)的統(tǒng)計過程控制（Statistical process control，SPC）方法有較成熟的應用[2-3]，但是單變量上下限閾值檢測容易產(chǎn)生誤報警或漏報警，其監(jiān)測準確性有待提高。同時，葉絲干燥過程是一個多變量、強耦合的復雜非線性系統(tǒng)，生產(chǎn)數(shù)據(jù)呈現(xiàn)多元化的特點，單變量統(tǒng)計方法已無法滿足工業(yè)異常工況檢測的需求[4]。

近年來，基于數(shù)據(jù)驅動的異常工況檢測方法受到了諸多學者的廣泛關注[5-6]，其具有以下顯著優(yōu)勢：一方面，數(shù)據(jù)驅動的方法不受限于機理建模和專家知識積累的困難，另一方面，多元統(tǒng)計異常檢測方法通過對高維數(shù)據(jù)進行降維，學習大量數(shù)據(jù)的隱含特征，消除變量間多重相關性造成的信息冗余，彌補了單變量異常檢測方法的不足。

多元統(tǒng)計分析（Multivariate statistical analysis，MVSA）方法是一類典型的數(shù)據(jù)驅動異常檢測方法，其將高維數(shù)據(jù)投影到低維空間，獲取數(shù)據(jù)結構特征，通過監(jiān)測過程數(shù)據(jù)的異常變化來判斷系統(tǒng)是否處于異常狀態(tài)。主要包括主成分分析（Principal component analysis，PCA）[7-8]和偏最小二乘（Partial least squares，PLS）[9-10]，這兩種基本方法一般假設數(shù)據(jù)呈高斯線性分布，但這與真實工業(yè)數(shù)據(jù)分布不符。實際上，工業(yè)過程異常檢測問題可以轉化為一個二分類問題，即如何識別正常數(shù)據(jù)樣本和異常數(shù)據(jù)樣本[11]。不同于多元統(tǒng)計分析的數(shù)據(jù)分布假設，支持向量數(shù)據(jù)描述（SVDD）可以同時處理非高斯非線性數(shù)據(jù)，且適用于小樣本分類問題，因此在異常數(shù)據(jù)檢測領域有廣泛的應用。由于SVDD 無法表征數(shù)據(jù)的深層特征，對工業(yè)過程早期故障檢測效果并不良好[12]。近年來，隨著計算機科學的發(fā)展，深度學習方法成功地應用在了圖像識別、自然語言處理、文本分析等大數(shù)據(jù)處理領域，在挖掘數(shù)據(jù)深層特征方面表現(xiàn)出優(yōu)勢[13]。

基于以上分析，為提高模型監(jiān)測早期異常工況的性能，本文提出了一種基于深度學習自動編碼器（AE）重構誤差和支持向量數(shù)據(jù)描述（AE-SVDD）的滾筒葉絲干燥過程異常工況檢測方法。最后，用卷煙滾筒葉絲干燥過程實際生產(chǎn)數(shù)據(jù)來驗證所提方法的有效性。

1 模型構建

1.1 基本原理

（1）自動編碼器AE

自動編碼器是一種無監(jiān)督學習算法，如圖1 所示，一個完整的自動編碼器包含編碼器、解碼器以及損失函數(shù)。編碼器將輸入信息x，通過神經(jīng)網(wǎng)絡壓縮，提取出數(shù)據(jù)的重要特征h，再由解碼器將其解壓得到重構數(shù)據(jù)x′。

圖1 AE 網(wǎng)絡結構Fig.1 The network structure of Auto encoder

其中編碼過程表示為：

式中f為激活函數(shù)，W、b為隱藏層的權重矩陣和偏差，W＇、b＇為輸出層的權重矩陣和偏差。AE 通過均方誤差損失函數(shù)，以最小化輸入和輸出數(shù)據(jù)的誤差為目的，對參數(shù)集T={W,b,W′,b′}多次迭代優(yōu)化，更新網(wǎng)絡參數(shù)，逐步提升模型的準確性。

（2）支持向量數(shù)據(jù)描述SVDD

如圖2 所示，支持向量數(shù)據(jù)描述旨在找到一個體積最小的超球體，盡量包含所有非異常的數(shù)據(jù)對象，而盡可能不包含異常數(shù)據(jù)。

圖2 SVDD 超球體結構Fig.2 Structure of the hypersphere in SVDD

對于一個給定的數(shù)據(jù)集D，SVDD 算法目的是解決以下優(yōu)化問題：

1.2 基于AE-SVDD 的異常工況檢測算法

使用所提AE-SVDD 方法對滾筒葉絲干燥過程進行異常檢測的流程圖如圖3 所示。首先對預處理后的生產(chǎn)數(shù)據(jù)提取自編碼器重構誤差，將重構誤差作為新的觀測信息建立SVDD 模型。

圖3 基于重構誤差和SVDD 的異常數(shù)據(jù)檢測流程圖Fig.3 Flow chart of abnormal data detection based on reconstruction error and SVDD

具體步驟描述如下：

離線建模：

1）獲取葉絲干燥原始數(shù)據(jù)，標準化處理后得到正常數(shù)據(jù)集X={x1,x2,...,xn} ∈ Rn×m，其中n為樣本數(shù)，m為特征數(shù)；

2）訓練自編碼器模型，訓練過程中調(diào)整自編碼器超參數(shù)，使輸出盡可能接近輸入，同時利用公式（4）計算輸入與輸出的重構矩陣Re，該矩陣為樣本數(shù)為n，維度為1 的數(shù)值矩陣；

3）引入拉格朗日乘子求解公式（3），將核函數(shù)K( ·) 替換為內(nèi)積運算，滿足Mercer 定理的條件下，公式（3）的優(yōu)化問題變成：

將重構誤差Re作為新的觀測信息，訓練SVDD 模型，公式（5）、（6）求解超小球體半徑R，得到訓練好的SVDD 模型和模型的閾值；

在線監(jiān)測：

1）對于新的帶有異常數(shù)據(jù)的待檢測樣本t，經(jīng)過標準化數(shù)據(jù)處理后得到測試集Xnew，輸入訓練好的自編碼器模型中，提取一維重構誤差向量eR′；

2）將eR′作為SVDD 模型的測試集，利用公式（7）計算誤差向量與超球體球心的距離D，超出半徑R 時，認為是異常數(shù)據(jù)；

3）定義異常工況檢測率（FDR）指標來衡量模型的性能，如以下公式所示：

2 工業(yè)實驗

2.1 數(shù)據(jù)預處理

從工業(yè)現(xiàn)場采集的數(shù)據(jù)特征數(shù)目多，考慮到選擇較多的建模變量會增加模型的復雜度，影響模型性能，因此根據(jù)水分影響因素分析，以及專家知識，以葉絲出口水分為質量監(jiān)測指標，選取如表1 所示的12 個過程變量做過程監(jiān)測研究。

表1 葉絲干燥特征描述Tab.1 Feature description of cut tobacco drying

本文利用某企業(yè)滾筒葉絲干燥實際生產(chǎn)歷史數(shù)據(jù)進行實驗，實際生產(chǎn)中滾筒烘絲機工作條件復雜，所采集的數(shù)據(jù)會受環(huán)境干擾造成數(shù)據(jù)離群點，降低數(shù)據(jù)質量。此外，非穩(wěn)況數(shù)據(jù)也不利于模型發(fā)揮最大性能，因此建模之前要對現(xiàn)場獲取的數(shù)據(jù)進行預處理。

具體的，訓練集選取了從2021 年6 月19 日生產(chǎn)至2021 年6 月25 日的YA 牌號8 個正常批次歷史數(shù)據(jù)做離線建模，數(shù)據(jù)采樣間隔為10 s。首先去除料頭料尾段，保留中間穩(wěn)定工況數(shù)據(jù)。針對因數(shù)據(jù)采集系統(tǒng)的不精確造成的數(shù)據(jù)離群點，用MAD 方法對數(shù)據(jù)進行濾波，得到清洗后的數(shù)據(jù)信號。離群點的判定規(guī)則如公式（10）所示：

式中median為求取中位數(shù)，x i代表數(shù)據(jù)集中的第i個值，xm代表數(shù)據(jù)集中的中值。

針對因數(shù)據(jù)采集系統(tǒng)的不精確造成的數(shù)據(jù)噪聲，用小波去噪方法對數(shù)據(jù)進行濾波，得到降噪后的數(shù)據(jù)信號。實際工業(yè)數(shù)據(jù)變量間的量綱差異大，導致模型收斂速度變慢，建模之前對數(shù)據(jù)做歸一化處理，如下式所示：

2.2 異常工況檢測實例及分析

通過查詢該企業(yè)葉絲干燥生產(chǎn)歷史數(shù)據(jù)，有如表2 所示的葉絲出口水分異常波動實例，形成兩組測試集Xtest1（420×12）和Xtest2（886×12），用于對本文異常檢測算法進行驗證。

表2 異常工況描述Tab.2 Description of abnormal working conditions

實驗測試環(huán)境如下：CPU：i5-6500；RAM：8.00 GB；自編碼器算法用Python 平臺實現(xiàn)，Python 版本3.9，Pytorch-CPU 版本為1.11.0；SVDD 算法用Matlab軟件平臺實現(xiàn)。

為了保證模型的泛化性能，需要對一些關鍵參數(shù)尋優(yōu)，參數(shù)優(yōu)劣的評估規(guī)則為選擇能同時提高檢測率和降低誤報率的最佳參數(shù)。最終深度學習自編碼器的超參數(shù)尋優(yōu)結果：網(wǎng)絡結構為12-16-12，學習率Lr 為0.01，樣本批次Batch size 為30，最大迭代Epoch 數(shù)為1200，選擇Sigmoid 非線性激活函數(shù)來提高網(wǎng)絡對模型的表達能力。SVDD 模型核參數(shù)選擇為5，懲罰因子的值確定為0.01。

2.2.1 異常檢測案例一

該企業(yè)實際生產(chǎn)數(shù)據(jù)記錄中，21 年6 月份一批數(shù)據(jù)自第90 個采樣點時刻，滾筒干燥-葉絲出口水分在批次內(nèi)出現(xiàn)較大波動，如圖4（a）所示，水分波動持續(xù)到第160 個采樣時刻，此后水分恢復平穩(wěn)，該水分波動階段偏離批次內(nèi)水分整體分布狀態(tài)，被認為是異常工況所產(chǎn)生的葉絲質量不穩(wěn)定現(xiàn)象。從過程變量中分析質量波動原因：生產(chǎn)過程中排潮風門開度在第47個樣本點時突然減小導致烘筒內(nèi)濕度變大，從而葉絲出口水分升高。

圖4 兩個實際案例質量指標波動Fig.4 Fluctuation of quality indicators in two actual cases

用本文異常檢測方法進行驗證，如圖5 所示。

圖5 案例一基于不同方法的異常數(shù)據(jù)檢測結果Fig.5 Abnormal data detection results based on different methods for case1

定義連續(xù)5 個采樣點超出控制限時發(fā)生報警。紅色實線表示基于SVDD 模型的超球面半徑R，黑色實線表示測試樣本與超球面球心的距離D，超出半徑R的為模型檢測到的異常樣本，3 種方法對比顯示，基于PCA 和SVDD 的方法并不能較好的監(jiān)測到質量的變化，2 種方法在生產(chǎn)一開始就發(fā)生報警，這會給生產(chǎn)操作人員造成一定的誤導。

AE-SVDD 方法首次報警時間在第24 個采樣點，持續(xù)到第139 個采樣點結束報警，提前約4 分鐘預警了過程變量的異常變化，說明該方法可以提前預警并有效監(jiān)測到該異常工況。

2.2.2 異常檢測案例二

該異常工況產(chǎn)生原因為，在實際生產(chǎn)過程中，滾筒干燥蒸汽閥門開度在第122 個采樣點附近突然下降，導致熱風蒸汽流量下降，烘絲系統(tǒng)的干燥能力減弱，導致葉絲出口水分升高，如圖4（b）所示，控制過程持續(xù)到第254 個采樣點過程恢復穩(wěn)態(tài)，水分也因此穩(wěn)定。異常工況檢測結果如圖6 所示。

根據(jù)異常報警定義，PCA 方法基本上檢測不出來該過程中發(fā)生的波動，原因可能是該波動較小。SVDD方法首次報警在第122 個點，結束報警在第210 個點，可以及時監(jiān)測到該異常波動，但檢測并不完全。

AE-SVDD 首次報警在第70 個點，結束報警在第250 個點，提前約8 min 預警了系統(tǒng)將要發(fā)生的過程波動，有助于操作人員及時檢查并發(fā)現(xiàn)異常產(chǎn)生的原因，提前介入調(diào)控，縮短異常波動時間，以減少質量不合格品的產(chǎn)生。

上述實例表明，本文提出的基于AE 重構誤差和SVDD 的異常工況檢測方法可以有效監(jiān)測葉絲干燥過程的異常狀態(tài)，一定程度上也可以進行預警。為進一步直觀地證明所提AE-SVDD 方法的有效性，用檢測率（FDR）量化監(jiān)測圖中異常數(shù)據(jù)檢測效果，表3 顯示了使用3 種不同模型的異常數(shù)據(jù)檢測結果，檢測率最高的加粗表示。

表3 不同方法異常數(shù)據(jù)檢測率FDR（%）對比結果Tab.3 Comparison of abnormal data detection rate FDR（%）of different methods

結果顯示，由于該波動較小，傳統(tǒng)PCA 算法無法靈敏檢測到該異?，F(xiàn)象?；赟VDD 模型的方法不能準確檢測到數(shù)據(jù)中的異常樣本點，原因可能是原始數(shù)據(jù)的大量特征覆蓋了有用的信息。相比傳統(tǒng)的SVDD和PCA 算法，基于AE 誤差重構的SVDD 異常數(shù)據(jù)檢測方法在兩種異常工況有最高的檢測率，兩個案例均提高了約63%，說明自編碼器學習到了原始數(shù)據(jù)的重要特征，而且從監(jiān)測圖中可以看出其提前預警的優(yōu)勢，驗證了該算法的有效性。

3 結論

及時的異常工況檢測對保證卷煙滾筒葉絲干燥過程質量穩(wěn)定非常重要，針對工業(yè)數(shù)據(jù)非高斯非線性的數(shù)據(jù)分布特性，以及傳統(tǒng)支持向量數(shù)據(jù)描述異常檢測算法無法挖掘數(shù)據(jù)深層特征的缺陷，本文結合深度學習自編碼器重構誤差，提出了AE-SVDD 異常工況檢測算法。該方法的優(yōu)勢在于，一方面充分挖掘了數(shù)據(jù)深層特征，另一方面可同時處理非線性非高斯數(shù)據(jù)。實際工業(yè)過程生產(chǎn)案例結果顯示，相比傳統(tǒng)方法，所提方法檢測率約能提高63%，并能提前4～8 min 預警滾筒葉絲干燥生產(chǎn)過程中的異常狀態(tài)，驗證了該方法的可行性和有效性，為卷煙制絲異常檢測的后續(xù)研究提供了理論支撐，具有指導意義。