【深度】数据驱动的最优运行状态鲁棒评价方法及应用

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): 439-450. 

在市场竞争日益激烈的今天，良好的过程运行状态是有效保证企业产品质量及综合经济效益的重要前提之一。然而，在复杂工业生产过程中，运行状态常常受到噪声、离群点及环境扰动等各种不确定因素的影响，导致其偏离最优工况点。因此，为了保证产品质量和提高企业综合经济效益，引入过程监控技术并进行实时监控是很有必要的。

重介质选煤过程、煤炭浮选过程与湿法冶金过程

传统的过程监控技术只关注如何区分“正常”和“故障”两种运行状态，这一粗犷的评价方法明显不能满足现在绿色高效生产的需求。此外，传统的评价方法缺乏对故障原因的分析或只针对故障状态进行分析，而忽略了对非最优状态的原因追溯，这无法保证综合经济效益的最大化。因此，研究细致而稳健的运行状态评价及非优因素识别方法对指导复杂工业过程的高效运行具有十分重要的实际意义。

传统过程监控方法与运行状态评价方法对比

现代复杂工业过程运行状态评价面临的挑战：

1）经济指标相关过程运行信息与深层特征的准确提取问题；

2）长流程与局部建模之间的矛盾以及过程多类别多尺度信息的融合；

3）工况剧烈波动时运行状态评价模型的适用性问题；

4）强噪声环境下运行状态评价模型的鲁棒性问题；

5）非优和异常因素的识别与追溯问题.

在实际生产过程数据受噪声及离群点污染比较严重的情况下，如何有效地进行复杂工业过程运行状态评价？

本文结合Total-PLS算法与PRMR算法的优势，提出一种基于全潜鲁棒偏M 估计(Total partial robust M-regression, Total PRMR)的复杂过程最优状态的鲁棒评价方法。

离线建模：通过对过程数据主元和残差子空间的进一步分解，提取出能够反映与原材料、生产消耗和产品质量等因素相关的经济指标的变化信息, 同时采用样本数据加权的方法消除离群点对评价模型的不利影响，提高算法的鲁棒性。

在线评价：根据实际需求合理制定在线窗口的宽度，利用各等级鲁棒评价模型对在线窗口内的数据进行综合鲁棒加权，并计算加权后窗口数据与各评价等级之间的相似度的大小进行在线评价。此外，本文还给出三条在线评价准则，提高评价结果的可靠性。

当在线评价结果非优时：通过计算各操作量的贡献度，实现非优因素的准确判别。

基于全潜鲁棒偏 M 估计的复杂工业过程在线运行状态评价流程

最后，将所提算法应用于实际重介质选煤过程的运行状态评价中，验证了所提方法的有效性。

本文的研究路线及仿真结果