工业智能化创新之路丛书--运行工况监测与故障溯源推理：机器学习方法

本书围绕工业生产过程智能监控的若干核心问题展开论述。首先介绍工业过程运行监测和故障溯源推理的重要性、工业过程智能监控相关的机器学习理论基础。在此基础上，介绍过程生产状态的感知与异常情况的预警，即过程监测方法，具体包括针对大规模工业过程的分布式监测方法、针对复杂时变过程的条件驱动建模方法、针对过程正常慢变化和工况切换的自适应监测方法等。接下来介绍异常变量的隔离与过程故障的诊断，即故障诊断方法，具体包括针对故障过程时变的多模型判别方法、针对历史数据稀缺的增量学习方法、迁移学习和零样本学习方法等。
本书可作为自动控制或信息科学等相关专业研究生的教学参考书，同时对从事自动化过程监控研究、设计、开发和应用的广大工程技术人员也具有一定的参考价值。

本书的作者长期从事于工业过程数据解析与智能监控方面的研究，本书结合近些年提出的机器学习方法针对工业过程变工况特性开展过程监测和故障诊断研究。
本书将是国内少有的系统介绍变工况复杂工业过程智能监控方面的书籍。

工业决定着国民经济现代化的速度、规模和水平，在当今世界各国国民经济中起着主导作用。打造具有国际竞争力的工业，是提升综合国力、保障国家安全、建设世界强国的必由之路。在国家战略指导下，以智能制造为主导方向的工业自动化技术在迅速推进。工业生产过程也在朝着大型化、复杂化和智能化的方向高速发展。
提升产品质量、减少能源消耗、提高生产效率、降低生产成本和保障生产安全，是工业过程智能化的几个重要目标。其中，提高工业过程的安全性，尤其是降低生产事故和异常情况出现的频率，对于提高生产效率、保证人员和设备的安全以及提高工业生产流程的经济效益有着十分重要的意义。因此，对工业生产过程或者运行设备进行故障监测与诊断，排除潜在的异常状态，预防重大事故发生，已然成为当前工业领域亟须解决的重要问题。
随着计算机技术和传感器技术的不断发展，先进的集散控制系统应运而生，实时获取工业过程数据的能力大大提高，海量的过程历史数据也因此被存储下来。如何从历史数据中挖掘过程运行状态信息，并据此建立有效的过程监测与故障诊断模型，成了工业过程控制领域新的研究热点，具有重要的理论价值与现实意义。本书将深入解析复杂工业过程的数据特性，并在此基础上结合先进的机器学习技术介绍一系列的过程监测与故障诊断方法，目的是实现异常行为的及时监测和过程故障的准确溯源，从而为消除故障影响、恢复正常生产提供便利。同时，本书的工作也能为后续的设备故障检修、剩余寿命预测等打下坚实的基础，为提高企业的产品竞争力和市场经济效益提供有力的保障。
在国家自然科学基金委、科技部和工信部等资助下，笔者长期从事面向工业过程智能监控的基础理论方法与关键技术研究工作，先后提出并发展了一系列运行工况识别、故障溯源诊断方法，用数字化与智能化手段提升工业装备服役效能，促进了该领域的进一步发展。本书将结合笔者在具体工业领域的多年实践经验，从分析实际工业过程的具体特性出发，基于机器学习方法，介绍基本的工业过程智能监控技术以及作者在这些领域的最新研究成果，围绕工业过程智能监控的若干核心问题展开论述。本书第1 章首先介绍了工业过程运行工况监测和故障溯源推理的重要性，并详细分析了前人的相关研究工作。第2 章综述了工业过程智能监控相关的机器学习理论基础，重点阐述了以协整分析、典型相关分析、慢特征分析、混合高斯模型和自编码网络为代表的无监督学习方法和以线性判别分析、随机森林、卷积神经网络、宽度学习和零样本学习为核心的监督学习方法。第3～7 章主要介绍了对过程生产状态的感知与异常情况的预警，即过程监测方法，具体包括基于稀疏协整分析的变工况分布式建模与过程监测、条件驱动的大范围非平稳瞬变过程建模与状态监测、基于动态双层解析的工业过程动静协同精细工况识别、基于递归指数慢特征分析的精细化自适应过程监测、基于降噪自编码器和弹性网的非线性鲁棒监测与故障隔离。第8～12 章主要介绍了异常变量的隔离与过程故障的诊断，即故障诊断方法，具体包括多模型指数判别分析方法及其在故障诊断中的应用、基于动静协同解析的增强随机森林故障诊断、具有增量学习能力的宽度卷积神经网络及其故障诊断、基于细粒度对抗网络的域自适应方法及跨域故障诊断、基于零样本学习的数据与知识融合方法及故障诊断。第3～12 章包含了作者近几年的一系列研究成果，即对工业过程智能监控中的实际具体问题的分析与解决办法。
本书涉及的研究成果得到了众多科研机构的支持，其中特别感谢NSFC-浙江两化融合联合基金(No.U1709211)、国家杰出青年科学基金(No.62125306)、国家重点研发计划（2019YFC1908100）、中央高校基本科研业务费专项资金（浙江大学NGICS 大平台)、工业控制技术国家重点实验室自主课题(ICT2021A15)、流程工业综合自动化国家重点实验室开放课题基金资助项目(2020-KF-21-07)。
《史记》中有一句话：泰山不让土壤，故能成其大；河海不择细流，故能就其深。经历科研的蹒跚学步，到逐步熟练得心应手，在人生的不同阶段，笔者何其有幸得到了多位品德高尚的老师的指导和帮助。博士求学期间以及工作阶段，在东北大学王福利教授、香港科技大学高福荣教授和加拿大阿尔伯塔大学黄彪教授指导下，针对机器学习方法以及工业过程监测与故障诊断进行了许多深入的研究工作，受益匪浅；自2012 年1 月加入浙江大学孙优贤院士团队以来，得到了孙院士无私的爱护和关怀；母校柴天佑院士一直关心东大学子的成长，不吝指导着笔者的研究工作和研究方向。两位院士德高望重，笔者每一步的成长、进步和发展都得到了两位院士的指引和帮助。在此，特别表达对两位院士的深切感恩之情。
在本书编写期间，研究生陈军豪、宋鹏宇、郑嘉乐、赵健程、田畅、王婕、李宝学、赵诣、王应龙等做了文献翻译、整理、格式校对等方面的工作。在本书正式出版之际，谨向他们表示衷心的感谢。
由于理论水平有限，以及所做研究工作的局限性，书中难免存在不妥之处，恳请广大读者批评指正。

赵春晖
2021 年6 月于浙江大学

第1章 绪论 001
1.1 概述 002
1.2 运行工况监测与故障溯源推理研究现状 004
1.2.1 基础理论方法 004
1.2.2 运行工况监测研究现状 005
1.2.3 故障溯源推理研究现状 009
1.3 全书概况 013
参考文献 016

第2章 运行工况监测与故障溯源诊断的基础理论方法 031
2.1 概述 032
2.2 无监督学习方法 033
2.2.1 协整分析 033
2.2.2 典型相关分析 035
2.2.3 慢特征分析及其衍生方法 037
2.2.4 高斯混合模型 039
2.2.5 自编码网络 041
2.3 监督学习方法 042
2.3.1 线性判别分析及其衍生方法 042
2.3.2 随机森林 045
2.3.3 卷积神经网络 047
2.3.4 宽度学习 048
2.3.5 零样本学习 050
2.4 本章小结 052
参考文献 052

第3章 基于稀疏协整分析的变工况分布式建模与过程监测 059
3.1 概述 060
3.2 稀疏协整分析方法回顾 062
3.3 基于稀疏协整分析的变工况过程分布式监测 064
3.3.1 基于协整关系的模块分解 064
3.3.2 过程动静态信息提取 066
3.3.3 局部监测统计量计算 068
3.3.4 全局监测统计量计算 068
3.3.5 监测算法在线实施 069
3.3.6 总结与讨论 070
3.4 百万千瓦超超临界机组的应用研究 072
3.5 本章小结 081
参考文献 082

第4章 条件驱动的大范围非平稳瞬变过程建模与状态监测 087
4.1 概述 088
4.2 变工况多模式过程监测建模方法 091
4.2.1 问题陈述与工作动机 091
4.2.2 条件驱动的数据阵列重组 093
4.2.3 自动有序条件模态划分 094
4.2.4 精细化分布评估算法 096
4.2.5 算法在线实施方案 099
4.3 百万千瓦超超临界机组的应用研究 100
4.3.1 百万千瓦超超临界机组 100
4.3.2 建模与实验分析 101
4.4 本章小结 108
参考文献 108

第5章 基于动态双层解析的工业过程动静协同精细工况识别 115
5.1 概述 116
5.2 基于CVA 和SFA 的变工况过程动静协同监测 118
5.2.1 问题阐述与动机分析 118
5.2.2 基于典型变量分析的动态特征提取 119
5.2.3 基于慢特征分析的动静协同状态监测 120
5.2.4 在线监测策略 122
5.3 三相流过程中的应用 124
5.3.1 过程描述 124
5.3.2 实验设计与建模数据 124
5.3.3 算法验证及讨论 125
5.4 本章小结 133
参考文献 133

第6章 基于递归指数慢特征分析的精细化自适应过程监测 139
6.1 概述 140
6.2 问题陈述与动机分析 142
6.3 递归指数慢特征分析 144
6.3.1 指数慢特征分析 145
6.3.2 递归指数慢特征分析 146
6.3.3 RESFA 中的监测统计量 148
6.3.4 基于RESFA 的自适应监测策略 149
6.4 方法验证与结果分析 151
6.4.1 青霉素发酵过程 151
6.4.2 卷烟生产过程 156
6.4.3 注塑过程 159
6.5 本章小结 162
参考文献 162

第7章 基于降噪自编码器和弹性网的非线性
鲁棒监测与故障隔离 167
7.1 概述 168
7.2 方法回顾与动机分析 170
7.2.1 降噪自编码器 170
7.2.2 问题陈述与动机分析 171
7.3 方法介绍 172
7.3.1 DAE-EN 算法 172
7.3.2 基于DAE-EN 的过程监测 173
7.3.3 基于DAE-EN 的故障隔离 176
7.3.4 方法相关的讨论 177
7.4 方法验证与结果分析 178
7.4.1 热电厂生产过程 178
7.4.2 卷烟生产过程 180
7.5 本章小结 183
参考文献 183

第8章 多模型指数判别分析方法及其在故障诊断中的应用 189
8.1 概述 190
8.2 问题陈述与动机分析 192
8.3 多模型指数判别分析 194
8.3.1 多模型指数判别分析方法 194
8.3.2 概率多模型指数判别分析方法 198
8.3.3 在线故障诊断 199
8.3.4 MEDA 算法的进一步改进 200
8.3.5 讨论与分析 201
8.4 方法验证与结果分析 202
8.5 本章小结 205
参考文献 205

第9章 基于动静协同解析的增强随机森林故障诊断 211
9.1 概述 212
9.2 基于CART 树的随机森林算法回顾 214
9.3 动静态协同的增强随机森林 214
9.3.1 问题陈述与动机分析 214
9.3.2 动静态节点提取 216
9.3.3 基于特征重要性排序的增强随机森林算法218
9.3.4 增强随机森林算法的步骤 219
9.4 方法验证与结果分析 221
9.4.1 田纳西-伊斯曼过程 221
9.4.2 三相流过程 225
9.5 本章小结 230
参考文献 230

第10章 具有增量学习能力的宽度卷积神经网络及其故障诊断 237
10.1 概述 238
10.2 问题陈述与动机分析 240
10.3 宽度卷积神经网络 242
10.3.1 所提网络框架 242
10.3.2 对新样本和新类别的增量学习能力 244
10.3.3 关于BCNN 的一些讨论 246
10.4 方法验证与结果分析 247
10.4.1 田纳西-伊斯曼过程 247
10.4.2 三相流过程 252
10.5 本章小结 254
参考文献 255

第11章 基于细粒度对抗网络的域自适应方法及跨域故障诊断 261
11.1 概述 262
11.2 问题描述与深度神经网络简介 264
11.2.1 问题描述 264
11.2.2 深层神经网络 264
11.3 基于迁移学习的对抗网络 266
11.3.1 动机分析 266
11.3.2 细粒度对抗网络的总体结构 267
11.3.3 细粒度对抗网络的优化目标 268
11.3.4 对抗训练策略 269
11.3.5 在线诊断步骤 270
11.4 方法验证与结果分析 271
11.4.1 机械滚动轴承 271
11.4.2 三相流过程 275
11.5 本章小结 278
参考文献 278

第12章 基于零样本学习的数据与知识融合方法及故障诊断 285
12.1 概述 286
12.2 问题建模 289
12.2.1 故障描述的向量表示 289
12.2.2 零样本故障诊断的定义 289
12.3 基于零样本学习的故障诊断 290
12.3.1 属性迁移的故障语义描述 290
12.3.2 可行性分析 292
12.4 方法验证与结果分析 293
12.4.1 田纳西-伊斯曼过程 293
12.4.2 百万千瓦超超临界机组 300
12.5 本章小结 302
参考文献 303