【摘 要】过程监测是保证生产安全、稳定运行的一个非常重要的措施，本文针对新的生产过程投运初期的过程监测问题提出应对策略。首先，针对过程建模缺少运行数据的问题，利用相似过程的运行数据弥补新过程信息不足，采用JYPLS信息迁移的方法建立新过程的监测模型。之后，采用JYPLS信息迁移方法与局部模型相结合的策略，解决新过程时变性引起的模型不准问题。文中利用某选厂磨矿生产过程数据进行仿真实验，仿真结果验证出了本文提出的方法的有效性和实用性。
【关键词】信息迁移 过程监测 EPCA JYPLS
【Abstract】Process monitoring is a very improtant measures to ensure production safety and operation stable ， Based on the new production process of the early operation of monitoring problem coping strategies are put forward. First， in view of the shortage of operating data in the process of modeling， using a similar process operating data make up for the new process information is insufficient， JYPLS information migration method is adopted to establish the new process monitoring model. After the JYPLS information transfer method and the strategy of combination of local model， solve the problem of time-varying model caused by the new process is allowed to. In this paper， we use a mill grinding production process data in simulation experiment， the simulation results verify the validity and practicability of the method proposed in this paper.
【Key words】Information transfer； Process monitor； EPCA； JYPLS
基于数据驱动的过程监测方法是解决具有复杂性和不确定性特点的工业过程监测问题的一种方便、实用的做法[1，2]。但是，对于一个缺少运行数据的新的过程而言，现有的数据驱动过程监测方法难以适用。对此，本文利用JYPLS信息迁移技术建立监测过程模型，其中JYPLS方法最初由产品生产设计问题提出[4]，并应用于模型移植等方面[5，6]。另外，针对过程时变性常常导致过程监测效果的不稳定或无法使用的问题，本文提出基于JYPLS和局部模型的过程监测方法，并利用某选厂磨矿过程运行数据进行过程监测仿真，仿真结果验证了本文提出方法的有效性和实用性。
1 基于JYPLS过程监测
1.1 基于JYPLS的过程监测
JYPLS是一种过程信息迁移策略，它将过程中人们较关注的指标变量作为矩阵，并将新（B过程）旧（A过程）两个相似过程的矩阵组成一个增广矩阵：
对增广矩阵在一个载荷空间内降维，提取隐变量，用数据的协方差结构表征新旧两个过程的相似性信息，通过组成增广矩阵能够将那一部分相似的结构信息反映在一个载荷空间上，同时对于每一个过程建立PLS模型，这样既利用了两个过程相似的信息又利用了过程内变量相关的信息。
过程的数据为、，过程的数据为、，建立JYPLS模型：
式中，为输出联合矩阵分解后的得分载荷，是残差，其它变量的含义与普通的PLS相同。
基于JYPLS的过程监测操作步骤如下：
（1）采集B过程的样本，选择A过程的样本，两个过程的样本分别进行标准化。
（2）建立JYPLS模型，得到模型的参数。
（3）由模型和给定的显著性水平算得、、控制限。
（4）采样B过程的新样本，按着B过程初始样本的均值和方差进行标准化。
（5）根据模型得到的、、的三个统计量值，并判断是否超出相应的控制限，若任意一个超出，则认为是故障数据，否则为正常数据[7]。
1.2 基于JYPLS和局部模型的过程监测
JYPLS是一种迁移学习的过程建模方法，用此方法可以克服新过程信息不足的问题，而局部过程模型则立足于适应新的过程特性 [8，9]。
对于两个相似过程A和B，其中，过程的数据为、，过程的数据为、，首先将A和B两过程的数据和组成的增广矩阵进行PCA分解：
分解后得到需要选择相似性操作的数据，如下式所示：
首先对的元素执行k-means运算，得到父数据块及其聚类中心。对于中的每一个元素，都执行与父数据块中心比较，从而得到最近距离的父数据块，再从该数据块以距离和角度结合的方法选择最相似的数据。中的每一个元素选择h个最相似的数据，最后得到个A中Y样本，再将A中对应X中的样本选出来[10，11]。
从A中选择的个数据和B过程中w个数据为建立JYPLS局部模型的数据，求解JYPLS模型，得到B过程的模型参数，重新评价第一次判断的故障点是否为故障，若是则报警，不是则认为是过程的新特性数据，保留此数据。之后，局部模型保留作为B过程的监测模型。 基于JYPLS和局部模型过程监测有以下特点：
（1）综合利用两个相似过程的信息建立过程监测模型，弥补了新过程信息数据的不足。
（2）通过建立局部模型适应过程特性变化，克服过程的非线性、时变性和多工况的影响。
（3）建立局部模型时采用在隐变量空间以距离和角度为度量原则选择相似数据进行过程信息迁移，同时采用合理的选择相似数据方式，为提高局部模型的准确度提供了保障[12，13]。
2仿真分析
本文以某选矿厂两个系列的磨矿过程为背景，其中一个为已长期投入运行的过程，存在大量的正常运行数据（旧过程）；另一个具有很少的数据（新过程），两个过程尽管在生产规模、控制方案等形式上有一定差别，但总体上具有很大的相似性，旧过程的运行信息可为新过程的运行提供指导[14]。
本文选出10个能够很好反映过程特性的变量，其中有4个输出变量和6个输入变量。对旧过程取不同时间段的过程正常运行的数据共1312组；新过程取连续正常运行一段时间的数据共400组数据，其中，100组数据作为初始数据，剩余300组数据用于验证过程监测方法。
2.1 基于JYPLS方法的过程监测仿真
首先，用新过程（B）的初始数据建立其PLS过程监测模型，选取隐变量k=3，SPE中分布取0.9的置信限，中F分布取0.9的控制限，对后续300个样本的监测效果如图2.1所示。AR=28%的误报率说明PLS方法仅仅使用新过程的初始数据建模，由于新过程运行数据信息的太少，建立的过程模型精度很低，直接导致过程监测效果较差。
基于JYPLS的过程监测方法采用了迁移技术，利用旧过程的数据和新过程初始的少量数据联合建立模型，建模数据为：
根据经验法确定隐变量个数为p=4，SPE中分布和中F分布取与PLS同样的控制限，对新过程后续300个样本的监测效果如图2.2所示，AR=7%的误报率说明在新过程数据较少的情况下，基于JYPLS的监测方法可以改善监测效果。
另外，将故障样本加到300个正常样本中第150个样本后，然后对其实施监测的效果如图2.3所示，和都给出超过控制限报警，说明基于JYPLS的监测方法能够准确地监测故障。
2.2基于JYPLS和局部模型的过程监测仿真
基于JYPLS和局部模型的过程监测具体做法是：遇到故障点建立局部JYPLS模型时，首选k-means聚类数目为5，以距离和角度度量相似性的方式对新过程1312个样本执行二阶搜索，共选择出100个样本，然后与故障点前100个正常样本建立局部JYPLS模型。利用此模型对新过程后续300个正常数据进行监测，效果如图2.4所示。其中，模型共更新了3次，误报率AR=1%，低于单纯的JYPLS的过程监测误报率AR=7%。
对于磨矿过程运行中出现皮带称重减少的故障，将此故障样本加到300个正常样本中第150个后处，然后对其实施监测仿真，故障能够准确地判断出来，效果如图2.5所示。
3结语
本文重点研究了JYPLS过程信息迁移技术在过程监测方面的应用问题。研究结果表明，基于JYPLS的过程监测方法通过提取相似过程的相似信息和迁移学习，可以解决缺少运行数据的一类新过程的建模和过程监测问题；采用JYPLS和局部模型相结合的策略可以有效地减少过程时变对过程监测效果的影响。
参考文献：
[1]刘强，柴天佑，秦泗钊 等. 基于数据和知识的工业过程监视及故障诊断综述[J].控制与决策，2010，25（6）：801-807.
[2]李荣雨.基于 PCA 的统计过程监控研究[D].杭州：浙江大学，2007.
[3]García Mu？oz S， MacGregor J F， Kourti T. Product transfer between sites using Joint-Y PLS[J]， Chemometrics and intelligent laboratory systems， 2005， 79（1）：101-114.
[4]Jaeckle C M， MacGregor J F. Product transfer between plants using historical process data[J]， AIChE journal， 2000， 46（10）： 1989-1997.
[5]Lu J， Yao Y， Gao F. Model migration for development of a new process model[J]， Industrial & Engineering Chemistry Research， 2008， 48（21）： 9603-9610.
[6]Lu J， Yao K， Gao F. Process similarity and developing new process models through migration[J]， AIChE Journal， 2009， 55（9）： 2318-2328.
[7]Facco P， Tomba E， Bezzo F， et al. Transfer of process monitoring models between different plants using latent variable techniques[J]， Industrial & Engineering Chemistry Research， 2012， 51（21）： 7327-7339.
[8]Tomba E， Facco P， Bezzo F， et al. Combining fundamental knowledge and latent variable techniques to transfer process monitoring models between plants[J]， Chemometrics and Intelligent Laboratory Systems， 2012.
[9] García-Mu？oz S， Zhang L， Cortese [M]， Root cause analysis during process development using Joint-Y PLS[J]， Chemometrics and Intelligent Laboratory Systems， 2009， 95（1）： 101-105.
[10]Ni W， Tan S K， Ng W J， et al. Localized， adaptive recursive partial least squares regression for dynamic system modeling[J]， Industrial & Engineering Chemistry Research， 2012， 51（23）： 8025-8039.
[11]Ge Z， Song Z. Online monitoring of nonlinear multiple mode processes based on adaptive local model approach[J]， Control Engineering Practice， 2008， 16（12）： 1427-1437.
[12]Kano M， Sakata T， Hasebe S. Just-In-Time Statistical Process Control： Adaptive Monitoring of Vinyl Acetate Monomer Process[C]//The 18th IFAC World Congress. 2011： 13157-13162.
[13]Ottavian M， Facco P， Fasolato L， et al. Multispectral data classification using similarity factors[J]， Chemometrics and Intelligent Laboratory Systems， 2012.
[14]肖庆飞，段希祥.磨矿过程中应注意的问题分析及对策研讨[J].矿产综合利用，2006，4：30-33.
