基于自編碼器和PCA的滾筒烘絲機多塊過程監測方法

李善蓮,安佳敏,劉朝賢,張二強,劉振宇,楊俊杰,許冰洋,張雷,4

1.中國煙草總公司鄭州煙草研究院,河南 鄭州 450001;2.陜西中煙工業有限責任公司 技術中心,陜西 西安 710065;3.江西中煙工業有限責任公司 技術中心,江西 南昌 330096;4.鄭州輕工業大學 電氣信息工程學院,河南 鄭州 450001

0 引言

卷煙制絲加工有助于形成卷煙產品的風格特征[1],其中葉絲干燥是該過程的關鍵工序,主要通過烘絲機干燥將煙絲含水率降低至適合卷制的水平。烘絲機工作原理復雜,生產中難免因操作條件的變化造成葉絲含水率波動,導致工況不穩定,因此有必要對其進行過程監測,及時調控生產中的異常狀態,保證生產過程穩定,以提高生產效率和在制品的加工品質。

目前,行業普遍采用單變量統計過程控制(Statistical Process Control,SPC)方法[2-4],即選擇一些與質量指標密切相關的單變量單獨進行統計監測,例如筒壁溫度或出口水分,根據數據是否超過上下限閾值或依據控制圖來評價生產過程的運行狀態。然而烘絲機干燥體系是多變量、強耦合、非線性的復雜系統[5],單變量監控方法忽略了不同變量之間的相互作用關系,易造成誤報和漏報,監測結果準確度不高[6]。

近年來,基于數據驅動的多變量統計分析方法,如主成分分析(Principal Component Analysis,PCA)、偏最小二乘(Partial Least Square,PLS)、獨立成分分析(Independent Component Analysis,ICA)、費舍爾判別分析(Fisher Discrimination Analysis,FDA)等,受到諸多學者及工業技術人員的青睞[7-8],其中有關PCA和PLS法的應用研究最為廣泛。在制絲過程狀態監測研究方面,王偉等[9]提出了基于PCA模型的卷煙制絲過程監測方法,將高維的原始過程數據投影到低維的主元子和殘差子空間,分別進行過程監控,但該方法是全局建模,難以捕捉生產過程的局部信息,監測精度不高。多塊建模的工作原理是對高維過程變量進行分塊操作,分別建立多個監測模型,能夠充分利用過程變量之間的相關關系,提取局部特征信息,同時降低計算復雜度,提高模型可解釋性,已經在規?；I過程監控中得到應用[10]。例如,王偉等[11]提出了多階段分布式PCA異常監測方法,建立多個PCA監測模型以提升異常工況診斷精度,但是該方法忽視了相鄰操作工序之間的復雜耦合關聯關系,其檢測精度仍難以滿足實際需求。

此外,隨著葉絲干燥過程傳感測量裝置的發展與應用,生產過程數據劇增,且葉絲干燥過程變量具備強非線性特征,而傳統PCA算法屬于線性方法,只能提取數據的線性特征[12]不能滿足葉絲干燥過程中數據的提取。目前葉絲干燥過程監測需要解決以下兩個問題:1)葉絲干燥過程具有工業大規模生產的特征,如何將多塊建模策略引入其中,以實現干燥過程局部運行特征信息的挖掘;2)如何有效地處理葉絲干燥過程的強耦合、非線性特性,以提高干燥過程監測的準確性。近來年,人工智能和深度學習技術飛速發展,其中自編碼器(Autoencoder,AE)網絡是一種經典的深度網絡算法,通過多層非線性映射對數據進行無監督特征提取,具有較強的非線性提取能力,能有效挖掘工業數據中隱藏的深度特征[13]?；诖?本文擬提出一種基于自編碼器特征提取和PCA聯合驅動的多塊建模(AE-MPCA)方法,以實現滾筒葉絲干燥過程的精細化監測。

1 方法建立

1.1 算法原理

本文提出的AE-MPCA方法整體框架如圖1所示。由圖1可知,首先從滾筒烘絲機工作原理出發,結合實際工藝對干燥過程實施合理的分塊策略;然后利用深度學習AE提取每個子塊變量的局部非線性特征,通過PCA過程監控技術將高維歷史數據映射到低維空間,并分別計算統計量;最后基于貝葉斯推理將多子塊結果進行融合決策,通過二維監控圖實現過程監控的可視化[14-16]。

圖1 本文AE-MPCA方法整體框架圖Fig.1 Framework diagram of the AE-MPCA

1.2 基于AE的隱含特征提取

AE網絡結構如圖2所示。由圖2可知,AE包括3層網絡結構,將輸入信息x=[x1,x2,…,xn]∈Rn×j(其中n為樣本數,j為變量數)壓縮為隱藏特征h∈Rn×m,然后使用該特征重構輸出x′∈Rn×j,通過最小化輸入和輸出數據的重構誤差進行訓練,逐步提升模型的準確性。

圖2 AE網絡結構Fig.2 The network structure of AE

1.3 基于AE-MPCA的過程監測算法構建

AE-MPCA過程監測流程如圖3所示。由圖3可知,監測過程包括離線建模和在線監測兩部分。首先,用AE提取每個子塊的隱特征;然后,將隱特征作為新的觀測變量建立子塊PCA模型;最后基于貝葉斯推理融合多個子空間的監測結果,得到最終整體監測指標。

1.3.1 離線建模步驟1正常數據經預處理之后得到訓練集X;

步驟2根據變量特征將過程變量分為b個子塊;

步驟3每個子塊分別訓練AE模型,提取每個子塊的隱特征h,得到b個特征數據集h1,h2,…,hb,特征數據最大限度代表原始數據信息;

步驟4將h1,h2,…,hb分別作為每個子塊新的數據集,則每個子塊的PCA模型為

1.3.2 在線監測步驟1測試樣本處理之后得到數據集Xtest,用同樣的分塊策略將過程變量分為b個子塊;

步驟2基于訓練好的AE模型,提取每個子塊隱特征h;將每個子塊的隱特征作為新的觀測數據集,建立b個子塊PCA模型,計算其在第i個PCA模型的監測統計量Ti2、Qi:

使用報警率(FDR)和誤報率(FAR)來評估模型的異常數據檢測性能:

FDR=有效報警數/異常樣本總數

FAR=誤報警數/正常樣本總數

步驟3AE-MPCA每個子塊統計量和控制限均不一樣,為直觀表達總的監測結果,用貝葉斯推理策略構建整體監測指標。以T2統計量為例,樣本Xtest在第i個子塊的故障概率可表示如下:

PT2(Xtest,i)=PT2(Xtest,i|N)PT2(N)+

PT2(Xtest,i|F)PT2(F)

條件概率則具體表示如下:

式中,Xtest,i表示第i個子塊中的測試樣本;N和F代表正常和異常情況;PT2(N)為正常樣本的先驗概率,代表置信度α,則PT2(F)代表置信度1-α。

最后,依據貝葉斯定理[15],將所有子塊的檢測結果進行融合,得到最終監測指標如下:

同理,所有子塊Q統計量的最終監測指標如下:

上式中融合后的統計量控制限為置信度1-α,兩融合指標都未超過該置信度時,表明生產過程處于正常狀態,否則認為過程發生異常,系統進行報警處理。

2 應用效果

2.1 實驗設計

2.1.1 數據采集與預處理本文采用某企業滾筒葉絲干燥生產歷史數據作為實驗數據,采樣間隔為10 s,共篩選出8個正常批次數據,包含19個有效變量。根據實踐經驗,以葉絲出口含水率為質量監測指標,選取12個變量作為過程狀態變量(見表1)。

表1 葉絲干燥段的過程變量Table 1 Process variables of cut tobacco drying section

從表1數據的均值和標準差可知,原始數據波動比較大,量綱差異也較大,為提高建模數據質量,對葉絲干燥原始數據進行預處理,步驟如下:

步驟1去除料頭和料尾段,保留中間穩定工況數據;

步驟2采用絕對中位差(MAD)方法剔除顯著離群點;

步驟3實際生產過程中,數據采集系統不可避免地包含隨機噪聲,用小波去噪方法對數據進行濾波;

步驟4由于滾筒葉絲干燥過程變量間的量綱差異較大,導致模型收斂速度變慢,建模之前需對數據作歸一化處理,使其縮放到相同的數據區間和范圍,以減少數據規模、特征、分布差異對模型的影響。歸一化處理方程如下:

其中,x代表該變量歸一化前的值,x′代表歸一化后的值,xmin、xmax分別代表該變量歸一化前的最小值和最大值。

2.1.2 烘絲機子塊劃分結果滾筒葉絲干燥過程中,葉絲經在線膨脹加溫加濕處理后,濕物料通過入料口進入滾筒,在滾筒的轉動下翻滾前進,一路蒸氣通過旋轉接頭進入滾筒抄板,起加熱葉絲的作用;另一路蒸氣進入熱風系統的熱交換器,熱空氣從前室進入滾筒內,與葉絲充分接觸,使葉絲均勻干燥,整個過程循環有序進行。由于干燥過程機理復雜,設備眾多,各操作單元既是獨立裝置,又彼此關聯互相影響,如何根據過程變量的不同特性將干燥系統劃分為一系列子塊是多塊建模首要解決的問題。

常見的分塊方法主要包括無監督聚類、互信息等[17-19],但這些方法基于數據特性,未考慮干燥過程機理,會導致分塊結果與實際工藝有差異,缺乏可解釋性。因此,本文基于實踐經驗,考慮到干燥過程是葉絲和膨脹干燥設備相互作用的結果,將整個葉絲干燥系統分為進出口物料子塊(子塊1,包含變量1、2、4、12)和膨脹干燥系統子塊(子塊2,包含變量3、5、6、7、8、9、10、11),以充分考慮兩個環節的局部信息。

2.1.3 實驗設計及模型參數的確定選取2021年6月份8個正常工況數據作為模型訓練集,數據預處理之后得到Xtrain(4442×12)。實驗測試環境如下:CPU為i5-6500;RAM為8.00 GB;Python版本為3.9,Pytorch-CPU版本為1.11.0,PCA采用Matlab軟件平臺。

離線建模時,將PCA、AE-PCA和本文提出的AE-MPCA過程監測模型作對比分析。其中PCA、AE-PCA采用T2和Q監測統計量,AE-MPCA采用BICT2和BICQ監測指標,其中置信度α均設置為0.99。PCA中最佳主元個數設置為6,AE-PCA的主元個數設置為3,AE-MPCA中子塊1和子塊2的主元個數分別設置為3和5。AE-PCA和AE-MPCA其余參數設置見表2,兩組測試數據中各算法的模型參數均保持一致。

表2 AE-PCA和AE-MPCA其余參數設置Table 2 Feature extraction parameters of AE-PCA and AE-MPCA

3 驗證實驗結果與分析

為驗證該方法的有效性,選取2021年4月24日一批包含918個樣本點的正常批次數據作為測試集,評估3種監測模型對正常工況的誤報率,實驗結果見表3。由表3可知,3種算法的誤報率都比較低,其中AE-MPCA算法的誤報率最低,說明本文提出的AE-MPCA算法更加可靠。

表3 正常批次誤報率Table 3 False alarm rate of normal batch %

為進一步驗證AE-MPCA算法的監測效果,選擇兩組實際異常工況應用于3種監測模型中,計算每個異常工況的報警率并繪制可視化監測圖用于對比分析。通過查詢該企業葉絲干燥生產歷史數據,兩個實際異常工況(如圖4圓圈內曲線所示)均為生產過程中發生含水率波動。

圖4 兩個實際異常工況案例Fig.4 Two cases of actual abnormal working conditions

案例1:2021年5月16日記錄的一批葉絲出口含水率處于異常波動狀態的數據,分析其原因是,在生產過程中,進入烘絲機的葉絲溫度逐漸升高,期間筒壁溫度下降,滾筒干燥能力減弱,導致該階段葉絲出口含水率升高,系統經過調控,至第84個采樣點恢復穩定生產。

案例2:2021年6月5日記錄的一批葉絲出口含水率有異常波動的數據,通過與專業人員交流,得知出現該變化的原因是,生產過程中,葉絲入口含水率未明顯變化,來自上一工序的葉絲出口溫度逐漸升高,期間筒壁溫度較低,葉絲溫度與滾筒內環境溫差變小,葉絲中水分蒸發緩慢,造成葉絲出口含水率升高,系統經過調控,至第60個采樣點逐漸恢復穩定。

3種方法異常FDR對比結果如表4所示。由表4可知,3種算法均能不同程度地檢測到兩批次數據的異常波動現象,而且從PCA到AE-PCA、AE-MPCA,異常數據報警率逐步提升。整體而言,AE-MPCA算法在兩個案例上都有最高的報警率。

表4 3種方法異常報警率FDR對比結果Table 4 Comparison results of anomaly detection rates FDR of three methods %

為了更直觀地顯示和對比3種方法的監測效果,提取了針對兩組測試案例的3種方法的過程監測圖,結果如圖5和圖6所示,圖中實線代表測試集的T2、Q統計量,紅色虛線代表0.99置信度的控制限,藍色和黑色實線代表測試集異常樣本點和正常樣本點,兩個統計量指標都在控制限內,表明生產過程處于正常狀態,否則認為過程發生異常,系統進行報警處理。

圖5 3種方法對案例1的過程監測圖Fig.5 Process monitoring plot of three methods for case 1

圖6 3種方法對案例2的過程監測圖Fig.6 Process monitoring plot of three methods for case 2

從圖5可以看出,傳統PCA方法的FDR僅為32.53%,只能檢測到過程初期的異常樣本點,不適用于強非線性干燥過程監測。AE-PCA方法FDR達到77.38%,可以在前65個樣本點內進行持續報警,這表明引入AE網絡能夠有效提取干燥過程的非線性特征。在采用MPCA后,報警可持續到第76個樣本點,FDR進一步提升,達到91.67%,這表明采用MPCA策略能夠進一步提取干燥過程中的局部特征信息,并且采用貝葉斯融合后的BIC統計量,可顯著提升整體監測性能。

同理,從圖6可以看出,案例2中傳統PCA方法的FDR為91.07%,AE-PCA的FDR為92.86%,已經實現了比較大范圍的異常報警,但是AE-MPCA方法將FDR進一步提升到98.21%,對異常工況后期也做到了準確報警。

上述驗證結果表明,相比傳統PCA和AE-PCA檢測方法,本文算法能準確揭示并表征干燥過程的整體運行狀態及局部特征信息,提高對滾筒葉絲干燥生產過程的異常檢測精度,實現對質量異常情況的準確報警。

4 結論

本文提出了一種基于AE特征提取和PCA的多塊監測方法(AE-MPCA)。該算法首先根據滾筒葉絲干燥原理將過程變量分成進出口物料和膨脹干燥系統兩個子塊,然后對每個子塊使用AE網絡深入挖掘數據特征,每個子塊建立PCA模型之后,利用貝葉斯推理融合兩個子塊的監測結果得到整體的監測指標,使檢測結果更為直觀、準確。在兩組實際工業異常工況案例中,AE-MPCA算法的FDR分別為91.67%和98.21%,相比PCA和AE-PCA方法檢測效果更佳,有助于及時發現生產過程中的異?，F象,在卷煙企業過程監測精準檢測方面具有潛在的應用價值。未來工作中,將重點研究慢特征分析等動態過程監測方法,以進一步提升烘絲過程煙絲出口含水率的平穩性。