中南大学桂卫华院士团队研究成果 | mdpi machines—论文—科学网-米乐m6棋牌官网

论文标题：a process monitoring method based on dynamic autoregressive latent variable model and its application in the sintering process of ternary cathode materials

期刊：

作者：weihua gui et al.

发表时间：7 october 2021

doi：

微信链接：

期刊链接：

文章导读

基于数据驱动的过程监测技术已经成为确保生产安全和提升产品品质的重要手段之一。然而，当前学者提出来的大多过程监测方法仅适用于静态生产过程，研发动态和时延过程监测技术仍是一项具有挑战性的任务。如何准确地监测工业过程的状态，使系统能及时调整以适应生产过程令人深思。

来自中南大学的桂卫华院士及其团队 (陈宁、胡福海、陈嘉瑶、陈志文、李旭) 在期刊发表的文章中，提出了一种新颖且通用，基于数据驱动的过程监测方法来监测具有动态和时延的工业过程状态。通过提出的动态自回归隐变量模型对复杂的过程数据进行建模，利用历史数据结合参数辨识算法辨识模型参数。然后，在线对数据进行滤波得到的隐空间分布，该分布包含了当前时刻关键状态信息，因此构建统计量t2便能够很容易监测当前状态。作者们还建议推广线性模型到非线性，以适应非线性工业过程的监测。

研究过程与结果

在这项研究中，作者们提出了动态自回归隐变量模型 (dalm)。为了提取过程的动态和时滞信息，将信息的传播路径通过隐变量传递，前面若干时刻对当前时刻的影响通过负载矩阵传递到当前时刻。如图1所示，过程变量、质量变量和隐变量之间的信息传递关系通过箭头标注。这种信息传输机制可以有效提取过程动态和时滞信息，从而将过程状态直接反映到隐变量，方便准确监测过程的状态。

图1. 动态自回归隐变量模型的概率图模型。

作者根据数据特征提出对应的关系图数学模型，结合改进的em算法对模型进行训练，使得训练后的模型可以对正常的工业过程进行描述。相比于传统的线性动态系统模型，该模型考虑更多的状态转换关系，也被称为“高阶马尔科夫传递过程”。该过程虽然能够反映更加复杂的数据关系，但使得普通的em算法难以辨识参数。因此，作者们从数据角度，采用一种融合贝叶斯滤波、平滑和期望最大化算法辨识模型参数。该方法能够保证模型参数收敛的同时，还从统计学角度解释隐空间的分布信息。通过dalm模型能够准确提取过程状态特性到隐空间中。为了准确监测正常状态和异常状态，对当前时刻数据滤波后的隐空间构造t2统计量，从而实现实时监测过程状态。图2描述了从建模到监测的整个流程。

图2. 基于dalm故障检测的流程图。

图3. 电池烧结炉结构图。

图3描述了典型的动态和时延工业过程—三元正极材料烧结过程。为了验证模型的监测效果，作者收集了该过程常见的3类错误数据集，并比较了常见的几种过程监测方法对该类错误的监测效果。得到的结果如表1所示，相对于静态和动态监测方法，作者提出的监测方法能够在不同的故障集下得到更好的结果。

表1. 对三种方法在不同故障情况下的far和fdr进行了比较。

本文提出的基于动态自回归隐变量模型的过程监测方法能够适用于复杂工业制造过程中状态的监测，将复杂的状态信息投影到易于监测的特征——隐变量，极大地提高该方法在复杂过程的监测性能。该方法适用于数字化生产过程，可在目前高质量工业环境中实现有效的监测，为智能决策提供先验条件。

原文出自期刊

chen, n.; hu, f.; chen, j.; chen, z.; gui, w.; li, x. a process monitoring method based on dynamic autoregressive latent variable model and its application in the sintering process of ternary cathode materials. machines 2021, 9, 229.

期刊简介

主编：antonio j. marques cardoso

主要刊发机器诊断和预测、机器设计，机械系统、机器和相关组件，机械工业、机电一体化、机器人、工业设计、自动化应用、系统和控制工程、电子工程、人机界面、机器视觉、涡轮机械等领域的最新学术成果。

2020 impact factor: 2.428

2020 citescore: 4.5

time to first decision: 13.1 days

time to publication: 37 days