基于Bagging深度残差主成分分析的工业过程集成监控方法研究

本文提出了一种创新的Bagging深度残差主成分分析（DRPCA）集成学习方法，通过设计特征枢纽（feature hub）和监控枢纽（monitoring hub），将传统监控统计量转化为后验故障概率，有效解决了深度学习模型在工业过程监控中计算复杂、参数调试困难的问题。该方法在田纳西伊斯曼（Tennessee Eastman）基准流程上的案例验证表明，其显著提升了过程监控的可行性与效率。

章节精选

深度残差PCA模型结构

本节简要介绍深度残差主成分分析（DRPCA）的核心思想与模型架构。假设建模数据集为X ∈ R^n×m，其中n代表训练样本数量，m是每个数据样本的维度。在DRPCA模型的第一层，会执行一次初始的主成分分析（PCA）分解，其表达式如下（Zheng et al., 2024）：

X = T⁽¹⁾P^(1)T + E⁽¹⁾

这里，T⁽¹⁾ = [t₁⁽¹⁾, t₂⁽¹⁾, t₃⁽¹⁾, ⋯, t_k1⁽¹⁾] 是主成分矩阵，k₁ 则是该层所保留的主成分数量。

用于集成过程监控的Bagging DRPCA模型

本节将详细阐述Bagging DRPCA模型的方法论与结构，并在此基础上，完整设计一套在线集成过程监控方案。

TE基准案例研究

作为基准测试平台，田纳西伊斯曼（TE）过程已被广泛应用于各类工业应用的算法测试与性能评估，例如工业建模、过程监控、故障诊断、系统控制等（Downs and Vogel, 1993, Chiang et al., 2001）。该过程的主要流程图如图3所示，包含五个主要单元：一个反应器、一个冷凝器、一个压缩机、一个分离器以及一个汽提塔（Downs and Vogel, 1993）。

结论

本文开发了一种Bagging形式的深度残差PCA模型，用于工业过程的集成监控。尽管在实践中结合深度学习与集成学习模型通常因计算负担、模型复杂性、标记样本可用性等限制而难以实现，但新近发展的深度残差PCA模型已成功融入集成学习框架。通过利用特征枢纽（feature hub）和监控枢纽（monitoring hub）的设计，该方法有效提升了监控性能与效率。