基于FRI-FCM的工业过程模糊监控

王　蕊　李宏光

(北京化工大学信息科学与技术学院，北京　100029)



基于FRI-FCM的工业过程模糊监控

王蕊李宏光

(北京化工大学信息科学与技术学院，北京100029)

摘要：模糊监控是对传统的工业过程图表监控方式的一类改进策略。通过对复杂工业过程监控方法的研究，针对复杂工业过程非线性、关联度强的数据特性，给出了一种基于FRI-FCM算法的工业过程模糊监控方法，建立了简化的分类产生式规则的模糊知识表达方法。采用基于模糊匹配度的监控推理，实现了对工业过程异常状态的预测。试验结果验证了所提方法的有效性。

关键词：模糊监控器FRI-FCM分类产生式规则过程监控模糊推理模糊匹配DMF回收过程智能化

0引言

过程监控是工业生产稳定性、安全性的保障，也是改善产品质量、提高经济效益的重要途径[1]。目前，工业过程大多采用基于计算机的图表监控方式，而随着过程监控要求的提高以及智能化技术的发展，模糊监控器越来越受到关注。Mamboundou[2]将模糊监控器与模型预测控制方法结合，实现预测参数的在线调整；Jamshidi等人[3]应用模糊监控器实现了连续线性定常奇异摄动系统的混合控制。另外，模糊监控器作为一种有效的优化策略，被广泛应用于电力系统中，如Svalina[4]采用模糊监控器消除因风速变化引起的有效功率的波动；Krichen[5]运用模糊监控器实现有效功率与定子电压间差异最小化；Breban[6]采用模糊监控器最小化直流电压、降低消耗功率来提高系统的效率。此外，模糊监控器还被应用于医学领域，如血糖控制[7-8]等。

然而，目前模糊监控器大多依赖模糊规则实现模糊决策的功能[7-17]，监控参数少、规则少、决策过程简单。FRI-FCM是一种融合了模糊推理规则和模糊认知图的综合推理算法，它通过对数据的充分利用，避免了由于数据量增加而造成的规则失效问题，可用于较大规模数据的分类问题[12]。为此，本文提出应用FRI-FCM算法对工业过程进行模糊监控的方法，将简化的分类产生式规则方法用于决策知识的模糊表达，给出了一种基于模糊匹配的模糊推理方法，实现对工业过程异常状态的预测。

1基于FRI-FCM的模糊推理方法

模糊认知图(fuzzycognitivemap，FCM)是由模糊概念节点和联结模糊概念节点的有向边组成的模糊有向图。概念节点间的因果关系用权重表示，其取值范围为[-1，1]。令FCM的概念节点为C1,C2,…,Ci,…,Cn,设有向边权重ei,j∈[-1,1]，矩阵E=(ei,j)为FCM的邻接矩阵或关联矩阵，ei,j为概念节点Ci、Cj之间的权重，依据邻接矩阵E和初始状态向量C=[C1(t),C2(t),…,Cn(t)]1×n，通过公式C(t+1)=f[c(t)×E]进行迭代推理。

传统的模糊认知图在进行推理时要邻接矩阵，即概念节点间有明确的因果关系，然而对于工业数据，明确参数间的因果关系并不容易。为弥补传统FCM对处理这类问题的不足，采用FRI-FCM方法，将传统FCM推理过程转换成模糊“If-Then”规则推理，使其处理工业过程问题更具可靠性，推理过程更易于理解。FRI-FCM的结构如图1所示，它由五层结构组成，分别为输入层、前件层、规则层、结论层和输出层。

图1　FRI-FCM结构图Fig.1　Structure of FRI-FCM

1.1输入层

1.2前件层

(1)

1.3规则层

合理的规则表达方法是有效推理的前提，这里可以采用简化的分类产生式规则的知识表达方法。依据规则前件对规则结论的影响程度，将条件划分为强烈(SD)、重要(IMP)、辅助(AUX)三种，并将模糊规则进行相应分类 。三种条件和规则的定义如表1所示。

表1　简化的分类产生式规则Tab.1　Simplified classification production rules

简化的分类产生式规则的一般形式定义为：

Rule：If (RuType,CondList)，

Then (ConClu) withα

RuType表示规则类型，分为强烈(SD)、重要(IMP)、辅助(AUX)三种，用字母代码表示；CondList表示规则条件，用and或or来表示多个规则前件的逻辑关系；ConClu表示规则结论；α∈[0,1]为规则阈值，可由历史数据统计得到或由专家决定。如规则：

Rule：If(IMP,[FI-110:Z,PB,suddenly])，

Then(LI-104:Z,NS,gradually) with 0.7。

规则层中每个概念节点Ri表示一条“If-Then”规则。以对称三角形隶属函数为例，隶属函数可以用三个特征值表征，即Aij=(ZAij,hAij，CAij),ZAij为对称三角形隶属函数的边界值，hAij为隶属度为0.5对称三角形隶属函数的宽度，CAij为转折点处的值。依据模糊规则进行匹配度计算时，首先要自定义时间程度区间，通过式(2)来计算跟踪时间内的状态随时间的变化程度S(x,t)。

(2)

然后在采样t时刻和最大跟踪T时刻，用式(3)分别计算规则相似度，m为规则前件总数。

(3)

最后用式(4)计算跟踪时间内所有相似度的算数平均值为最终匹配度。当匹配度大于α时，规则被激活。

(4)

匹配度β说明满足规则的程度，0≤β≤1。β的值越接近于1，说明满足规则的程度越大。

1.4结论层

(5)

1.5输出层

在输出层，将所启用的规则按照规则分类，以SD>IMP>AUX的优先级顺序处理。当规则之间发生矛盾时，以优先级高的规则结论为主。

2工业过程模糊监控

工业过程监控系统主要包括三个功能模块：①数据通信模块完成与主站之间的数据通信；②数据分析处理模块提供监控数据给人机界面，从而实现对下位运行情况的在线监测；③数据上传和发布模块负责将监测数据通过局域网进行上传，同时还具备事故处理能力。工业过程监控系统的网络结构包括底层的控制网络和上层的操作网络，底层控制网络是工业控制的主要部分；上层操作网络主要是给人机界面提供监控的数据，用户除了可以通过人机界面查询、浏览工业动态数据，还可以实现工业现场各仪表参数、泵、阀开关的处理。

基于FRI-FCM的模糊监控就是根据最大跟踪时间内监控参数的状态信息，筛选出符合条件的预测方案，主要步骤如下。

①设定最大跟踪时间tmax，它是指在保证系统安全运行条件下，能够反映监控参数状态变化趋势的理论最小时间。分别在t0时刻与tmax时刻采集监控参数状态量(X,T)=[(x1,t0),(x2,t0),…,(xn,t0)]与(X,T)= [(x1,tmax),(x2,tmax),…,(xn,tmax)]作为输入，由FRI-FCM的输入层向前件层传递，n为监控参数的总数。

②监控参数模糊化，并计算时间程度S(x,t)。将采集的监控参数运行状态量(X,T)应用四元结构(P：Q1，Q2，t)进行模糊化，其中P为监控参数，Qi∈Parameter_Value_Set(i)，i=1，2。

③筛选预测方案。每个预测方案代表一条模糊规则，监控参数模糊化后，计算每一条规则的模糊匹配度。如果匹配度大于等于规则阈值，则此规则被激活，即该条规则通过筛选。

④判断是否有规则被激活。若没有，则重复步骤②和步骤③，计算下一时刻ti=ti+1的匹配度，直至规则被激活；否则，重复步骤③，将激活规则结论传递到前件层继续进行匹配。

⑤判断是否仍有匹配规则，若有，则重复步骤④；否则，输出预测结果。当被监控的工业过程运行状态发生较大变化或超出允许范围的参数波动时，监控系统输出相应测量结果。基于FR1-FCM的模糊监控推理流程如图2所示。

图2　基于FRI-FCM的模糊监控推理流程图Fig.2　Flowchart of fuzzy monitoring inference based on FRI-FCM

3应用实例

3.1DMF回收过程监控

DMF回收过程[14-15]监控系统如图3所示,其人机监控界面包括6个部分：①系统总貌监控统一查看系统中所有监测变量；②工艺流程监控对DMF回收过程进行查看；③实时趋势视图主要对相关数据变量进行实时趋势查看；④历史趋势图主要对相关数据变量进行历史趋势查看；⑤报警监视主要包括实时报警和历史报警，当有报警出现时，实时报警进行声光报警信息提醒，历史报警主要提供报警信息的结构化查看和报警消除功能；⑥数据报表视图主要实现实时数据的分类记录和历史数据信息的查询、打印等。

3.2模糊监控

以DMF回收过程精馏塔为例，其关键监控参数包括塔顶温度TI-102h、塔顶压力PI-102a、塔顶回流

量FI-103、进料量、导热油流量FI-110、塔釜压力PI-102b、塔釜液位LI-104和塔釜温度TI-102a。

图3　DMF回收过程监控系统示意图Fig.3　The monitoring system of DMF recovery processes

①数据采集DMF回收精馏塔数据如表2所示。

表2　DMF回收精馏塔数据Tab.2　Data of the DMF recovery and rectification column

②数据模糊化：按照参数性质的不同，表2中的参数分为{TI-102a,TI-102g,PI-102b}和{FI-110,FI-103,LI-104,PI-102a}两类。参数TI-102a、TI-102g、PI-102b采用对称梯形的隶属函数，其模糊值划分为Parameter_Value_Set2={NS,Z,PB}；参数FI-110、FI-103、LI-104、PI-102a采用对称梯形的隶属函数，其模糊值划分为Parameter_Value_Set1={NB,NS,Z,PS,PB}。

③建立模糊规则：模糊规则基于操作专家的先验知识获得，表3给出了精馏塔的部分模糊监控规则。

表3　模糊监控规则表Tab.3　Rules of the fuzzy monitoring

④建立FRI-FCM：将每条规则的前件与结论的关联关系建立FRI-FCM，如图4所示。

图4　模糊监控规则FRI-FCM示意图Fig.4　The FRI-FCM of fuzzy monitoring rules

⑤模糊推理：对模糊化的参数值与规则库中的规则进行匹配。由表2可知，在2008/4/18/1:03时刻，导热油流量FI-110开始快速上升，其他参数相对稳定，FI-110模糊化的结果为(FI-110:Z,PB,suddenly)。基于此模糊化结果，按上述推理过程计算每条规则的匹配度，有两条规则满足阈值要求，其相应的模糊匹配度依次为0.75、0.68。激活规则如下。

Rule1:If(SD,FI-110:Z,PB,suddenly)，

Then(TI-102a:Z,PB,suddenly)with0.7

Rule2:If(IMP，(TI-102a:Z,PB,suddenly))，Then(PI-102b:Z,PB,suddenly)

and(LI104:Z,NB,suddenly)with0.65

这两条规则给出的预测结果为：导热油流量FI-110快速上升会导致塔板温度TI-102a快速升高，从而引起塔釜液位LI104较快的下降以及塔釜压力PI-102b快速升高。与表2变化对比可知，预测结果准确。

4结束语

本文基于FRI-FCM算法，实现了对工业过程状态的模糊监控，并依据工业数据的特点提出简化的分类产生式规则知识表达方法，给出了合理的推理过程；将专家对于时间的感知加入到模糊规则中，较好地弥补了静态数据分析在动态过程控制方面存在的不足。此方法不需要复杂数据的计算过程。工业实例验证表明，此方法易于实现，能够为操作人员提供准确的参考意见。

然而，对于生产过程参数模式变化的情况，由于其数据量、数据区间以及生产要求都有所不同，监控参数模糊区间的划分也要作相应改变，后续的研究工作将关注实现FRI-FCM算法的在线学习，从而实现根据工艺要求在线调整模糊区间划分的目的。

参考文献：

[1]DVORAKD,KUIPERSB.Model-BasedMonitoringofDynamicSystems[C]//IJCAI,1989: 1238-1243.

[2]MAMBOUNDOUJ,LANGLOISN.Indirectadaptivemodelpredictivecontrolsupervisedbyfuzzylogic[C]//FuzzySystems,2011IEEEInternationalConferenceon,IEEE,2011: 2979-2986.

[3]JAMSHIDIF,FAKHARIANA,BEHESHTIMTH.Fuzzysupervisorapproachonlogic-basedswitchingH2/H∞ [J].ProceedingsoftheInstitutionofMechanicalEngineers,PartI:JournalofSystemsandControlEngineering,2010,224(1): 11-19.

[4]SVALINAI,GALIZINAV,LUJICR,etal.Anadaptivenetwork-basedfuzzyinferencesystem(ANFIS)fortheforecasting:Thecaseofclosepriceindices[J].ExpertSystemswithApplications,2013,40(15): 6055-6063.

[5]KRICHENL,FRANCOISB,OUALIA.Afuzzylogicsupervisorforactiveandreactivepowercontrolofafixedspeedwindenergyconversionsystem[J].ElectricPowerSystemsResearch,2008,78(3):418-424.

[6]BREBANS,SAUDEMONTC,VIEILLARDS,etal.Experimentaldesignandgeneticalgorithmoptimizationofafuzzy-logicsupervisorforembeddedelectricalpowersystems[J].MathematicsandComputersinSimulation,2013(91): 91-107.

[7]GEZ,SONGZ,GAOF.Reviewofrecentresearchondata-basedprocessmonitoring[J].Industrial&EngineeringChemistryResearch,2013,52(10): 3543-3562.

[8]LIUSW,HUANGHP,LINCH,etal.Fuzzy-logic-basedsupervisorofinsulinbolusdeliveryforpatientswithtype1diabetesmellitus[J].Industrial&EngineeringChemistryResearch,2013,52(4): 1678-1690.

[9]MENGD,PEIZ.Extractinglinguisticrulesfromdatasetsusingfuzzylogicandgeneticalgorithms[J].Neurocomputing,2012,78(1): 48-54.

[10]PAPAGEORGIOUEI,MARKINOSAT,GEMTOSTA.Fuzzycognitivemapbasedapproachforpredictingyieldincottoncropproductionasabasisfordecisionsupportsysteminprecisionagricultureapplication[J].AppliedSoftComputing,2011,11(4): 3643-3657.

[11]MENDONCAM,ANGELICOB,ARRUDALVR,etal.Adynamicfuzzycognitivemapappliedtochemicalprocesssupervision[J].EngineeringApplicationsofArtificialIntelligence,2013,26(4): 1199-1210.

[12]SONGHJ,MIAOCY,WUYTSR,etal.Anextensiontofuzzycognitivemapsforclassificationandprediction[J].FuzzySystems,IEEETransactionson,2011,19(1): 116-135.

[13]CHENSM,HSINWC,YANGSW,etal.Fuzzyinterpolativereasoningforsparsefuzzyrule-basedsystemsbasedontheslopesoffuzzysets[J].ExpertSystemswithApplications,2012,39(15): 11961-11969.

[14]李宏光，王睿，杨滁光.DMF回收精馏塔温度专家递阶协调控制系统[J].仪器仪表学报，2009，30(6)：143-147.

[15]辛晓乐，李宏光.DMF回收过程专家区域协调控制系统设计[J].化工学报，2008，59(7)：1854-1858.

[16]王华强，顾曼曼.DMF回收温度监测通信方案的设计[J].安徽大学学报(自然科学版)，2012，36(6)：44-50.

[17]敖俊卿,刘向杰.负荷频率系统的LFC模糊监控器设计[J].广东输电与变电技术,2008(5):14-16.

中图分类号：TH7;TP273+.4

文献标志码：A

DOI:10.16086/j.cnki.issn1000-0380.201607005

FRI-FCMBasedFuzzyMonitoringMethodforIndustrialProcesses

Abstract：Fuzzy supervisory approaches are recognized as the improvement of traditional diagram supervisory systems for industrial processes.Taking advantage of the studies on process monitoring methodologies for complex industrial processes,a fuzzy supervisory approach for industrial processes based on a FRI-FCM algorithm is presented to deal with the nonlinear and highly correlated process data.By building the fuzzy representation of simplified classifying production rules and using fuzzy reasoning based on fuzzy matching degrees,the implemented system is able to predicate the abnormality of industrial processes.Furthermore,an engineering instance is employed to verify the effectiveness of the contribution.

Keywords:Fuzzy supervisory systemsFRI-FCMClassifying production rulesIndustrial process monitoringFuzzy inferenceFuzzy matchingDMF recovery processesIntelligent

中央高校基本科研业务费专项基金资助项目(编号：YS1404)。

修改稿收到日期：2015-06-11。

第一作者王蕊(1989—)，女，现为北京化工大学控制工程专业在读硕士研究生；主要从事模糊监控方向的研究。