摘要
现代工业过程具有强动态性和非线性特征,这对数据驱动的过程监测提出了重大挑战。现有轻量级深度模型(LDMs)虽然减轻了深度神经网络的"黑箱"问题,但继承了其底层单层统计分解的维度困境。此外,常用于引入时间信息的时滞平移方法进一步加剧了维度冗余和多重共线性问题。为解决这些问题,本文提出了一种用于非线性动态过程监测的深度残差时序独立变量分析(DR-TIVA)网络。我们开发了一个时序独立变量分析(TIVA)模块,将独立变量分析中的联合空间思想从过程—KPI建模迁移到实时—历史建模中,并显式地将时序公共分量、实时特有分量和历史特有分量的独立分量分离出来。随后设计了一种具有非对称残差处理的深度残差堆叠架构,其中仅对实时残差施加非线性激活以丰富后续层的表示能力,同时将历史残差保留在其原始空间中,从而使得逐层预测可以直接在原始输出空间中累积,并且深度模型保留了潜在变量建模的统计可解释性。该方法在一个非线性动态数值算例和多相流装置(MFF)过程上进行了验证。实验结果分析了不同激活函数对实验性能的影响,同时也验证了所提方法在检测非线性数据中的动态关系方面具有显著优势,并且对MFF过程中的段塞流故障更加敏感。
同行评审
为增强透明度,本文相关的同行评审文件可在 https://doi.org/10.1002/cjce.70612 上查阅。
数据可用性声明
支持本研究发现的数据可向通讯作者申请获取。由于隐私或伦理限制,数据不对外公开。


