赵启东等：基于支持向量数据描述方法的生产过程监控、诊断与优化 ·1797· 0.10 in continuous casting.J Unir Sci Technol Beijing,2008,30(1): 0 (杨尚玉，王旭东，姚曼，等.改进的主元分析法在连铸结品 器过程监测中的应用.北京科技大学学报，2008,30(1)： 80) B]Tax D M J,Duin R P W.Support vector domain description Pattern Recognit Lett,1999,20(11):1191 4]Tax DM J,Duin R P W.Support vector data description.Mach Leam,2004,54(1):45 一R控制限 [5]Tang M Z,Wang Y B,Yang C H.Modified support vector data 鲁受控样本点 description for fault diagnosis.Control Decis,2011,26(7):967 10 2030405060 (唐明珠，王岳斌，阳春华.一种改进的支持向量数据描述故 样本点序号 障诊断方法.控制与决策，2011,26(7)：967) 图8优化后的监控图 [6] Khazai S,Safari A,Mojaradi B,et al.Improving the SVDD ap- Fig.8 Optimized monitoring chart proach to hyperspectral image classification.IEEE Geosci Remote Sens Lett,2012,9(4):594 通过表3可以发现，优化后各变量的值均在正常 ] Yousef A,Charkari N M.A novel method based on physicochemi- 范围内.通过上述优化方法可以及时将异常生产过程 cal properties of amino acids and one class classificationalgorithm 调整为受控状态，尤其是在新品种的开发过程中，可以 for disease gene identification.J Biomed Inf,2015,56:300 有效指导工艺控制参数与来料参数之间的正确匹配. SukchotratT,Kim S B,Tsung F.One-class classification-based control charts for multivariate process monitoring.IIE Trans, 3结论 2009,42(2):107 (1)提出基于虚警率为优化目标的模型参数优化 Na S G,Yang I B,Heo H.Abnormality detection via SVDD tech- 方法，可以根据数据内在的结构特点获得模型参数，无 nique of motor-generator system in HEV.Int J Automot Technol, 2014,15(4):637 需引入复杂的优化算法，可以实现监控模型的实时在 [10]Jiang Q C,Yan X F.Just-in-time reorganized PCA integrated 线调整 with SVDD for chemical process monitoring.AIChE,2014,60 (2)提出基于贡献图的异常点诊断和基于邻近点 (3):949 替换的工艺参数优化方法，可以实现对生产过程的监 01] Shen FF,Song Z H,Zhou L.Improved PCA-SVDD based mo- 控、诊断与优化，为实际生产过程提供更有效的指导. nitoring method for nonlinear process//201325th Chinese Con- (3)将SVDD方法应用于热轧薄板的产品质量监 trol and Decision Conference (CCDC).IEEE,2013:4330 [12]Chen M C.Hsu CC,Malhotra B,et al.An efficient ICA-DW- 控中，与传统的监控方法P2相比，SVDD具有更高的 SVDD fault detection and diagnosis method for non-Gaussian 检出率，能更加准确地监控生产过程的异常状态 processes.Int Prod Res,2016,54(17):1 (4)随着样本的实时在线更新，SVDD算法的计 [13]Jiang Q C,Yan X F,Lv Z M,et al.Independent component 算复杂度也会逐渐提高，难以满足工业现场实时高效 analysis-based non-Gaussian process monitoring with preselecting 的监控需求.因此，针对海量数据，如何提高SVDD算 optimal components and support vector data description.Int J 法的计算效率，以实现生产过程的监控、诊断与优化， Prod Res,2014,52(11):3273 n4] 是下一步需要深入研究的内容 Zhao F,Zhang J Y,Liu J.An optimizing kemel algorithm for improving the performance of support vector domain description 参考文献 Acta Autom Sin,2008,34(9):1122 (赵峰，张军英，刘敬.一种改善支撑向量域描述性能的核 Liang H.Tong C N.Online data-driven modeling for strip thick- 优化算法.自动化学报，2008,34(9)：1122) ness based on subtractive clustering.J Unir Sci Technol Beijing, [15]Zhang J M,Xu X Z,Xie L,et al.Performance optimization of 2012,34(11):1338 SVDD and its application in non-Gaussian process monitoring. (梁辉，童朝南.基于减法聚类的带钢厚度数据驱动建模。北 Chem Ind Eng China,2010,61 (8):2072 京科技大学学报，2012,34(11)：1338) (张建明，许仙珍，谢磊，等.支持向量数据描述性能优化及 Yang S Y,Wang X D.Yao M,et al.Application of improved 其在非高斯过程监控中的应用.化工学报，2010,61(8)： principal component analysis method to mould process monitoring 2072赵启东等: 基于支持向量数据描述方法的生产过程监控、诊断与优化 图 8 优化后的监控图 Fig． 8 Optimized monitoring chart 通过表 3 可以发现，优化后各变量的值均在正常 范围内． 通过上述优化方法可以及时将异常生产过程 调整为受控状态，尤其是在新品种的开发过程中，可以 有效指导工艺控制参数与来料参数之间的正确匹配． 3 结论 ( 1) 提出基于虚警率为优化目标的模型参数优化 方法，可以根据数据内在的结构特点获得模型参数，无 需引入复杂的优化算法，可以实现监控模型的实时在 线调整． ( 2) 提出基于贡献图的异常点诊断和基于邻近点 替换的工艺参数优化方法，可以实现对生产过程的监 控、诊断与优化，为实际生产过程提供更有效的指导． ( 3) 将 SVDD 方法应用于热轧薄板的产品质量监 控中，与传统的监控方法 T2 PCA 相比，SVDD 具有更高的 检出率，能更加准确地监控生产过程的异常状态． ( 4) 随着样本的实时在线更新，SVDD 算法的计 算复杂度也会逐渐提高，难以满足工业现场实时高效 的监控需求． 因此，针对海量数据，如何提高 SVDD 算 法的计算效率，以实现生产过程的监控、诊断与优化， 是下一步需要深入研究的内容． 参 考 文 献 ［1］ Liang H，Tong C N． Online data-driven modeling for strip thick￾ness based on subtractive clustering． J Univ Sci Technol Beijing， 2012，34( 11) : 1338 ( 梁辉，童朝南． 基于减法聚类的带钢厚度数据驱动建模． 北 京科技大学学报，2012，34( 11) : 1338) ［2］ Yang S Y，Wang X D，Yao M，et al． Application of improved principal component analysis method to mould process monitoring in continuous casting． J Univ Sci Technol Beijing，2008，30( 1) : 80 ( 杨尚玉，王旭东，姚曼，等． 改进的主元分析法在连铸结晶 器过程监测中的应用． 北京科技大学学报，2008，30 ( 1 ) : 80) ［3］ Tax D M J，Duin Ｒ P W． Support vector domain description． Pattern Ｒecognit Lett，1999，20( 11) : 1191 ［4］ Tax D M J，Duin Ｒ P W． Support vector data description． Mach Learn，2004，54( 1) : 45 ［5］ Tang M Z，Wang Y B，Yang C H． Modified support vector data description for fault diagnosis． Control Decis，2011，26( 7) : 967 ( 唐明珠，王岳斌，阳春华． 一种改进的支持向量数据描述故 障诊断方法． 控制与决策，2011，26( 7) : 967) ［6］ Khazai S，Safari A，Mojaradi B，et al． Improving the SVDD ap￾proach to hyperspectral image classification． IEEE Geosci Ｒemote Sens Lett，2012，9( 4) : 594 ［7］ Yousef A，Charkari N M． A novel method based on physicochemi￾cal properties of amino acids and one class classificationalgorithm for disease gene identification． J Biomed Inf，2015，56: 300 ［8］ Sukchotrat T，Kim S B，Tsung F． One-class classification-based control charts for multivariate process monitoring． IIE Trans， 2009，42( 2) : 107 ［9］ Na S G，Yang I B，Heo H． Abnormality detection via SVDD tech￾nique of motor-generator system in HEV． Int J Automot Technol， 2014，15( 4) : 637 ［10］ Jiang Q C，Yan X F． Just-in-time reorganized PCA integrated with SVDD for chemical process monitoring． AIChE J，2014，60 ( 3) : 949 ［11］ Shen F F，Song Z H，Zhou L． Improved PCA-SVDD based mo￾nitoring method for nonlinear process / / 2013 25th Chinese Con￾trol and Decision Conference ( CCDC) ． IEEE，2013: 4330 ［12］ Chen M C，Hsu C C，Malhotra B，et al． An efficient ICA-DW￾SVDD fault detection and diagnosis method for non-Gaussian processes． Int J Prod Ｒes，2016，54( 17) : 1 ［13］ Jiang Q C，Yan X F，Lv Z M，et al． Independent component analysis-based non-Gaussian process monitoring with preselecting optimal components and support vector data description． Int J Prod Ｒes，2014，52( 11) : 3273 ［14］ Zhao F，Zhang J Y，Liu J． An optimizing kernel algorithm for improving the performance of support vector domain description． Acta Autom Sin，2008，34( 9) : 1122 ( 赵峰，张军英，刘敬． 一种改善支撑向量域描述性能的核 优化算法． 自动化学报，2008，34( 9) : 1122) ［15］ Zhang J M，Xu X Z，Xie L，et al． Performance optimization of SVDD and its application in non-Gaussian process monitoring． J Chem Ind Eng China，2010，61( 8) : 2072 ( 张建明，许仙珍，谢磊，等． 支持向量数据描述性能优化及 其在非高斯过程监控中的应用． 化工学报，2010，61 ( 8) : 2072 ·1797·