答辩陈述在线视频

下边我代表学术分委员会

来宣读一下答辩委员会的名单

杨耕教授清华大学自动化系

罗予频教授清华大学自动化系

钟麦英教授北京航空航天大学

仪器科学与光电工程学院

金新民教授

北京交通大学电气学院

秘书是赵世敏高级工程师

我是叶昊担任答辩委员会的主席

下边我们的答辩就正式开始

首先请秘书介绍一下学生的情况

江奔奔 男 1987年2月出生

汉族 中共党员 原籍浙江省台州市

2010年毕业于

浙江大学控制科学与工程系

获工学学士学位

2010年9月免试推荐

进入清华大学自动化系

控制科学与工程学科

本科直博

在学期间

取得学位科总学分是38分

满足直博生培养方案要求的

总学分29分的要求

课程成绩如下

研究生新生综合素质训练

通过基础范含分析92

自然辩证法88自由控制93

非线性系统理论90

化工系统优化与综合78

鲁棒控制89

英文科技论文写作与学术报告通过

模式识别76

系统辨识理论与实践83

综合自动化理论与方法92

系统与控制理论中的线性代数83

博士生英语74

文献综述与选题报告92

资格考试92社会实践通过

学术活动与学术报告通过

现代科学技术革命

与马克思主义86

研究生体育通过

博士生阶段

发表的学术论文有9篇

其中SCI期刊论文7篇

EI国际会议文章两篇

好

下边就是

请江奔奔来介绍工作情况

不要超过45分钟

好的

下午好

非常感谢各位老师在百忙之中

指导我的博士答辩

我叫江奔奔

是自动化系2010级博士研究生

导师是黄德先研究员

我的研究题目

是基于数据驱动技术

及因果分析的

工业过程监控方法

今天我将分以下四点进行讲述

首先是背景与意义

其次是目标与内容

接着是主要工作总结

最后是学术与成果

首先介绍背景与意义

1997年北京东方化工厂

发生乙烯装置爆炸

导致经济损失达10亿元

另外2000年

罗马尼亚一家黄金制品厂的

废品炉发生故障

导致河内所有生物在

极短时间内死亡

造成了欧洲特大环境灾难

另外2005年吉林市的中石油

石化公司双苯厂连续发生爆炸

造成特大环境污染

经济损失无法估量

另外据资料显示

运用故障监控技术

能使每年的维修费用

减少25%到50%

故障停机时间减少75%

另外由于工业过程

是实时变化的

过程数据表现出强动态特性

与安全相关的数据

对快速型要求较高

例如一个异常状态

可能在一秒之内报警数十次

需要以最快的速度

予以正确响应

因此如果能够既快速

又准确的进行故障监控

那么能使现场操作人员

更有效得出里过程异常

有效减少损失

下面介绍目标与内容

我博士论文的主要研究问题是

如何提高故障监控的

准确率和快速性

重点研究了基于数据驱动技术

和因果分析的故障监控方法

这一方法具体基于

具有较好动态数据建模性能的

基于状态空间模型的方法CVA方法

具体分以下几点进行开展

第一为了更加准确快速

确定上故障影响较大的过程变量

提出来一种基于

CVA贡献图的故障识别方法

第二为了进一步诊断

引起故障的根原因

提出了一种综合CVA

和FDA的故障诊断方法

第三为了适用于

不能事先获知数据故障

集情况的应用需求

提出来一种综合数据驱动技术

CVA和因果分析的故障监控方法

第四为了解决综合数据驱动技术

与因果分析监控方法

需要事先已知

过程因果信息的问题

提出了一种能够同时确定

所有通道模型的建模

所有通道模型的建模方法

以及基于这种方法的因果分析

下面首先介绍第一点研究内容

当系统发生故障之后

其影响会传递到系统其他部位

因此我在这部分的

具体研究内容是

更加准确的确定

受故障影响较大的过程变量

具体研究策略是提出来一种

具有较好动态数据建模性能的

基于CVA的贡献度方法

另外根据CVA的状态空间模型

进一步提出了两种故障贡献值

规范变量空间属性贡献值

和残差空间属性贡献值

理论分析和基于

田纳西伊斯曼的案例研究表明

结合使用这两种故障贡献值

能更加有效的确定故障变量

下面先简要介绍CVA方法

CVA方法是基于

状态空间模型进行表示的

CVA方法在构造数据时

其有两个重要的概念是

一个是过去数据向量

另一个是将来数据向量

其中过去数据向量Pt指的是

包含t时刻之前的输入输出变量

将来数据向量ft指的

是包含t时刻之后的将来输出变量

然后根据过去数据向量

和将来数据向量

构造如下的这样一个数据矩阵

然后只是要对这个数据矩阵

进行一步奇异值分解

就能够得到投影矩阵J

和规范状态X

其中规范状态的意义

类似于PCA中的主元成分

包含了故障数据的

主要动态信息主要成分

除规范状态之外

剩下的是数据的残差信息

其中基于CVA降维方法的

一个优点是其得到的规范状态

具有最小实现的特点

另外CVA在动态数据

建模精确性方面

比动态PCA动态PLS

及其变形的方法都要优越

然后根据CVA的规范状态

和残差分别

可以定义这样中故障贡献值

基于规范状态空间的贡献值

Cd和基于残差空间的贡献值Ce

这是结合这两者的基于

可以进一步定义

基于CVA的综合贡献值C

其中q是一个常数

是一个大于0小于1的常数

在下面的案例研究当中

都将选取q等于0.5

过程变量的贡献值C值越大

表明该变量偏离

其正常操作水平的程度越严重

下面用田纳西伊斯曼TE过程

来验证所提方法的有效性

TE过程是评估

故障识别技术的benchmark对象

其中故障1是同时改变

流失当中成分A和C的比重

导致系统的其他部位

比如反应器的液位

其他流中的各种成分

都发生相应的改变波动

然后这是利用综合的CVA贡献值

对故障一进行识别的结果

横轴表示样本数据时刻

纵轴表示的是

TE过程所有52个变量

其中颜色越深表示该变量

偏离其正常水平越严重

这是被所提方法

识别出的所有变量的趋势图

其中基于这篇文章当中

基于优化的动态PCA

贡献图方法进行比较

其中变量34没有被基于

优化的动态PCA

贡献图方法识别出来

但我们通过

这张该变量的趋势图

我们可以看到

其稳态值是偏离了其正常水平

的确是该变量是故障变量

此结果可以表明所提的

基于CVA的贡献图方法

拥有更好的准确性

这两张图分别表示对故障1

用基于CVA状态空间

和残差空间贡献图

识别出来的故障变量

我们可以看到

如果单独用某一种贡献值

只能识别出部分故障变量

会遗漏到另外一部分故障变量

下面将用另一个案例

TE过程的故障4进一步说明

需要综合结合运用基于状态空间

和残差空间这两种贡献值

进行故障识别的必要性

其中故障4是在反应器冷却水

入口温度处给予一个阶跃响应

导致冷却水流速变量51

发生阶跃变化

故障4只有一个故障变量变量51

然后这是用综合CVA贡献值

识别出来的结果

准确的把故障变量51识别出来

如果只是单独

用基于状态空间的贡献值

就无法对故障4进行有效识别

会误认为此时没有发生故障

另外这是对TE的所有21个故障

都用所提的基于CVA的

贡献图的方法识别出的结果

尤其对故障4故障7

故障11和故障19

更需要综合结合

使用这两种故障值进行故障识别

这是对第一部分研究内容的总结

为了能够有效提高

故障识别的准确性

提出来一种基于CVA贡献图的

故障识别方法

该部分研究成果主要

发表了一篇SCI国际期刊论文

该篇论文曾排在JPC下载量

最多文章列表的前列

下面介绍第二部分研究内容

为了进一步诊断

引起故障的根源因

和提高故障诊断的

准确率和快速性

刚部分的主要研究问题是

在已知故障的数据集情况下

更加准确快速的

确定故障发生的种类和原因

该问题本质

其实是数据分类的问题

具体研究策略是

提出了一种综合CVA

和FDA的故障诊断方法

该方法主要分两大步骤

第一步骤利用改进的CVA算法

提取数据的动态模型信息

降低数据的维度

和降低数据间的重叠度

为第二步骤FDA方法

进行故障诊断提供两大好处

提高诊断的准确性和降低计算量

理论分析和基于田纳西伊斯曼的

案例研究表明

所提的方法能够

有效提高故障诊断的

准确性和快速性

尤其针对具有

较强动态的过程而言

跟传统CVA算法不同的是

改进的CVA算法在降维过程中

还引入数据重叠度的指标

通过优化

优化这样的一个

基于训练集和验证集的

这样一个目标函数

来选取最优的CVA

降维阶次和时滞阶次

使得经过改进CVA预处理后的数据

在后续的FDA诊断故障中

更充分的利用数据间的

动态信息和降低计算量

下面同样用TE过程的这三个故障

故障3故障4和故障11

来见证所提方法的有效性

这个表格是

对这三个故障的具体描述

然后分别

对这三个故障的训练集故障

和测试集故障分别进行投影

我们可以看到这三个故障

是重叠严重的

然后用所提的CVAFDA方法

对这三个故障进行诊断分类

与另外两种方法

FDA方法和动态FDA方法进行对比

我们可以看到无论在错分比率上

还是在计算时间方面

所提的方法都是最好的

另外还用了这三种方法

对故障刚发生的

具有较强动态特性的过渡过程的

前200个数据样本进行诊断

结果表明所提的方法的

诊断结果也是最好的

另外还对具有更强动态特性的

过渡过程的前100个数据样本

进行诊断效果也如此

此案例研究表明

所提的方法故障诊断的

快速性和准确性方面

拥有良好的性能

尤其对于具有

较强动态特性的过程而言

然后这张图是利用FDA方法

对这三个故障进行诊断结果的

具体可视化展示

右边的图例

是表示是用三种不同的颜色

对三个故障进行表示

其中红色表示的是故障11

绿色表示故障4

蓝色表示故障3

左边的坐标

是被测试的三个故障

然后测试数据

开始于时刻t等于1

然后下面这个结果

是用所提的CVA-FDA方法

对这三个故障

进行诊断的具体可视化展示

然后我们可以

从每一行的颜色的呈现度

我们可以视觉上直观可以判断

所提的CVA-FDA方法在诊断效果

会比FDA好

然后再观测数据的

前200个数据样本

前200个数据样本

是故障处于过渡过程的阶段

具有较强的动态特性

我们可以判断所提的

CVA-FDA方法的效果更好

同样这是用所提的CVA-FDA方法

对动态FDA方法的对比

同样效果也如此

然后这是对第二部分内容的总结

主要是在已知故障数据的情况下

提出了一种综合CVA

和FDA的故障诊断方法

该方法主要分两大步骤

第一步骤是利用改进的CVA算法

对数据进行预处理

使得数据处理后数据

更有利于后续的FDA算法

进行故障诊断

该部分研究成果

主要发表了一篇SCI国际期刊论文

CCE期刊

下面介绍第三部分研究内容

主要目的是为了适用于

不能事先获知故障数据集

情况的应用需求

同时考虑过程关联结构故障

其中过程关联结构故障

表示的是故障发生在

变量与变量之间的连接关系部位

针对这个问题

提出了一种综合CVA

和因果分析的故障监控方法

具体研究策略

首先提出一种融入

因果信息的特征表示

因果依赖特征CD特征

然后再利用具有

较好动态数据建模性能的

CVA方法进行特征的差异性度量

另外还进一步分析了因果信息

在特征表示以及故障监控

尤其是故障溯源方面的作用

理论分析和案例研究表明

所提的方法有效

提高了故障诊断的性能

尤其对于多故障类型而言

所提的综合CVA和因果分析的

故障监控主要包含两个步骤

第一步骤是特征表示

第二步骤是特征度量

其中特征表示指的是

从原始数据中提取构造

适用于目标任务完成的特征信息

主要遵循两个原则

第一是应用从属性原则

第二是冗余性原则

其中应用从属性原则指的是

根据运用目的选取相对应的特征

比如我们这里考虑的是

故障关联结构的故障监控

就比较适合选取能够度量

变量与变量之间的

连接关系的特征

从这个角度来说

相关系数特征就会优于

传统直接利用所测量得到的

基于过程变量数据的特征

另外冗余性原则指的是

所利用冗余度越低的特征表示

所能取得的监控性能就越好

在这里过程的因果信息

就可以被利用

来降低特征表示的冗余度

例如考虑这里

没有包含因果信息的

基于相关系数的特征表示

就要需要包含任意两个

变量之间的相关系数

就需要包含三个成分

但从图6.1我们可以看到

相关系数X和Z

其实是与另外两个相关系数X和Y

Y与Z是冗余的

其并没有增加有效信息

却增加了特征空间的冗余性

考虑这个问题提出了一种

融入因果信息的特征表示

因果依赖CD特征

CD特征只需要度量

具有因果关系变量

之间的关联特性就可

具体计算如这个公式所示

然后再同样考虑上述的这个例子

基于CD特征表示

只需要包含两个成分就可以

X和Y和YZ的特征就可

然后从特征表示的应用从属性

和冗余性的原则这两个角度

我们可以判断

在监控过程关联结构故障方面

CD特征将会优于相关系数特征

相关系数特征

将会优于过程变量特征

这一点将会

在下面的案例研究当中

进行进一步的论证

对每一对具有因果关系的

变量计算好其CD特征值和需要

接下来需要

再利用各种数据降维方法

对特征进行差异性度量

这里还是选取

具有较好动态数据建模性能的

基于CVA的方法

进行特征的差异性度量

类似于传统的基于CVA的故障监控

同样可以得到如下的

这两种监控指标

基于状态空间的监控指标Ds

和基于残差空间的监控指标Dr

下面用基于基因网络

这样的一个系统案例

来验证所提方法的有效性

该系统主要包含16个变量

各个变量之间的

因果连接关系图如图所示

这个是对具体系统的数学描述

下面将产生两种故障

一种是单故障类型GN1

另外一种是多故障类型GN2

来验证所提方法的有效性

首先考虑单故障类型GN1

该故障是发生

在变量8与变量1之间的

关联结构部位

然后用所提的基于CD特征的方法

与另外两种方法进行对比

来验证所提方法的有效性

其中图例当中CD指的是先计算

具有因果关系

两个变量之间的CD值

然后再利用CVA

进行特征的差异性度量

其中valuable表示的是直接利用

可测量得到的过程变量数据

然后再利用CVA

进行特征的差异性度量

corelation表示的是

先计算每两个变量之间的

相关系数

然后再利用CVA

进行特征的差异性度量

每种方法都进行重复一千次实验

其中横轴表示故障的强度

纵轴表示的是漏报率

从结果表明

从结果中我们可以看到

随着故障强度的增强

每种方法的漏报率都是在降低

表明它们的

监控性能都是在提升的

另外基于CD特征的

方法的漏报率

漏报率都比其他两种方法都要小

这个跟之前的分析结果是一致的

这表明基于CD特征的方法

比其他两种方法要好

检测到故障后

下面需要进一步

判断故障发生的原因

接下同样利用

第一部分研究的基于

CVA的贡献图方法

对此故障进行识别

这是具体的识别结果

把发生故障的关联结构

用红色进行标注

然后根据过程的因果流程图

故障的传播路径

我们可以判断路径的源头

可以作为该故障发生的原因

而实际当中确实是由

变量x8到变量x1之间的

关联结构发生故障导致的

而此结果表明所提的方法

有效监控了故障GN1

接下来考虑

第二个多故障类型GN2

同样从所得的结果

我们可以看到

随着故障强度的增强

这三种方法的漏报率

都是在降低

其检测性能都是在提升的

另外同样基于CD的

特征的漏报率的

比其他两种方法都要低

这个跟同样跟之前

分析的结果是一致的

基于CD的特征的检测性能

比其他两种特征

表示的性能都要好

同样这是利用第一部分研究内容的

基于CVA的贡献图

来对该故障进行识别

把识别出来的

发生故障的关联结构

用红色进行标注

我们可以从流程图中可以看到

有两个独立的传播路径

我们可以判断

该故障是双故障的类型

同样把每个传播路径的源头判断

为造成该故障发生的原因

而实质当中确实就是由这两个

两个关联结构发生故障产生的

本案例研究表明所提的

基于CD特征表示CVA监控方法

不但对单故障类型有效

而且对多故障类型同样有效

这是对第三部分的研究总结

为了适用于

不能事先获知故障数据

及情况的应用需求

提出了一种综合因果分析

和数据驱动技术的监控方法

所提的方法主要包含两个步骤

特征表示和特征度量

该部分研究成果主要

发表了两篇SCI国际期刊论文

都发表在Journal of Process Control期刊上

下面介绍第四部分研究内容

主要目的是为了

解决综合数据驱动技术

与因果分析监控方法

需要事先已知

过程因果信息的问题

而且大多数基于数据驱动技术的

因果分析方法

都基本涉及辨识建模

都需要辨识模型的

监测和模型的系数

比如格兰杰因果分析等方法

另外绝大多数经历了辨识方法

都基本需要假设事先

都需要事先假设模型阶次

再辨识模型系数

需要大量的辨识搜索

需要较大计算量

因此在这部分具体研究内容是

主要想要是研究一种

能够同时辨识所有通道模型

包括模型阶次

和模型系数的建模方法

并进一步探讨

基于这种方法的因果分析

为了便于阐述

先考虑二元系统x和y

这是具体系统的方块图

然后这是具体系统的模型描述

为了便于阐述记做第一个模型

为前向通道模型

第二个模型为反向通道模型

针对此系统关于因果关系方面

有如下的这样一个定理

如果系数上Q(z)等于零

并且R是块对角的

我们可以判断反向通道不存在

即变量x对变量y没有因果关系

如果系数向B(z)等于零

而且R是块对角的

我们可以判断前向通道不存在

即变量y对x没有因果关系

因此针对此系统

关于因果分析方面的

关键问题是需要确定出

系统模型的系数abpq

和模型阶次nx,ny

针对此问题提出了一种

能够同时辨识模型系数

和模型阶次的闭环辨识方法

IDPUD算法

具体研究策略是先通过构造对应

所有变量通道多模型结构的

交错信息矩阵

然后只需要

对该矩阵进行一步UD分解

就可以同时

得到所有阶次从0至n的

所有变量通道的模型系数

及其相对应的损失函数值

然后可以同时

确定模型的阶次和系数

下面先讲述具有交错形式

多模型结构的思想

例如把利用传统辨识方式

假设前向通道模型就是为0时

所辨识得到的模型系数

存放在矩阵U的第一奇数列

及相应所得到的损失函数值

存放在矩阵D的第一奇数列

然后假设前向通道模型

阶次为1时

所辨识得到的模型系数

存放在矩阵U的第二奇数列

相对应得到的损失函数值

存放在矩阵D的第二奇数列

然后依次下去

假设前向通道模型阶次为n时

所辨识得到的

模型系数和损失函数值

相应的存放在矩阵U和D的

第n+1奇数列

同样把利用传统辨识方式

假设反向通道模型阶次

为0时所辨识得到的模型系数

存放在矩阵U的第一偶数列

相应得到的损失函数值

存放在矩阵D的第一偶数列

然后依次下去

假设反向通道模型阶次为1,2,3

直到n所辨识得到的模型系数

和损失函数值分别存放

在U矩阵和D矩阵的相应的偶数列

然后针对这样的

一个交错形式多模型结构

我们可以构造

这样一个交错信息矩阵

然后只需要对该矩阵

进行一步矩阵UD分解

就可以同时得到上述的所有通道

所有阶次从0至n的所有前向通道

和反向通道的模型系数

和损失函数值

另外所得到的损失函数值矩阵

当中的奇数列和偶数列

分别满足如下的递减趋势

据此我们可以判断

进一步判断前向通道的

真实模型阶次nx

相应的系数诊断U

当中的第2nx+1列

就是前向通道的模型系数

同样可以进一步判断

反向通道的模型的真实阶次ny

同样矩阵U当中的

第2ny+2列就

对应反向通道的模型系数

另外关于IDPUD算法的

闭环可辨识性条件

以及辨识精度等方面

也进行了研究

具体请参见论文的第51页

下面用一个例子

来验证所提方法的有效性

这个分别是用所提的

IDPUD算法辨识得到的损失

函数矩阵D和系数矩阵U

然后把所辨识得到

损失函数D当中的

奇数列和偶数列

分别进行作图

我们可以得到满足

性质5.1的如下递减趋势

据此我们可以判断

前向通道的模型阶次是2

相应的前向通道的模型系数

存放在矩阵U当中的第

2*2+1第五列

相应的反向通道模型阶次是1

相应的矩阵U当中的第2*1+2

第四列对应

反向通道模型系数

然后这是对用所提的方法辨识

得到的前向通道的模型

前向通道和反向通道模型

跟真实模型的对比

此结果可以表明

所提方法是有效的

另外还用第二个例子

多变量系统来判断来进一步验证

所提方法的有效性

同样这是用所提IDPUD算法辨识

得到的损失函数矩阵D和系数矩阵U

然后根据前面所展示的

关于因果分析方面的定理

我们可以进一步确定出

该系统的因果连接关系

以及具有因果关系

变量之间的通道模型

同样这是用所提方法辨识得到的

所有五个变量的模型通道

通道模型与真实模型的对比

结果也表明

同样表明所提方法是有效的

另外论文当中还对噪声

是有声噪声的情况

也进行了研究

具体请参见博士论文

第4.5节和第4.6节

这是对第四部分研究内容的总结

为了解决综合数据驱动技术

与因果分析监控方法

需要事先已知过程因果信息的问题

提出了一种闭环辨识方法

以及基于这种方法的因果分析

该方法主要特色是

只需要经过一步矩阵ID分解

就可以同时

得到模型阶次是从0至n的

所有变量通道的模型系数

和损失函数值

该部分研究成果

主要发表了五篇论文

其中前三篇是SCI国际期刊论文

第四第五篇是两篇EI的国际会议

下面介绍主要工作总结

本论文主要为了

提高过程监控的准确性和快速性

重点研究了基于数据驱动技术

和因果分析的故障监控方法

第一为了能够

有效增加故障识别的准确性

提出了一种基于CVA的贡献图方法

并且进一步根据监控统计量

分别在规范变量空间

和残差空间的变化情况

定义了两种故障贡献值

理论分析和案例研究表明

结合使用这两种故障贡献值

能更加有效的进行故障识别

第二为了进一步

诊断引起故障的根原因

提出了一种综合CVA

和FDA的故障诊断方法

理论研究表明CVA

所提的CVA-FDA方法

在故障诊断的快速性和准确方面

拥有良好的性能

尤其对于具有

较强动态特性的过程而言

第三为了适用于不能事先

获知故障数据集情况的应用需求

提出了一种综合数据驱动技术CVA

和分析的故障监控方法

理论分析和案例研究表明

所提的方法能够

有效提高故障监控的性能

尤其对于多故障类型的情形而言

第四还提出了一种闭环辨识方法

以及基于这种方法的因果分析

这一算法为解决综合数据驱动技术

与因果分析监控方法

需要事先过程因果信息的分析

提供了一个好的解决途径

最后介绍论文与成果

到目前为止我已发表接受论文9篇

其中SCI国际期刊论文7篇

其中4篇是自动化系B类顶级期刊

2篇是中科院最新SCI期刊

二区期刊

另外还有EI国际会议论文2篇

另外还有国家发明专利1项

这是具体的论文发表清单

第一篇是CCE期刊

第二篇是Automatica期刊

第三第四篇是

两篇Journal of Process Control期刊

第五篇是以长文的形式

发表在IEEE Transaction期刊上

第六篇是同样

是Journal of Process Control期刊

第七篇是另外一片SCI国际期刊

第八第九是两篇EI国际会议

另外还有国家发明专利1项

导师是第一作者

另外在读博期间

还获过清华大学自动化系

学术新秀博士研究生

国家奖学金等荣誉称号

其中学术新秀是排名第一

全系只有3名

非常感谢各位老师