基于重构的贡献在质量相关故障诊断中的新颖应用

简介：
本研究创新性地将软件重构技术应用于质量相关的故障诊断中，通过优化代码结构提高问题定位和解决效率。 在现代制造业中，质量控制与过程监控已成为关键议题，在半导体、生物医学工程及化工领域尤为突出。随着分布式控制系统从工业过程中收集的大数据量增加，采用基于数据分析的技术来检测异常情况并隔离故障部件变得更为合适，而非依赖假设模型或人工技术。故障检测特别关注影响产品质量的质量相关故障诊断。 重构基于贡献（Reconstruction Based Contributions, RBC）在质量相关故障诊断中的应用日益受到重视。现有文献中显示，RBC被用于识别对产品质量产生负面影响的有故障变量。如果已知特定类型的故障数据可用，则可使用针对该类型的具体RBC来确定故障类别；否则，采用变量RBC以隔离潜在的有故障变量。然而，当前通用型RBC在多个方面仍需改进：一方面，专门性的RBC无法明确指出哪些是真正的故障变量，这使找到问题根源变得困难；另一方面，“涂抹效应”影响了传统的变量RBC方法，在这种情况下非故障变量会被错误地认为可能是故障源。 本段落提出了一种新的RBC应用方式，旨在选择有故障的变量而不对非故障变量产生“涂抹效应”。通过使用田纳西东部（Tennessee Eastman, TE）过程作为基准示例展示了所提方法在质量相关故障诊断中的有效性。TE过程是一个广泛应用于化学工程领域的标准测试平台，提供了一个包含多种复杂情况的过程系统。 质量相关的故障检测主要依赖于数据驱动技术来识别影响产品质量的异常及潜在问题。这些技术基于从生产过程中收集的数据，并通过统计分析和机器学习算法发现模式以预测可能的问题或异常行为。与模型导向方法相比，这种方法更具灵活性且无需精确系统模型支持，而是直接利用实际操作中的正常状态和异常模式进行学习。 RBC是一种多维度重构技术，它建立在潜在结构总投影（Total Projection to Latent Structures, PLS）理论基础上。PLS是一种处理多个响应变量的统计建模方法，在复杂数据集中寻找相关性最高的结构并实现降维。通过这种方式，RBC能够重建原始数据集，并使每个变量对其结果产生特定贡献。 在质量相关的故障诊断中，RBC通过对比正常运行与异常情况下的重构差异来识别哪些变量导致了产品质量的下降。如果已知具体类型的故障数据可用，则使用针对该类别的专门化RBC分析；反之则采用一般性的变量RBC以找出那些造成最大变化的潜在问题源。 主要挑战在于“涂抹效应”，这在许多信号处理和模式识别任务中普遍存在，意味着某些特征可能出现在不相关区域从而导致误判。这种现象可能导致非故障变量被错误地认为是故障原因，在此背景下研究者们致力于开发新的RBC应用方式以减少此类干扰并提高准确性。 本段落通过TE过程展示了新方法的有效性及改进潜力，这对于推动制造业质量控制和过程监控技术的发展具有重要意义。