Méthode de surveillance par alignement dynamique pondéré projectif pour les processus multi-étapes de durées inégales

Contexte académique

Dans l’industrie manufacturière moderne, la surveillance en ligne des processus multi-étapes (tels que les traitements par lots et les processus de transition) est cruciale pour améliorer la qualité des produits et réduire les risques de défaillance. Cependant, en raison des variations des conditions opérationnelles, la durée de ces processus est souvent inégale, ce qui pose d’importants défis pour la surveillance. Les méthodes traditionnelles d’alignement dynamique temporel (Dynamic Time Warping, DTW) peuvent être utilisées pour la synchronisation hors ligne, mais elles ne parviennent pas à aligner efficacement les lots en cours avec les lots historiques terminés lors du traitement des données en ligne, en raison des différences inhérentes dans leur progression. De plus, les méthodes traditionnelles négligent souvent les anomalies liées à l’échelle temporelle, ce qui affaiblit les performances globales de surveillance. Pour résoudre ces problèmes, cet article propose une nouvelle méthode d’alignement dynamique temporel pondéré projectif (Projective Weighted DTW, PWDTW) pour surveiller les processus multi-étapes de durées inégales.

Cette recherche vise à résoudre le problème pratique de la surveillance en ligne des processus multi-étapes sous les aspects de l’amplitude et du temps. Les méthodes traditionnelles se concentrent généralement sur la synchronisation hors ligne et ne surveillent que l’amplitude du signal, ce qui limite leur capacité à détecter si le processus progresse trop rapidement ou trop lentement. En introduisant la méthode PWDTW, cet article réalise non seulement la synchronisation hors ligne, mais évalue également en ligne la progression des nouveaux échantillons et conçoit deux indices de surveillance pour détecter les anomalies d’amplitude et de temps.

Source de l’article

Cet article a été co-écrit par Ying Zheng, Peiming Wang, Yang Wang et David Shan-Hill Wong. Ying Zheng et Peiming Wang sont affiliés à l’École d’intelligence artificielle et d’automatisation de l’Université des sciences et technologies de Huazhong, Yang Wang à l’Université de la ville de Hong Kong, Département des sciences des données, et David Shan-Hill Wong au Département de génie chimique de l’Université nationale Tsing Hua. Cet article a été publié dans IEEE Transactions on Automation Science and Engineering et a été officiellement publié en 2025.

Processus et résultats de la recherche

1. Alignement hors ligne

Dans la phase hors ligne, les chercheurs ont d’abord collecté une série de données de processus multi-étapes sous des conditions opérationnelles normales (Normal Operating Condition, NOC). Ces ensembles de données contiennent des trajectoires opérationnelles de longueurs différentes. Pour aligner ces données, les chercheurs ont utilisé la méthode d’alignement dynamique temporel pondéré asymétrique (Asymmetric Weighted DTW, AWDTW) en la combinant avec une contrainte de parallélogramme d’Itakura pour limiter la région du chemin d’alignement. Grâce à l’alignement des données historiques, des ensembles de données alignés de même longueur ont été générés.

Étapes spécifiques : - Collecte de données et sélection de l’ensemble de référence : Un ensemble de référence dont la longueur est proche de la moyenne est sélectionné parmi les ensembles de données NOC. - Alignement AWDTW : Chaque ensemble de données est aligné avec l’ensemble de référence en utilisant AWDTW, générant ainsi des ensembles de données alignés. - Optimisation de la contrainte d’Itakura : En définissant un facteur de contrainte de parallélogramme d’Itakura, la région du chemin d’alignement est limitée, évitant ainsi un alignement excessif.

2. Surveillance en ligne

Dans la phase en ligne, les chercheurs ont proposé une méthode d’alignement dynamique temporel pondéré projectif (PWDTW) combinée à une stratégie ouverte pour traiter le problème d’asynchronisme en ligne. Cette méthode évalue la progression de la trajectoire en ligne par rapport aux trajectoires historiques pour trouver la sous-séquence historique la plus similaire aux données en ligne actuelles. Ensuite, en utilisant l’algorithme des k plus proches voisins (k-Nearest Neighbor, kNN), les sous-séquences d’apprentissage les plus similaires à la trajectoire en ligne sont identifiées, et deux indices de surveillance sont conçus pour détecter les anomalies d’amplitude et de temps.

Étapes spécifiques : - Collecte de données en ligne : Les données de test du processus en ligne sont collectées, et leur distance PWDTW par rapport aux ensembles de données alignés est calculée. - Clustering kNN : L’algorithme kNN est utilisé pour trouver les sous-séquences historiques les plus similaires aux données en ligne. - Conception des indices de surveillance : Deux indices de surveillance sont conçus pour détecter les anomalies d’amplitude et de temps.

3. Indices de surveillance

Cet article conçoit deux indices de surveillance : l’indice de taux de changement (δk) pour l’échelle d’amplitude et l’indice de comptage (c̄) pour l’échelle temporelle. L’indice δk détecte les changements soudains dans l’amplitude du processus, tandis que l’indice c̄ évalue si la vitesse de progression du processus est anormale. Grâce à ces deux indices, les chercheurs peuvent surveiller à la fois la force et la vitesse du processus, offrant ainsi une surveillance plus complète.

4. Études de cas

Pour valider l’efficacité de la méthode, elle a été appliquée au processus de Tennessee Eastman (Tennessee Eastman Process, TEP) et à un processus de fabrication de semi-conducteurs. Dans le TEP, les chercheurs ont simulé quatre types de défaillances typiques et ont démontré expérimentalement que la méthode PWDTW pouvait détecter efficacement ces défaillances. Dans le processus de fabrication de semi-conducteurs, l’article montre comment la méthode PWDTW détecte les anomalies de tendance à long terme et de l’échelle temporelle.

Résultats spécifiques : - Cas TEP : La méthode PWDTW a détecté avec succès les défaillances d’amplitude (comme des objectifs trop élevés ou trop bas) ainsi que les défaillances de temps (comme des opérations trop rapides ou trop lentes). - Cas de fabrication de semi-conducteurs : La méthode a identifié avec succès les anomalies de tendance à long terme et de l’échelle temporelle dans le processus de fabrication de semi-conducteurs, validant ainsi sa faisabilité dans les applications industrielles.

Conclusion et signification

La méthode PWDTW proposée dans cet article démontre des avantages significatifs dans la surveillance en ligne des processus multi-étapes. En combinant l’alignement dynamique temporel pondéré asymétrique avec la contrainte d’Itakura, cet article réalise non seulement un alignement efficace des données historiques, mais atteint également une correspondance précise des données en ligne grâce à une stratégie ouverte. De plus, la conception des deux indices de surveillance permet aux chercheurs d’évaluer de manière exhaustive les anomalies d’amplitude et de temps.

Signification de la recherche : - Valeur scientifique : Cet article propose une nouvelle méthode de surveillance en ligne capable de traiter efficacement les processus multi-étapes de durées inégales, comblant ainsi les lacunes des méthodes traditionnelles dans les applications en ligne. - Valeur applicative : La réussite de la méthode dans le TEP et le processus de fabrication de semi-conducteurs prouve son applicabilité étendue dans l’industrie, en particulier dans des domaines tels que la production d’énergie et la pharmacie.

Points forts de la recherche

1. Méthode de synchronisation complète : Cet article réalise non seulement la synchronisation hors ligne, mais développe également une stratégie de synchronisation en ligne permettant de surveiller en temps réel la progression des nouvelles données.
2. Stratégie innovante d’asynchronisme en ligne : Une stratégie ouverte basée sur PWDTW est proposée, permettant de trouver en ligne la sous-séquence historique correspondant le mieux à la progression actuelle.
3. Indices de surveillance à double échelle : Deux indices de surveillance sont conçus pour détecter les anomalies d’amplitude et de temps, offrant une évaluation plus complète du processus.

Autres informations pertinentes

Les travaux de cet article ont été soutenus par le projet de coopération internationale en science et technologie de la province du Hubei (2025EHA033) et le projet de recherche interdisciplinaire de l’Université des sciences et technologies de Huazhong (2025JCYJ031). De plus, la méthode PWDTW présente une large applicabilité et peut être utilisée dans d’autres industries pour la surveillance de systèmes à durées inégales.

---

Grâce à cette recherche, la méthode PWDTW a non seulement été validée théoriquement, mais a également démontré ses capacités de surveillance puissantes dans des applications industrielles réelles, offrant une nouvelle solution pour la surveillance en ligne des processus multi-étapes.