數(shù)據(jù)驅(qū)動方法在化工過程故障診斷中的研究進(jìn)展

姚羽曼，羅文嘉，戴一陽

（1 西南石油大學(xué)化學(xué)化工學(xué)院，四川成都610500；2 四川大學(xué)化學(xué)工程學(xué)院，四川成都610065）

為了預(yù)防化工事故的發(fā)生，降低事故的影響，故障診斷技術(shù)被廣泛用于化工過程中。故障診斷技術(shù)自20 世紀(jì)80 年代以來取得了長足發(fā)展，一般分為基于機(jī)理模型的故障診斷技術(shù)、基于知識的故障診斷技術(shù)和基于數(shù)據(jù)的故障診斷技術(shù)[1]?；跈C(jī)理模型的故障診斷技術(shù)是基于過程第一性原理，利用先驗(yàn)的物理和數(shù)學(xué)知識進(jìn)行故障診斷的過程[2]；基于知識的故障診斷技術(shù)是依賴操作人員的經(jīng)驗(yàn)和專家的知識，應(yīng)用于知識簡單的特定場所進(jìn)行故障診斷的方法；基于數(shù)據(jù)的故障診斷技術(shù)是通過分析大量數(shù)據(jù)，建立具有故障診斷功能的系統(tǒng)或算法模型的方法。化工過程機(jī)理模型難建立、知識復(fù)雜多樣難簡化集成，且隨著工廠DCS 系統(tǒng)的發(fā)展，系統(tǒng)中儲存了大量數(shù)據(jù)也亟待被挖掘，這使得基于數(shù)據(jù)的故障診斷技術(shù)成為化工領(lǐng)域研究的重點(diǎn)。隨著國家對化工安全的逐漸重視、數(shù)據(jù)驅(qū)動方法的不斷改進(jìn)與創(chuàng)新，探討與分析近些年數(shù)據(jù)驅(qū)動方法在化工過程故障診斷中的研究與應(yīng)用對該領(lǐng)域技術(shù)的發(fā)展與研究具有重要的指導(dǎo)意義。

1 化工過程的數(shù)據(jù)驅(qū)動方法

數(shù)據(jù)驅(qū)動方法一般分為統(tǒng)計(jì)方法、基于人工智能的方法、綜合性方法[3]。統(tǒng)計(jì)方法又分為單元統(tǒng)計(jì)方法和多元統(tǒng)計(jì)方法，單元統(tǒng)計(jì)方法是對單一變量的數(shù)據(jù)進(jìn)行處理的方法，由于化工過程的數(shù)據(jù)常是多維度且相互關(guān)聯(lián)影響的，因此現(xiàn)在的研究多不考慮單元統(tǒng)計(jì)方法。其化工數(shù)據(jù)驅(qū)動方法的詳細(xì)分類結(jié)構(gòu)如圖1所示。

1.1 多元統(tǒng)計(jì)方法

多元統(tǒng)計(jì)方法是一種基于統(tǒng)計(jì)學(xué)的無監(jiān)督多變量數(shù)據(jù)分析方法，該類方法將高維數(shù)據(jù)投影到多個(gè)低維空間，利用統(tǒng)計(jì)學(xué)原理計(jì)算每個(gè)空間中表征數(shù)據(jù)信息與特征的統(tǒng)計(jì)量，并與閾值進(jìn)行比較，進(jìn)而分析結(jié)果[4]。常見的基礎(chǔ)方法有主成分分析法（PCA）、偏最小二乘法（PLS）、獨(dú)立成分分析法（ICA）、高斯混合模型（GMM）[3]，以及引入核函數(shù)后使其能處理非線性數(shù)據(jù)的核主成分分析法（KPCA）[5]、核偏最小二乘法（KPLS）、核獨(dú)立成分分析法（KICA）、非線性內(nèi)核高斯混合模型（NKGMM）[6]。

圖1 化工數(shù)據(jù)驅(qū)動方法分類結(jié)構(gòu)

主成分分析法是將正常工況的數(shù)據(jù)進(jìn)行正交轉(zhuǎn)換，投影到兩個(gè)子空間（主元子空間、殘差子空間）[7]，并對監(jiān)測點(diǎn)在兩空間中的T2、SPE 統(tǒng)計(jì)量進(jìn)行計(jì)算的方法。偏最小二乘法是一種將數(shù)據(jù)結(jié)構(gòu)簡化、相關(guān)性分析以及多元線性回歸功能相結(jié)合的線性統(tǒng)計(jì)方法[8]。該方法可以間接獲得不可測變量的預(yù)測值，可用于故障檢測。獨(dú)立成分分析法是將輸入進(jìn)行非正交分解，求特征最大化獨(dú)立時(shí)的數(shù)據(jù)特征集，從而達(dá)到降維的作用。高斯混合模型是將多種高斯模型混合加權(quán)，并使用最大期望算法（EM）優(yōu)化參數(shù)，獲得數(shù)據(jù)標(biāo)簽以及標(biāo)簽概率，從而進(jìn)行故障分類的方法。4種傳統(tǒng)方法因其不同的特點(diǎn)，適用于不同的數(shù)據(jù)類型，其之間的性能比較、分析與應(yīng)用結(jié)果見表1。

表1 傳統(tǒng)多元統(tǒng)計(jì)方法的性能比較與應(yīng)用

除傳統(tǒng)的多元統(tǒng)計(jì)方法外，最近幾年，基于統(tǒng)計(jì)理論的流行學(xué)習(xí)和粗糙集學(xué)習(xí)被提出和應(yīng)用。流形學(xué)習(xí)是一種在保持?jǐn)?shù)據(jù)非線性結(jié)構(gòu)和信息的前提下將其降維的方法[11]，常用于本身具有一定空間連續(xù)性和規(guī)律性的數(shù)據(jù)，例如數(shù)據(jù)組成了直角坐標(biāo)系中的圓心為原點(diǎn)的實(shí)心圓，那么降維后的數(shù)據(jù)維度為一維，特征為半徑。粗糙集是一種新的分析和處理不精確、不一致、不完整信息與知識的數(shù)學(xué)工具[12]，是通過計(jì)算舍去不同變量后其上下近似集合的改變情況來進(jìn)行特征約簡，從而提取核心知識的方法。通常流形學(xué)習(xí)僅適用于連續(xù)數(shù)據(jù)，而粗糙集則僅適用于離散數(shù)據(jù)。因此，如何擴(kuò)寬方法的使用范圍是當(dāng)前研究的一種方向。

多元統(tǒng)計(jì)方法數(shù)據(jù)處理能力強(qiáng)，但故障識別和診斷能力弱，大多數(shù)的研究集中在以下兩點(diǎn)：①通過改進(jìn)統(tǒng)計(jì)量和核函數(shù)防止主要信息的丟失和優(yōu)化多元統(tǒng)計(jì)方法在非線性系統(tǒng)的效果；②與其他數(shù)據(jù)挖掘方法結(jié)合，利用該類方法作數(shù)據(jù)預(yù)處理。

1.2 基于人工智能的方法

人工智能研究的是如何讓計(jì)算機(jī)做一些目前人類做得更好的事情[13]，機(jī)器學(xué)習(xí)是人工智能依靠數(shù)據(jù)在計(jì)算機(jī)上的一種應(yīng)用[14]。機(jī)器學(xué)習(xí)方法一般分為監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)兩類。

監(jiān)督學(xué)習(xí)是一種需要提供示例輸出結(jié)果，通過訓(xùn)練得到輸入輸出關(guān)系的誤差最小化方法，例如決策樹、人工神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)、支持向量機(jī)、集成學(xué)習(xí)。決策樹是一種由節(jié)點(diǎn)、分支構(gòu)成的樹結(jié)構(gòu)，節(jié)點(diǎn)表示對象，分支表示選擇。決策樹常包含ID3、C4.5、CART等方法[15]，常需要進(jìn)行樹深度設(shè)置、剪枝操作以及評價(jià)指標(biāo)選擇來獲得最優(yōu)的樹結(jié)構(gòu)和分類擬合效果。決策樹方法無法在數(shù)據(jù)量過大時(shí)構(gòu)建優(yōu)異魯棒的非線性模型，為此人工神經(jīng)網(wǎng)絡(luò)這一從神經(jīng)學(xué)提煉出來的一種應(yīng)用于計(jì)算機(jī)的黑箱模型被提出[例如反向傳遞神經(jīng)網(wǎng)絡(luò)（BP）、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBF）]，人工神經(jīng)網(wǎng)絡(luò)包含1個(gè)輸入層、5～7個(gè)隱含層以及1個(gè)輸出層，通過調(diào)整權(quán)重和偏執(zhí)使誤差最小來構(gòu)建非線性模型[16]。但由于人工神經(jīng)網(wǎng)絡(luò)的缺陷，非線性模型的非線性程度較低，無法滿足復(fù)雜的工業(yè)過程，科學(xué)家開始思考是否可以通過增加隱含層層數(shù)提高模型的非線性程度，因此誕生了深度學(xué)習(xí)的概念?，F(xiàn)如今深度學(xué)習(xí)的目的主要是模擬更復(fù)雜的人腦和學(xué)習(xí)活動而非只滿足非線性要求，常用于圖像識別領(lǐng)域，常見的算法有棧式自編碼網(wǎng)絡(luò)（SAE）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）、深度置信網(wǎng)絡(luò)（DBN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）等[17]。集成學(xué)習(xí)類是將多種弱學(xué)習(xí)器結(jié)果集成的方法，它解決了深度學(xué)習(xí)計(jì)算復(fù)雜度高的缺點(diǎn)，能通過簡單的弱學(xué)習(xí)器達(dá)到驚人的效果，根據(jù)組合方式的不同可分為boosting、bagging、stacking三種[18]。支持向量機(jī)是基于統(tǒng)計(jì)理論和距離計(jì)算的二分類器，通過不斷構(gòu)造超平面，計(jì)算兩類數(shù)據(jù)對超平面的幾何間隔距離（兩類別的數(shù)據(jù)分別到第i∈n個(gè)超平面的距離的最小值），取不同類數(shù)據(jù)間幾何間隔距離最大的超平面為分類最優(yōu)超平面，并用于數(shù)據(jù)分類，是最簡單又快捷的適用于數(shù)據(jù)量少的非線性分類方法。對監(jiān)督學(xué)習(xí)的代表性方法進(jìn)行匯總和分析，結(jié)果見表2。

表2 基于AI的監(jiān)督學(xué)習(xí)方法的性能比較和應(yīng)用

無監(jiān)督學(xué)習(xí)能自主挖掘數(shù)據(jù)關(guān)系，常不需要示例輸出，例如k-means和自動編碼器。無監(jiān)督學(xué)習(xí)雖然不需要標(biāo)簽就能對數(shù)據(jù)進(jìn)行處理，但也因此使得模型具有了隨機(jī)性，結(jié)果的好壞會過分依賴于數(shù)據(jù)本身的質(zhì)量。k-means 是一種典型的無監(jiān)督學(xué)習(xí)方法，通過預(yù)給出族群數(shù)量，按照距離計(jì)量方法獲得劃分模型[21]。但很多時(shí)候族群數(shù)是未知的，族群數(shù)的確定需要花費(fèi)較多的時(shí)間。自動編碼器則是一種人工神經(jīng)網(wǎng)絡(luò)，它能通過網(wǎng)絡(luò)結(jié)構(gòu)挖掘到數(shù)據(jù)的內(nèi)在關(guān)系，降低數(shù)據(jù)的維度，提取出核心的信息，因此也能進(jìn)行重構(gòu)生成與輸入相似的數(shù)據(jù)，可用于圖像領(lǐng)域，也常用作深度學(xué)習(xí)的預(yù)訓(xùn)練。

隨著近些年來物聯(lián)網(wǎng)等技術(shù)的發(fā)展，工業(yè)數(shù)據(jù)已越發(fā)趨向于大體量、非線性、非高斯分布，對方法本身的要求趨向于高魯棒性、低計(jì)算復(fù)雜度、高效性。雖然無監(jiān)督方法對樣本的標(biāo)簽要求少，但與監(jiān)督學(xué)習(xí)相比還不夠成熟，因此結(jié)合工業(yè)數(shù)據(jù)特征，能充分挖掘大數(shù)據(jù)信息結(jié)構(gòu)以及整合數(shù)據(jù)處理功能的深度學(xué)習(xí)和集成學(xué)習(xí)方法（例如集成學(xué)習(xí)中基于bagging 方法的隨機(jī)森林）將會是故障檢測和識別領(lǐng)域的研究熱點(diǎn)。但深度學(xué)習(xí)模型的訓(xùn)練和測試時(shí)間較長，不具有時(shí)效性，需要進(jìn)一步的優(yōu)化提升。

1.3 綜合性方法

綜合性方法是將統(tǒng)計(jì)原理應(yīng)用于人工智能方法中的第3 種數(shù)據(jù)驅(qū)動方法，主要有貝葉斯網(wǎng)絡(luò)（BN）和隱馬爾可夫模型（HMM）[3]兩種。

貝葉斯網(wǎng)絡(luò)是應(yīng)用貝葉斯定理，在事件相互獨(dú)立的條件上，通過先驗(yàn)知識預(yù)測后驗(yàn)概率的算法[22]，具有不確定推理能力的優(yōu)點(diǎn)但無法學(xué)習(xí)數(shù)據(jù)的結(jié)構(gòu)，常用于數(shù)據(jù)量較小的多分類獨(dú)立問題[23]。該方法能很好地與機(jī)理結(jié)合使用，使模型更專業(yè)和正確，彌補(bǔ)基于數(shù)據(jù)的模型的缺陷，這促使了該方法的研究和應(yīng)用，但由于網(wǎng)絡(luò)的構(gòu)造需要人工進(jìn)行，在數(shù)據(jù)量大時(shí)會加大工作量，因此如何使其自動化成為BN的研究難題。

隱馬爾可夫模型[24-25]創(chuàng)造于20 世紀(jì)70 年代，是一種馬爾可夫鏈，具有雙重隨機(jī)性，結(jié)構(gòu)中所包含的隱含參數(shù)需要通過概率統(tǒng)計(jì)方法獲取，鏈?zhǔn)降慕Y(jié)構(gòu)和統(tǒng)計(jì)參數(shù)形成的模型能對數(shù)據(jù)進(jìn)行預(yù)測，能有效地處理前后關(guān)系密切的數(shù)據(jù)集，例如時(shí)序數(shù)據(jù)。

貝葉斯網(wǎng)絡(luò)和隱馬爾可夫模型均是利用機(jī)器學(xué)習(xí)的結(jié)構(gòu)和統(tǒng)計(jì)學(xué)的理論對數(shù)據(jù)進(jìn)行分析的概率圖模型，能更好地解決特定問題，擴(kuò)展性強(qiáng)。

2 化工故障診斷研究與應(yīng)用現(xiàn)狀

化工過程的數(shù)據(jù)具有體量大、標(biāo)簽數(shù)據(jù)需要手動添加、樣本不平衡、非線性強(qiáng)、高維度、高相關(guān)性、動態(tài)特性明顯的特點(diǎn)，因此數(shù)據(jù)驅(qū)動方法在化工過程的故障診斷中的研究應(yīng)用多是集中在以下幾個(gè)方面：

（1）無標(biāo)簽的大數(shù)據(jù)下的化工故障診斷方法的研究與應(yīng)用；

（2）高維度特征下的化工過程故障診斷方法的研究與應(yīng)用；

（3）數(shù)據(jù)不平衡下的化工過程故障診斷方法的研究與應(yīng)用；

（4）數(shù)據(jù)動態(tài)特性下的化工過程故障診斷方法的研究與應(yīng)用。

接下來針對以上4種研究方向，分別敘述、分析、總結(jié)近五年來與其相關(guān)的文獻(xiàn)供讀者閱讀和思考。

2.1 大量無標(biāo)簽數(shù)據(jù)下的化工故障診斷技術(shù)

通過DCS 系統(tǒng)采集獲得的化工過程數(shù)據(jù)常不含分類標(biāo)簽，需要在應(yīng)用部分?jǐn)?shù)據(jù)驅(qū)動方法時(shí)手動添加，導(dǎo)致數(shù)據(jù)處理時(shí)人力和時(shí)間成本較高，且使得診斷結(jié)果易受標(biāo)簽添加的人為因素影響。

多元統(tǒng)計(jì)方法屬于無監(jiān)督方法，不需要添加標(biāo)簽，但故障診斷的能力和處理強(qiáng)非線性過程的能力較弱，往往需要先優(yōu)化傳統(tǒng)方法后與其他機(jī)器學(xué)習(xí)方法結(jié)合來應(yīng)用，以提高在處理化工數(shù)據(jù)標(biāo)簽問題上的診斷綜合效能。解亞萍等[26]優(yōu)化了無監(jiān)督聚類方法PCA，提出了一種基于k-means聚類貢獻(xiàn)圖的核熵成分分析的間歇過程故障診斷方法，并將該方法應(yīng)用于青霉素發(fā)酵過程中，其診斷結(jié)果證明該方法具有有效性。劉麗云等[27]采用無監(jiān)督聚類方法kmeans對故障進(jìn)行聚類檢測，再結(jié)合PCA的貢獻(xiàn)圖方法對檢測出的故障進(jìn)行識別，在TE 過程的故障檢測中，該方法能檢測出其他方法不易檢測出的故障且故障平均正確率高。

深度學(xué)習(xí)方法具有高適應(yīng)性和很強(qiáng)的學(xué)習(xí)能力，能夠處理無標(biāo)簽或部分標(biāo)簽的數(shù)據(jù)，魯棒性強(qiáng)，整體效果好。Li等[28]結(jié)合卷積神經(jīng)網(wǎng)絡(luò)特征提取方面的強(qiáng)大能力，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)和DAEs 的無監(jiān)督混合故障診斷模型，將其應(yīng)用到脫丙烷精餾過程中，其平均故障診斷率達(dá)92%，高于傳統(tǒng)的CNN、DAE模型；Arunthavanathan等[29]提出了半監(jiān)督的基于增量式單類神經(jīng)網(wǎng)絡(luò)的淺層神經(jīng)網(wǎng)絡(luò)故障診斷方法，減少所需手動添加的標(biāo)簽量，自主學(xué)習(xí)新故障的信息并進(jìn)行自動更新，在TE 過程中，診斷所花費(fèi)時(shí)間為80s以內(nèi)，遠(yuǎn)少于其他神經(jīng)網(wǎng)絡(luò)診斷時(shí)間。Zheng 等[30]采用深度自編碼器網(wǎng)絡(luò)和t-SNE算法進(jìn)行特征提取和數(shù)據(jù)可視化。提取的二維特征采用小批量k-means算法聚類，降低了添加標(biāo)簽所需要的時(shí)間。將該模型應(yīng)用于TE 過程的階躍型故障中，能100% 識別出故障1、2、4、6、7。

一些學(xué)者將多元統(tǒng)計(jì)方法和深度學(xué)習(xí)方法結(jié)合起來，提高單一方法的無監(jiān)督診斷能力。張祥等[31]提出了一種基于無監(jiān)督特征提取降維方法VAE 的DBN 故障診斷方法，在TE 過程中故障診斷效果遠(yuǎn)優(yōu)于SAE方法。趙帥[32]基于Tri-training和GPR方法建立了半監(jiān)督集成方法，利用Tri-training 的協(xié)同作用對無標(biāo)簽數(shù)據(jù)自動進(jìn)行標(biāo)簽添加，在脫丁烷塔化工模擬過程中驗(yàn)證了方法的有效性。

化工過程中大量無標(biāo)簽的數(shù)據(jù)使診斷過程時(shí)間成本高，研究者常通過使用傳統(tǒng)聚類方法（多元統(tǒng)計(jì)方法）和深度聚類方法（結(jié)合深度學(xué)習(xí)的方法）來解決。傳統(tǒng)聚類方法的聚類效果受噪聲和數(shù)據(jù)的平衡程度影響較大，聚類標(biāo)準(zhǔn)、統(tǒng)計(jì)量的優(yōu)化和設(shè)定依舊是研究的重點(diǎn)；深度聚類方法無法提取數(shù)據(jù)的結(jié)構(gòu)關(guān)系，如何有效利用數(shù)據(jù)結(jié)構(gòu)關(guān)系提升深度學(xué)習(xí)對聚類效果的調(diào)整能力具有一定的研究前景。除此之外，由于加入深度學(xué)習(xí)進(jìn)入診斷模型中，導(dǎo)致模型的診斷時(shí)間過長，這不利于化工實(shí)際應(yīng)用，需要重視和額外研究。

2.2 高維度強(qiáng)相關(guān)性下的化工故障診斷技術(shù)

化工過程輸出變量繁雜，變量與變量之間、變量與故障之間都存在相關(guān)、不相關(guān)兩種關(guān)系，多余的變量會干擾診斷結(jié)果，增加診斷時(shí)間。

大多數(shù)能夠進(jìn)行特征提取或者降維的方法，在處理具有高非線性和非高斯分布特征的化工過程數(shù)據(jù)時(shí)診斷效果下降，其原因是這些方法無法適應(yīng)高非線、非高斯分布的數(shù)據(jù)。汪慶寧等[33]針對化工過程數(shù)據(jù)非線性變量繁雜的特點(diǎn)提出了一種基于PPA的多元統(tǒng)計(jì)分析方法并應(yīng)用于TE過程的故障診斷，與KPCA等傳統(tǒng)非線性特征提取方法相比具有更好的效果。錢錕[34]將高斯徑向基核函數(shù)與多項(xiàng)式核函數(shù)進(jìn)行加權(quán)作為新的核函數(shù)，提出了一種基于組合核函數(shù)KPCA與改進(jìn)ELM的故障診斷方法并應(yīng)用于TE過程，其能力遠(yuǎn)優(yōu)于傳統(tǒng)的KPCA。曹玉蘋等[35]提出了基于動態(tài)單類隨機(jī)森林的故障檢測方法，在TE 過程中，與單類支持向量機(jī)（OSSVM）方法相比，該方法檢測效果好，檢出率提高了20%。夏永彬[36]利用遺傳算法優(yōu)化了粗糙集的屬性約簡性能，并與BP結(jié)合應(yīng)用于某廠70m3的PVC聚合釜中，提高了對變量的提取能力，從而降低了過擬合情況，提高了測試診斷率。Norazwan等[37]對傳統(tǒng)的用于數(shù)據(jù)降維和特征提取的多元統(tǒng)計(jì)方法進(jìn)行了改進(jìn)，提出了多尺度KFDA方法，并與ANFIS故障診斷方法結(jié)合形成新的診斷框架，并應(yīng)用于TE 過程中進(jìn)行方法驗(yàn)證，結(jié)果顯示該方法優(yōu)于PCA-ANFIS、FDA-ANFIS方法。

目前大多數(shù)特征提取和降維方法僅能針對變量繁雜問題，而無法對故障趨勢和結(jié)構(gòu)進(jìn)行提取，只是根據(jù)相關(guān)性去掉不相關(guān)變量，達(dá)到降維作用，但這樣同時(shí)會丟失許多局部信息，影響診斷結(jié)果。Yu 等[38]研發(fā)了具有增量學(xué)習(xí)能力的廣義卷積神經(jīng)網(wǎng)絡(luò)（BCNN），該網(wǎng)絡(luò)能提取非線性的故障結(jié)構(gòu)特征和趨勢，并且通過增量學(xué)習(xí)減少了每次新樣本的加入導(dǎo)致網(wǎng)絡(luò)重新訓(xùn)練時(shí)間，使得模型具有更強(qiáng)的自學(xué)習(xí)和泛化能力，在TE 過程和實(shí)際的三相流設(shè)備中證明了方法的有效性。Lyu 等[39]為了獲取變量間更深度的信息，減少降維后信息的損失率，解決統(tǒng)計(jì)學(xué)方法不易檢測早期突發(fā)故障的問題，提出了基于疊加稀疏自編碼器（SSAE）的加權(quán)時(shí)間序列故障診斷方法。利用SSAE 網(wǎng)絡(luò)將其轉(zhuǎn)換為深度學(xué)習(xí)所能處理的數(shù)據(jù)形式，使其能應(yīng)用在化工過程中。張展博等[40]針對傳統(tǒng)方法局部信息的提取能力弱的問題，提出了局部時(shí)空正則的慢特征提取獨(dú)立成分分析（LTSS-ICA）方法用于故障檢測，并應(yīng)用于TE 過程進(jìn)行了方法檢驗(yàn)，與DGE 方法相比，其檢測效果有所提高，但該方法不適用于高度非線性數(shù)據(jù)。

不同的優(yōu)化算法和不同的特征提取方法進(jìn)行組合以彌補(bǔ)單一方法的不足，提高整體診斷框架的特征提取效果和診斷效果。冀豐偲等[41]提出了一種基于線性判別分析（LDA）與SVM 相融合的故障診斷方法并應(yīng)用于TE過程，其中SVM的超參數(shù)是通過網(wǎng)格搜索和K 折交叉驗(yàn)證尋優(yōu)獲得，與SVM、PCA-SVM相比具有特征提取能力強(qiáng)、收斂速度快、診斷準(zhǔn)確率高、模型健壯的優(yōu)點(diǎn)。任玉佳等[42]研究了一種ICA與互信息方法相結(jié)合進(jìn)行特征提取于故障檢測，使用基于遺傳算法優(yōu)化的核極限學(xué)習(xí)機(jī)進(jìn)行故障識別的化工故障診斷方法，在TE 過程與某工業(yè)脫丙烷過程中的應(yīng)用結(jié)果表明該方法的有效性。

特征提取是解決化工數(shù)據(jù)維度過高導(dǎo)致故障診斷效果低的傳統(tǒng)方法，而特征提取的研究多著重于降低特征信息的損失率，未來可以從制定降維程度和信息完整度的綜合評價(jià)方法、利用其他數(shù)據(jù)驅(qū)動方法對評價(jià)方法進(jìn)行學(xué)習(xí)和尋優(yōu)兩個(gè)方面進(jìn)行深入研究。

2.3 數(shù)據(jù)不平衡下的化工故障診斷技術(shù)

由于化工過程的故障診斷數(shù)據(jù)具有極度不平衡性，即正常的負(fù)樣本數(shù)據(jù)遠(yuǎn)多于故障正樣本數(shù)據(jù)，并且不同故障類型之間的數(shù)據(jù)量相差懸殊，導(dǎo)致傳統(tǒng)意義上的數(shù)據(jù)驅(qū)動方法經(jīng)訓(xùn)練后其故障診斷效果極差或結(jié)果偏向于少數(shù)幾個(gè)類別，泛化能力差。

一些學(xué)者通過對少數(shù)類數(shù)據(jù)進(jìn)行過采樣或?qū)Χ鄶?shù)類數(shù)據(jù)進(jìn)行欠采樣的方法提高數(shù)據(jù)的平衡度，從而提高故障診斷模型的適應(yīng)性。易維淋[43]將隨機(jī)欠采樣和SMOTE 方法進(jìn)行組合對不平衡數(shù)據(jù)進(jìn)行混合采樣，從而訓(xùn)練極限學(xué)習(xí)機(jī)進(jìn)行故障診斷，TE結(jié)果表明當(dāng)不平衡度較大時(shí)，該方法比傳統(tǒng)極限學(xué)習(xí)機(jī)的總體分類精度和G均值更高。Hu等[44]利用數(shù)據(jù)預(yù)處理方法和DNN 模型來減少不平衡現(xiàn)象的影響，形成新型的增量式不平衡修正深度神經(jīng)網(wǎng)絡(luò)（incremental-IMDNN），在TE過程中的診斷結(jié)果表明該方法魯棒性好、適應(yīng)性強(qiáng)。夏麗莎等[45]利用Easy Ensemble 思想對正常樣本進(jìn)行欠采樣，分別與故障樣本形成多個(gè)訓(xùn)練集，應(yīng)用PCA 方法進(jìn)行降維后，使用Adaboost 集成方法集成多個(gè)SVM 分類器進(jìn)行故障診斷，在TE 的不平衡數(shù)據(jù)中，故障狀態(tài)的診斷準(zhǔn)確率和正常狀態(tài)的查準(zhǔn)率分別高達(dá)99.59%和99.83%。

從統(tǒng)計(jì)學(xué)方面來看，數(shù)據(jù)不平衡等價(jià)于某類數(shù)據(jù)所對應(yīng)的事件發(fā)生概率比較低，將數(shù)據(jù)不均勻分布的決定因素進(jìn)行定義并引入到模型中，使模型通過自學(xué)習(xí)獲得內(nèi)在規(guī)律是一種比數(shù)據(jù)處理方法更方便的解決方法。Askarian 等[46]將故障發(fā)生率考慮進(jìn)來，對貝葉斯網(wǎng)絡(luò)進(jìn)行了改進(jìn)，該方法通過先驗(yàn)概率對信息流進(jìn)行計(jì)算，以在線診斷與訓(xùn)練模塊交互、先驗(yàn)概率自主更新學(xué)習(xí)來保障系統(tǒng)穩(wěn)定性。在不平衡度為10∶1的TE過程中，與基于C4.5相比，該方法提高了30%的F1 性能指數(shù)（精確率與召回率的調(diào)和平均數(shù)）。張遠(yuǎn)緒等[47]采用稀疏理論對DAEN 進(jìn)行了改進(jìn)，并添加Softmax 分類器提高標(biāo)簽利用率，改進(jìn)的DAEN 方法在處理TE 過程的不平衡數(shù)據(jù)時(shí)比傳統(tǒng)DAEN的診斷率更高。Peng等[48]通過配置不同的權(quán)重和偏置處理不平衡數(shù)據(jù)，形成了針對數(shù)據(jù)不平衡、無標(biāo)簽、動態(tài)特征的基于雙向門控神經(jīng)網(wǎng)絡(luò)的診斷框架，用于動態(tài)環(huán)境中具有不確定性的故障診斷。該方法被用于TE 過程中進(jìn)行了驗(yàn)證，結(jié)果表明其在二類故障診斷和多類故障診斷中都取得了較好的效果。

由于故障的發(fā)生概率不同，造成故障樣本之間，故障與正常樣本之間存在不平衡，學(xué)者大多通過欠采樣將少數(shù)類增多的處理方法解決，也有部分通過研究發(fā)生概率的數(shù)學(xué)理論并將其引入模型中進(jìn)行修正和優(yōu)化。預(yù)處理方法的精度依附于對數(shù)據(jù)本質(zhì)的研究，探討所添加數(shù)據(jù)和真實(shí)數(shù)據(jù)的對應(yīng)關(guān)系應(yīng)為該方法的研究重點(diǎn)。而優(yōu)化和修正方法則應(yīng)先著眼于不平衡因數(shù)的確定和模型抽離，再在較統(tǒng)一的基礎(chǔ)上逐步提升模型診斷效果。

2.4 動態(tài)特性下的化工故障診斷技術(shù)

化工過程采集到的數(shù)據(jù)常不是靜態(tài)的，但在傳統(tǒng)的應(yīng)用中，大多數(shù)方法將其當(dāng)作靜態(tài)數(shù)據(jù)，忽略了數(shù)據(jù)在時(shí)間維度上的信息以及數(shù)據(jù)間的相關(guān)性，導(dǎo)致其無法處理具有更復(fù)雜關(guān)系的例如開停車等化工過程。

大多數(shù)傳統(tǒng)方法直接應(yīng)用于時(shí)序數(shù)據(jù)時(shí)處理能力大幅降低，因此可以考慮對原始數(shù)據(jù)進(jìn)行一定的處理，將數(shù)據(jù)中的時(shí)序動態(tài)關(guān)系轉(zhuǎn)換成靜態(tài)關(guān)系，然后應(yīng)用到傳統(tǒng)方法中，保證其診斷效果。羅磊等[49]改進(jìn)了交叉收斂映射（CCM）算法使其適用于化工動態(tài)故障診斷過程，得到的DCCM 算法在TE過程中進(jìn)行驗(yàn)證，表明該方法對動態(tài)過程的變量因果分析與時(shí)滯分析有較好的效果，具有一定的啟示性。馮立偉等[50]提出了一種基于時(shí)空近鄰標(biāo)準(zhǔn)化和局部離群因子的復(fù)雜過程故障檢測，時(shí)空近鄰標(biāo)準(zhǔn)化將動態(tài)數(shù)據(jù)中正常與故障最大化分開，局部離群因子在此基礎(chǔ)上有效地診斷故障，在TE 案例中，與其他多元統(tǒng)計(jì)方法相比該方法在動態(tài)數(shù)據(jù)上具有更高的診斷率和魯棒性。宋曉云等[51]針對非穩(wěn)態(tài)過程的故障診斷問題提出了基于DTW 的PCA 診斷方法，通過DTW 對時(shí)間序列的數(shù)據(jù)進(jìn)行處理，再應(yīng)用PCA 進(jìn)行靜態(tài)故障診斷，從而簡化非穩(wěn)態(tài)數(shù)據(jù)的診斷復(fù)雜度，提高診斷效果。該方法被用于青霉素發(fā)酵過程的Birol 模型中，其結(jié)果表明該方法能有效解決非穩(wěn)態(tài)早期過程診斷問題。由于化工過程的動態(tài)數(shù)據(jù)隨批次、操作及故障程度不同會有較大差距，要求故障診斷方法具有更強(qiáng)的適應(yīng)性。趙勁松等[52-53]將DTW算法與人工免疫系統(tǒng)結(jié)合，提出了動態(tài)人工免疫算法，可以應(yīng)用于青霉素發(fā)酵等間歇過程，也可以應(yīng)用于精餾塔開車及穩(wěn)態(tài)運(yùn)行的全生命周期，具有自學(xué)習(xí)、自適應(yīng)能力。

上述將時(shí)間序列數(shù)據(jù)轉(zhuǎn)換為靜態(tài)數(shù)據(jù)的方法可能導(dǎo)致信息丟失嚴(yán)重，而直接使用動態(tài)提取或聚類方法對時(shí)間序列進(jìn)行處理，然后再應(yīng)用到靜態(tài)系統(tǒng)中的方法能夠在數(shù)據(jù)處理和信息保留中實(shí)現(xiàn)平衡，獲得較好的效果。Tanatavikor 等[54]提出了一種新的批處理過程監(jiān)控方法——附加時(shí)間序列主成分分析。該方法采用改進(jìn)的聚類方法進(jìn)行相位識別和數(shù)據(jù)分割，并根據(jù)數(shù)據(jù)序列構(gòu)造多個(gè)時(shí)間有序的重疊主成分分析模型，然后將主成分分析模型用于靜態(tài)過程監(jiān)測。該方法在工業(yè)青霉素發(fā)酵過程中診斷的假陽性率在0.2%之內(nèi)，平均診斷時(shí)間為0.6h。Barragan 等[55]提出了一種基于小波特征、主成分分析相似度度量和模糊聚類相結(jié)合的多變量時(shí)間序列模式識別方法，在TE 過程中驗(yàn)證了有效性，該方法理論上可對不同時(shí)間長度的數(shù)據(jù)進(jìn)行聚類與診斷。

通過數(shù)據(jù)處理的方法解決動態(tài)問題其處理過程相對簡單，但當(dāng)數(shù)據(jù)量過大時(shí)易造成更高的計(jì)算復(fù)雜度，而通過利用LSTM 網(wǎng)絡(luò)的動態(tài)數(shù)據(jù)處理能力，與其他方法相結(jié)合，提高診斷效果能更高效地適用于各種情況。王楠等[56]發(fā)明了一種基于LSTM和多層感知機(jī)（MLP）結(jié)合的故障診斷方法，利用LSTM 的和MLP 進(jìn)行時(shí)間特征提取，再在Softmax上進(jìn)行分類，該發(fā)明可以運(yùn)用于具有時(shí)變性、非線性、高維性的化工過程。在TE 過程中進(jìn)行檢驗(yàn)，其故障診斷準(zhǔn)確率為86.3%。Park 等[57]針對工業(yè)數(shù)據(jù)時(shí)延性、高維度非線性、不平衡性等特征，提出了一種同時(shí)解決3種問題的故障診斷方法，該方法結(jié)合了無監(jiān)督故障檢測的自動編碼器和識別故障類型的LSTM網(wǎng)絡(luò)，與深度卷積神經(jīng)網(wǎng)絡(luò)相比，在TE過程中，故障診斷的平均準(zhǔn)確率顯著提高了16.9%。

LSTM 網(wǎng)絡(luò)屬于比較新穎的數(shù)據(jù)驅(qū)動方法，相關(guān)技術(shù)還不夠成熟，應(yīng)用存在不確定性。因此通過優(yōu)化具有一定動態(tài)處理能力的傳統(tǒng)方法，提升魯棒性和綜合效果。魏小林[58]針對化工數(shù)據(jù)動態(tài)性提出了一種基于滑動窗機(jī)制的PPA 方法，針對貝葉斯網(wǎng)絡(luò)不適用于數(shù)據(jù)量過大的過程的缺點(diǎn)，提出了一種人工蜂群算法與差分進(jìn)化算法融合，通過評分高低搜索最優(yōu)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的改進(jìn)貝葉斯網(wǎng)絡(luò)，并將兩者均應(yīng)用于了TE 過程故障診斷中，其結(jié)果表明改進(jìn)PPA 方法能更高效地處理化工過程的動態(tài)數(shù)據(jù)。Wu 等[59]利用CNN 數(shù)據(jù)結(jié)構(gòu)的二維特性，處理具有時(shí)間序列的化工數(shù)據(jù)，并將其運(yùn)用到了TE過程，結(jié)果表明，基于CNN 的故障診斷方法在較少的訓(xùn)練次數(shù)下依然能夠表現(xiàn)出良好的診斷性能。

數(shù)據(jù)具有動態(tài)特征使化工故障過程的診斷難度高于其他過程，傳統(tǒng)動態(tài)轉(zhuǎn)靜態(tài)的間接方法無法處理大量的復(fù)雜數(shù)據(jù)，無法保留更多時(shí)間信息，而綜合性能較好的方法現(xiàn)階段只有還停留在基礎(chǔ)研究的LSTM 方法，因此應(yīng)該針對性地研究化工動態(tài)特征數(shù)據(jù)的數(shù)學(xué)特性（例如因果邏輯分析），并根據(jù)特性對傳統(tǒng)數(shù)據(jù)驅(qū)動方法的模型進(jìn)行改進(jìn)，提出更多的新方法。

2.5 工業(yè)應(yīng)用現(xiàn)狀

化工故障診斷技術(shù)融合了多個(gè)學(xué)科的理論，其研究的意義是為了保障實(shí)際工廠的安全運(yùn)行，因此其工業(yè)應(yīng)用是技術(shù)研發(fā)的根本，但近五年來根據(jù)化工數(shù)據(jù)的特點(diǎn)進(jìn)行研究的相關(guān)文獻(xiàn)大多將研究成果應(yīng)用于成熟、穩(wěn)定的通用過程（TE 過程）和青霉素發(fā)酵過程進(jìn)行方法驗(yàn)證，有些學(xué)者為了驗(yàn)證方法的普適性，也會將方法應(yīng)用于流程模擬數(shù)據(jù)和普通工廠中某一裝置的歷史數(shù)據(jù)，但少有將其軟件化后應(yīng)用于實(shí)際工業(yè)中進(jìn)行實(shí)用性探討。

化工故障診斷技術(shù)的工業(yè)應(yīng)用并不是沒有，只是最新研究成果的應(yīng)用具有滯后性，在我國最早被投入使用的化工故障診斷技術(shù)是專家系統(tǒng)，如中國華東化工學(xué)院自動化研究所的沈建平團(tuán)隊(duì)[60]設(shè)計(jì)、編寫的用于石化集團(tuán)安慶化肥廠的CO2吸收塔故障檢測專家系統(tǒng)。而隨著大數(shù)據(jù)時(shí)代的來臨和國家做出的制造強(qiáng)國、網(wǎng)絡(luò)強(qiáng)國戰(zhàn)略部署，部分高校和企業(yè)通過組合多種數(shù)據(jù)挖掘方法或?qū)?shù)據(jù)挖掘方法融入專家系統(tǒng)的形式，開發(fā)其軟件和系統(tǒng)，并應(yīng)用于實(shí)際化工過程，以解決化工過程故障診斷問題。例如北京化工大學(xué)的高金吉院士團(tuán)隊(duì)[61]根據(jù)多元統(tǒng)計(jì)方法針對機(jī)泵群開發(fā)了機(jī)泵群故障診斷專家系統(tǒng)，并在多個(gè)石油企業(yè)應(yīng)用；華南理工大學(xué)化學(xué)產(chǎn)品和過程系統(tǒng)工程研究室利用PCA 等多元統(tǒng)計(jì)數(shù)據(jù)驅(qū)動方法與專家系統(tǒng)結(jié)合研發(fā)了潤滑油酮苯脫蠟油回收裝置集成運(yùn)用系統(tǒng)，應(yīng)用于茂名石化潤滑油過程進(jìn)行實(shí)時(shí)檢測和故障診斷；化學(xué)品安全控制國家重點(diǎn)實(shí)驗(yàn)室與中國石化合作將PCA方法和專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)等故障診斷技術(shù)結(jié)合開發(fā)了針對某煉化企業(yè)己內(nèi)酰胺裝置的安全運(yùn)行指導(dǎo)系統(tǒng)[62]，并投入使用，其運(yùn)行過程中系統(tǒng)的診斷結(jié)果與實(shí)際情況一致；清華大學(xué)與九江石化、石化盈科集團(tuán)合作研發(fā)了催化裂化過程報(bào)警分析、結(jié)焦預(yù)測和汽油收率尋優(yōu)綜合系統(tǒng)，并在九江石化的催化裂化裝置進(jìn)行了運(yùn)用，結(jié)果表明該系統(tǒng)能合理分析實(shí)際裝置的報(bào)警情況，并進(jìn)行故障原因追溯。除和高校合作研發(fā)外，隸屬于石化企業(yè)的研究機(jī)構(gòu)針對企業(yè)自身的工藝研發(fā)了具有故障診斷功能的系統(tǒng)并應(yīng)用于企業(yè)中。例如中國石化青島安全工程研究院的王春利[63]根據(jù)數(shù)據(jù)挖掘技術(shù)研發(fā)的石化過程安全運(yùn)行報(bào)警預(yù)測裝置在上海石化、儀征化纖、燕山石化、石家莊煉化等石化企業(yè)的裝置上成功應(yīng)用，取得良好效果；鎮(zhèn)海煉化在常減壓裝置上采用大數(shù)據(jù)技術(shù)建立裝置各點(diǎn)位之間相關(guān)性模型，運(yùn)用特定算法預(yù)測生產(chǎn)區(qū)間的工藝波動趨勢，實(shí)現(xiàn)提前2min 預(yù)警，有效避免了異常工況。

3 結(jié)語

隨著大數(shù)據(jù)時(shí)代的來臨，魯棒性強(qiáng)、處理能力優(yōu)越的數(shù)據(jù)驅(qū)動方法被廣泛應(yīng)用于各行各業(yè)中。高非線性處理能力的深度學(xué)習(xí)和高效、高魯棒性的集成學(xué)習(xí)已成為數(shù)據(jù)驅(qū)動方法的研究重心，如何降低深度學(xué)習(xí)的計(jì)算復(fù)雜度、挖掘集成學(xué)習(xí)的多樣性是數(shù)據(jù)驅(qū)動方法的理論研究方向。

化工過程數(shù)據(jù)具有維度高、非線性強(qiáng)、不平衡度高、標(biāo)簽難標(biāo)注、動態(tài)特性明顯的特征，近些年大多學(xué)者針對這些特征分別提出降維、優(yōu)化、欠采樣、聚類、動轉(zhuǎn)靜態(tài)的數(shù)據(jù)處理方法，并據(jù)此提出多數(shù)據(jù)驅(qū)動方法組合的診斷框架。組合不同數(shù)據(jù)驅(qū)動方法，取長補(bǔ)短，獲得更具泛化性和高效性的診斷技術(shù)將會是后續(xù)故障診斷方法研究的常用思維。

而化工過程中依舊存在例如數(shù)據(jù)缺失或異常導(dǎo)致故障診斷效果下降、時(shí)滯現(xiàn)象導(dǎo)致故障診斷錯(cuò)位、數(shù)據(jù)類型不唯一導(dǎo)致模型對部分?jǐn)?shù)據(jù)不敏感等問題待解決，從優(yōu)化集成學(xué)習(xí)中的bagging 方法、快速自動構(gòu)建動態(tài)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)、搭建自然語言處理與傳統(tǒng)方法的化工診斷橋梁出發(fā)研究是一種有效思路。

最新科學(xué)研究成果的應(yīng)用還處于偏離實(shí)際的情況，這與工廠數(shù)據(jù)保密性高、數(shù)據(jù)安全保障性低的現(xiàn)狀相關(guān)，但不難看出，數(shù)據(jù)挖掘方法的應(yīng)用能有效保障工廠的安全運(yùn)行。期待當(dāng)工廠數(shù)據(jù)研究自由時(shí)，基于數(shù)據(jù)挖掘的化工故障診斷方法的蓬勃發(fā)展。

綜上，在未來化工故障診斷研究過程中應(yīng)圍繞“診斷時(shí)效”“數(shù)據(jù)特征”等關(guān)鍵詞從理論出發(fā)結(jié)合多種數(shù)據(jù)驅(qū)動方法來提高復(fù)雜化工過程的實(shí)際診斷效果，保障工廠安全運(yùn)行。