楊小健 朱 月 錢(qián)景輝

(南京工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 江蘇 南京 211816)

基于FCM-ANN的化工儲(chǔ)罐異常檢測(cè)方法研究

楊小健 朱 月*錢(qián)景輝

(南京工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 江蘇 南京 211816)

如何準(zhǔn)確地檢測(cè)出儲(chǔ)罐運(yùn)行的異常狀態(tài)是工業(yè)控制系統(tǒng)的核心問(wèn)題，針對(duì)傳統(tǒng)的有監(jiān)督學(xué)習(xí)需要大量學(xué)習(xí)樣本，而無(wú)監(jiān)督學(xué)習(xí)準(zhǔn)確率不足的問(wèn)題，提出一種基于FCM-ANN的異常檢測(cè)方法。該方法基于三層結(jié)構(gòu)模型，F(xiàn)CM層不需要任何先驗(yàn)知識(shí)，對(duì)數(shù)據(jù)進(jìn)行初步異常檢測(cè)，ANN層對(duì)FCM層的每個(gè)類分別進(jìn)行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，最后通過(guò)ANN集成得到檢測(cè)結(jié)果。對(duì)采集的儲(chǔ)罐運(yùn)行狀態(tài)數(shù)據(jù)進(jìn)行仿真后，結(jié)果表明該方法比ANN、FCM和Na?ve Bayes方法有更優(yōu)的檢測(cè)性能。

儲(chǔ)罐 異常檢測(cè) FCM ANN 三層結(jié)構(gòu)模型

0 引 言

在工業(yè)化、信息化不斷融合與發(fā)展的過(guò)程中，進(jìn)一步提高工業(yè)智能診斷技術(shù)，對(duì)工業(yè)設(shè)備的運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)與異常診斷是工業(yè)控制中的重要課題[1]。而儲(chǔ)罐是化工企業(yè)用來(lái)存儲(chǔ)化工原料的重要設(shè)備，其存儲(chǔ)的原料價(jià)值性和危險(xiǎn)性都很高。但在現(xiàn)實(shí)生產(chǎn)中，由于各種不安全狀態(tài)的行為，容易造成儲(chǔ)罐中有毒物質(zhì)泄露甚至產(chǎn)生爆炸現(xiàn)象，造成極大的人員財(cái)產(chǎn)傷害。實(shí)踐經(jīng)驗(yàn)表明，發(fā)生各種事故的原因主要是因?yàn)閮?chǔ)罐中的化工原料處于一種異常的狀態(tài)，比如各種指標(biāo)低于或者高于某個(gè)臨界值。因此，建立對(duì)儲(chǔ)罐危險(xiǎn)源設(shè)備的異常檢測(cè)系統(tǒng)，是實(shí)現(xiàn)安全生產(chǎn)的必要條件[2]。

目前化工儲(chǔ)罐的異常檢測(cè)基本是通過(guò)分布式控制系統(tǒng)，由數(shù)據(jù)采集與監(jiān)控系統(tǒng)(SCADA系統(tǒng))實(shí)時(shí)或定期采集儲(chǔ)罐狀態(tài)數(shù)據(jù)并錄入數(shù)據(jù)庫(kù)，利用異常檢測(cè)算法對(duì)數(shù)據(jù)進(jìn)行分析，從而實(shí)現(xiàn)對(duì)異常狀態(tài)的檢測(cè)和監(jiān)控。常用的基于數(shù)據(jù)驅(qū)動(dòng)的異常檢測(cè)技術(shù)主要包括監(jiān)督建模方法[3]和無(wú)監(jiān)督聚類方法[5]。但在實(shí)際異常檢測(cè)過(guò)程中，目前的檢測(cè)技術(shù)仍然存在檢測(cè)率低、誤報(bào)率高，實(shí)時(shí)性差等缺陷，究其原因，主要包括有以下兩點(diǎn)原因：1)基于監(jiān)督的建模方法需要標(biāo)記大量序列以獲得足夠的樣本數(shù)據(jù)，不易于發(fā)現(xiàn)未知的異常類型；2)無(wú)監(jiān)督聚類方法的訓(xùn)練樣本中不含期望輸出，沒(méi)有任何先驗(yàn)知識(shí)，因此往往會(huì)降低檢測(cè)精度。針對(duì)這些問(wèn)題，國(guó)內(nèi)外學(xué)者對(duì)異常檢測(cè)技術(shù)進(jìn)行了深入研究，文獻(xiàn)[6]利用人工神經(jīng)網(wǎng)絡(luò)對(duì)燃?xì)廨啓C(jī)設(shè)備的運(yùn)行狀態(tài)參數(shù)進(jìn)行學(xué)習(xí)監(jiān)測(cè)，并提供報(bào)警功能；文獻(xiàn)[7]在無(wú)監(jiān)督單分類支持向量機(jī)的基礎(chǔ)上采取主動(dòng)學(xué)習(xí)方式，找出對(duì)提高檢測(cè)性能最有價(jià)值的標(biāo)記，然后對(duì)這些標(biāo)記數(shù)據(jù)的類型信息以半監(jiān)督方法重新訓(xùn)練；文獻(xiàn)[8]提出了基于時(shí)間序列數(shù)據(jù)的無(wú)監(jiān)督聚類方法，并在大數(shù)據(jù)集處理環(huán)境下實(shí)現(xiàn)對(duì)多個(gè)氣體壓縮機(jī)站的異常檢測(cè);文獻(xiàn)[9]優(yōu)化了符號(hào)特征提取和模式分類，提出一種新的核電廠運(yùn)行設(shè)備的異常檢測(cè)方法，提高了檢測(cè)質(zhì)量。以上方法雖然在工業(yè)控制領(lǐng)域的異常檢測(cè)性能有所提高，但是也沒(méi)能很好的解決以上兩點(diǎn)問(wèn)題。

本文結(jié)合監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)的優(yōu)點(diǎn)，采用基于數(shù)據(jù)驅(qū)動(dòng)的檢測(cè)機(jī)制，提出了基于FCM-ANN的異常檢測(cè)方法。該方法首先利用無(wú)監(jiān)督聚類FCM(Fuzzy C-means)算法對(duì)海量數(shù)據(jù)進(jìn)行聚類，得到較少量標(biāo)記數(shù)據(jù)以提高檢測(cè)性能，然后針對(duì)每個(gè)聚類簇進(jìn)行ANN分類學(xué)習(xí)，最后對(duì)不同的學(xué)習(xí)結(jié)果進(jìn)行集成分析。這種方法處理的數(shù)據(jù)量更大，可挖掘的信息更多，適用范圍更廣。通過(guò)對(duì)南京某化工企業(yè)采集到的十八萬(wàn)項(xiàng)數(shù)據(jù)進(jìn)行驗(yàn)證，F(xiàn)CM-ANN異常檢測(cè)方法在檢測(cè)率和誤報(bào)率上均有所改善。

1 儲(chǔ)罐運(yùn)行狀態(tài)異常檢測(cè)模型

在實(shí)際生產(chǎn)運(yùn)營(yíng)中，廠區(qū)的儲(chǔ)罐設(shè)備和監(jiān)控室的異常檢測(cè)系統(tǒng)在地理位置上是分開(kāi)的，通過(guò)在儲(chǔ)罐設(shè)備區(qū)布置壓力、溫度、物位、氣體等傳感器采集儲(chǔ)罐及其中的化工原料狀態(tài)信息，經(jīng)過(guò)簡(jiǎn)單的數(shù)據(jù)處理后存入數(shù)據(jù)庫(kù)系統(tǒng)，選用合適的異常檢測(cè)方法實(shí)現(xiàn)狀態(tài)輸出與決策評(píng)估，具體流程如圖1所示。

圖1 異常檢測(cè)流程圖

系統(tǒng)中數(shù)據(jù)的來(lái)源包括在線采集數(shù)據(jù)和離線異常數(shù)據(jù)，由于數(shù)據(jù)在時(shí)空、地理位置上存在差異性，因此對(duì)異常的敏感程度各不相同，數(shù)據(jù)呈現(xiàn)多樣性。離線數(shù)據(jù)還能提供一些以往出現(xiàn)的異常，將這些異常數(shù)據(jù)統(tǒng)一收集起來(lái)，為后續(xù)的異常檢測(cè)提供重要的學(xué)習(xí)樣本。在圖1整個(gè)流程中，異常檢測(cè)處理模塊當(dāng)然是系統(tǒng)的核心模塊，其主要結(jié)構(gòu)如圖2所示。

圖2 異常檢測(cè)處理模塊結(jié)構(gòu)

異常信息處理模塊采用先進(jìn)異常檢測(cè)技術(shù)進(jìn)行處理，對(duì)在線采集數(shù)據(jù)和歷史數(shù)據(jù)進(jìn)行分析，找到異常值，得出儲(chǔ)罐和其存儲(chǔ)物異常的原因，根據(jù)專家系統(tǒng)的對(duì)策及時(shí)對(duì)異常儲(chǔ)罐進(jìn)行檢查和維護(hù)，形成事故分析報(bào)告。本文根據(jù)儲(chǔ)罐數(shù)據(jù)的特點(diǎn)，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理后采取結(jié)合監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)的檢測(cè)策略，即基于FCM-ANN的異常檢測(cè)方法。

2 FCM-ANN異常檢測(cè)方法簡(jiǎn)介

本文的數(shù)據(jù)采集于南京某化工企業(yè)，該企業(yè)某部門(mén)擁有上百個(gè)儲(chǔ)罐，中間采集程序每?jī)尚r(shí)采集一次儲(chǔ)罐狀態(tài)數(shù)據(jù)，并記錄到數(shù)據(jù)庫(kù)。每個(gè)月的記錄有上萬(wàn)條，可想而知，長(zhǎng)年累積的數(shù)據(jù)量是非常大的。如果用傳統(tǒng)的基于FCM(無(wú)監(jiān)督學(xué)習(xí))或者基于ANN(監(jiān)督學(xué)習(xí))的異常檢測(cè)方法，檢測(cè)效率低下，誤報(bào)率較高，浪費(fèi)大量人力財(cái)力。本文將兩種方法相結(jié)合，提出異常檢測(cè)三層架構(gòu)模型，如圖3所示。

圖3 異常檢測(cè)方法三層架構(gòu)模型

每一層功能明確，分別為：

FCM層：聚類分析是無(wú)監(jiān)督異常檢測(cè)中的重要技術(shù)，而FCM算法改進(jìn)了傳統(tǒng)硬聚類的不足，是目前聚類分析中最常用最成熟的方法。該層不需要任何先驗(yàn)知識(shí)，依據(jù)指定的相似度標(biāo)準(zhǔn)，對(duì)數(shù)據(jù)集進(jìn)行劃分，使得正常數(shù)據(jù)和異常數(shù)據(jù)歸屬到不同的類簇，每個(gè)簇類內(nèi)部具有高度相似性，簇類之間高度分離。通過(guò)劃分為多個(gè)數(shù)據(jù)簇，極大地降低了后續(xù)ANN訓(xùn)練數(shù)據(jù)的復(fù)雜度。

ANN層：由于異常數(shù)據(jù)在數(shù)據(jù)總量中一般占少部分,所以通過(guò)FCM層的簡(jiǎn)單處理不能達(dá)到很好的檢測(cè)性能。本層針對(duì)上層得到的多個(gè)簇，利用ANN分別對(duì)每個(gè)簇和離線歷史數(shù)據(jù)進(jìn)行訓(xùn)練網(wǎng)絡(luò)。經(jīng)過(guò)該層ANN網(wǎng)絡(luò)訓(xùn)練，異常檢測(cè)準(zhǔn)確率有所提高，原因有兩點(diǎn)：一是由于不是對(duì)所有海量雜糅數(shù)據(jù)進(jìn)行訓(xùn)練，而是針對(duì)數(shù)據(jù)特征集中的簇進(jìn)行訓(xùn)練，ANN網(wǎng)絡(luò)訓(xùn)練效率提高；二是因?yàn)锳NN網(wǎng)絡(luò)可以彌補(bǔ)上層聚類的不足，檢測(cè)準(zhǔn)確度提高。

ANN集成層：理論研究發(fā)現(xiàn)，各子ANN差異性越大，集成效果越好，本層正是針對(duì)差異性較大的各個(gè)ANN進(jìn)行集成，能顯著提高ANN的泛化能力。

2.1 FCM層

Zadeh提出模糊集概念之后，模糊聚類憑借其優(yōu)越的性能成為無(wú)監(jiān)督學(xué)習(xí)的重要領(lǐng)域，其中最廣泛研究的便是模糊C均值算法[10]。FCM聚類算法是基于目標(biāo)函數(shù)的非線性規(guī)劃問(wèn)題，通過(guò)迭代優(yōu)化獲得數(shù)據(jù)集的最佳聚類。設(shè)將數(shù)據(jù)集X={x1,x2,…,xn}劃分為c類，U=[uij]∈Rcn表示模糊隸屬度矩陣，U中元素uij表示第j(j=1,2,…,n)個(gè)數(shù)據(jù)屬于第i(i=1,2,…,c)類的隸屬度，dij表示數(shù)據(jù)xj到聚類中心vi的歐式距離，即dij=‖xj-vi‖，m為模糊加權(quán)指數(shù)，表示模糊聚類算法的模糊化程度，則FCM算法的目標(biāo)函數(shù)Jm可定義為式(1):

(1)

使用Lagrange乘子法構(gòu)造無(wú)約束函數(shù)得到隸屬度uij和聚類中心vi的迭代公式：

(2)

(3)

綜上所述，F(xiàn)CM的具體步驟如下：

1) 初始化聚類數(shù)c,參數(shù)m，設(shè)定迭代停止閾值ε，迭代計(jì)數(shù)器k=0；

2) 初始化聚類中心V0和模糊劃分矩陣U0；

3) 由式(2)計(jì)算更新劃分矩陣Uk，由式(3)更新聚類中心Vk；

4) 如果滿足‖V(k+1)-V(k)‖<ε，則算法停止迭代并輸出劃分矩陣U和聚類中心V，否則令k=k+1，轉(zhuǎn)向執(zhí)行步驟 3)。

經(jīng)過(guò)上述步驟，所有采集的儲(chǔ)罐運(yùn)行及原料各參量狀態(tài)數(shù)據(jù)被分為若干類別，降低了數(shù)據(jù)量和后續(xù)ANN網(wǎng)絡(luò)訓(xùn)練的復(fù)雜度。

2.2ANN層

ANN在處理異常檢測(cè)方面有諸多優(yōu)越性，它可以通過(guò)訓(xùn)練獲取知識(shí)，并把知識(shí)存儲(chǔ)到連接結(jié)點(diǎn)的權(quán)重上，具有很好的學(xué)習(xí)和自適應(yīng)能力，能夠識(shí)別未知的異常。ANN還能夠根據(jù)歷史行為自動(dòng)識(shí)別與以往類似的異常，有效地提高了異常檢測(cè)的準(zhǔn)確率。

本文使用前饋型ANN對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練，再使用反向傳播算法對(duì)網(wǎng)絡(luò)進(jìn)行調(diào)整。前饋型神經(jīng)網(wǎng)絡(luò)包括一個(gè)輸入、多個(gè)隱含層和一個(gè)輸出層。ANN訓(xùn)練過(guò)程分兩個(gè)階段，正向輸入和反向傳播：信息從輸入層進(jìn)入網(wǎng)絡(luò)，逐層向前傳播，經(jīng)過(guò)隱含層逐層處理傳向輸出層，比較實(shí)際輸出與期望值的誤差，并反向傳輸將誤差分?jǐn)偨o各層所有單元，不斷調(diào)整各單元權(quán)值，權(quán)值的調(diào)整過(guò)程就是網(wǎng)絡(luò)學(xué)習(xí)的過(guò)程，此過(guò)程一直進(jìn)行到網(wǎng)絡(luò)輸出誤差減小到可接受的范圍。

設(shè)xi表示輸入層第i個(gè)神經(jīng)單元的輸入, wij表示輸入層到隱含層第j個(gè)神經(jīng)單元的權(quán)值，θj表示隱含層第j個(gè)神經(jīng)單元的閾值，則隱含層第j個(gè)單元的輸入netj的值如下所示：

(4)

采用sigmoid激活函數(shù)：

則隱含層第j個(gè)單元的輸出yc為：

yc=f(netj)

(5)

網(wǎng)絡(luò)實(shí)際輸出與期望輸出的系統(tǒng)均方差為：

(6)

其中Tc為期望輸出，通過(guò)最速下降法求得網(wǎng)絡(luò)的全局最優(yōu)權(quán)值，如式(7)所示：

(7)

為了加速學(xué)習(xí)過(guò)程的收斂速度，引入平滑因子α，修正網(wǎng)絡(luò)的權(quán)值，如式(8)所示。閾值的修正過(guò)程和權(quán)值修正類似。

(8)

通過(guò)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，根據(jù)實(shí)際數(shù)據(jù)值是否落入正常區(qū)間來(lái)判斷該數(shù)據(jù)是否異常，同時(shí)結(jié)合歷史異常數(shù)據(jù)給出儲(chǔ)罐異常類型。

2.3 ANN集成

因?yàn)锳NN網(wǎng)絡(luò)之間差異性較大，為了降低錯(cuò)檢率，需要將訓(xùn)練好的ANN網(wǎng)絡(luò)進(jìn)行集成。由于ANN集成規(guī)模較小，采用加權(quán)平均方式可以有效提高ANN集成泛化能力[11]。

集成主要步驟如下：

1) 將每個(gè)ANN的輸出記為：yj=[yj1,yj2,…,yjc],j=1,2,…,n，其中yjc為第c個(gè)ANN的輸出。

2) 用加權(quán)平均方法對(duì)子網(wǎng)絡(luò)進(jìn)行集成，權(quán)值和等于1，輸出結(jié)果記為：youput=[y1·u1,y2·u2,…,yn·un]，其中u為到聚類中心的隸屬度。

通過(guò)以上三個(gè)主要步驟的異常檢測(cè)方法，最后輸出儲(chǔ)罐及原料參數(shù)的狀態(tài)，分析異常產(chǎn)生的原因，及時(shí)進(jìn)行設(shè)備與原料的檢查。由于化工儲(chǔ)罐所處環(huán)境比較復(fù)雜，采集的數(shù)據(jù)呈現(xiàn)多樣性，有些狀態(tài)雖然在正常范圍內(nèi)，但是某項(xiàng)指標(biāo)已經(jīng)處在異常狀態(tài)了，所以通過(guò)單一的無(wú)監(jiān)督學(xué)習(xí)往往檢測(cè)率比較低。

3 實(shí)驗(yàn)與分析

本文以南京某化工企業(yè)煉油一線所采集的數(shù)據(jù)為數(shù)據(jù)集，采用隨機(jī)采樣的方式，截取在2015年1月1號(hào)0點(diǎn)到6月31號(hào)12點(diǎn)作為實(shí)驗(yàn)數(shù)據(jù)源，時(shí)間包含春夏冬三季。根據(jù)專家定義，數(shù)據(jù)包含儲(chǔ)罐開(kāi)關(guān)狀態(tài)、靜態(tài)設(shè)置特征、動(dòng)態(tài)實(shí)時(shí)特征等形式數(shù)據(jù)，共計(jì)184 210項(xiàng)，且都經(jīng)過(guò)現(xiàn)場(chǎng)專門(mén)人員審核過(guò)，已含有標(biāo)記位，便于算法的驗(yàn)證。

3.1 數(shù)據(jù)描述

采集數(shù)據(jù)所包含的屬性多達(dá)十幾項(xiàng)，主要的屬性主要有儲(chǔ)罐的液位、氣壓、容積、實(shí)際儲(chǔ)量，化工原液的溫度、密度、流量等。這幾項(xiàng)屬性是儲(chǔ)罐安全操作的重要指標(biāo)，一般失誤操作或者儲(chǔ)罐自身裝備的異?？杀憩F(xiàn)為溫度、壓力的突然變化。圖4-圖6分別是溫度、壓力、儲(chǔ)量參量的表示。

圖4 溫度參量數(shù)據(jù)分布

圖5 壓力參量數(shù)據(jù)分布

圖6 儲(chǔ)量參量數(shù)據(jù)分布

3.2 異常類型

儲(chǔ)罐的運(yùn)行狀態(tài)的控制主要分為生產(chǎn)條件、設(shè)備狀況和安全裝置三個(gè)方面。生產(chǎn)條件包括溫度、壓力、液位或者化學(xué)成分是否符合要求；設(shè)備狀況是檢查罐體及其關(guān)聯(lián)設(shè)備的運(yùn)行狀態(tài)，是否包括泄露、腐蝕可疑情況，這些異常狀態(tài)可通過(guò)生產(chǎn)條件的變化反映出來(lái)；安全裝置包括檢查附件、報(bào)警裝置、計(jì)量?jī)x表是否完好等。根據(jù)采集數(shù)據(jù)和離線歷史數(shù)據(jù)，分析得出各狀態(tài)類型及其所占的百分比，如表1所示。

表1 異常類型及百分比

3.3 評(píng)估參數(shù)

評(píng)估異常檢測(cè)性能的兩個(gè)重要參數(shù)分別為檢測(cè)率DR(DetectionRate)和誤報(bào)率FAR(FalseAlarmRate)：

(8)

(9)

如何提高檢測(cè)率、降低誤報(bào)率是任何異常檢測(cè)系統(tǒng)優(yōu)化的目標(biāo)，但是誤報(bào)率通常會(huì)隨著檢測(cè)率的提高而提高，因此單一追求高的檢測(cè)率沒(méi)有說(shuō)服性，在保持較低誤報(bào)率的前提下提高檢測(cè)率是異常檢測(cè)的重要目標(biāo)。

3.4 實(shí) 驗(yàn)

根據(jù)采集的數(shù)據(jù)和輸出狀態(tài)特征，選取4個(gè)聚類數(shù)，輸入層、隱含層和輸出層節(jié)點(diǎn)數(shù)分別為8、8和10，訓(xùn)練誤差為0.001。隨著聚類個(gè)數(shù)的增加，對(duì)異常狀態(tài)的檢測(cè)率會(huì)逐漸增強(qiáng)，但是對(duì)正常狀態(tài)的正確鑒別能力下降即誤報(bào)率提升，因此鑒于異常狀態(tài)數(shù)目，本文的聚類個(gè)數(shù)設(shè)為4。通過(guò)與傳統(tǒng)三層ANN網(wǎng)絡(luò)、FCM聚類和Na?veBayes進(jìn)行對(duì)比分析，本文提出的基于FCM-ANN的檢測(cè)算法在檢測(cè)率和誤報(bào)率方面均有顯著優(yōu)勢(shì)，所得結(jié)果如圖7、圖8所示。

圖7 檢測(cè)率對(duì)比圖

圖8 誤報(bào)率對(duì)比圖

從圖7和圖8看出，基于FCM-ANN方法的異常檢測(cè)技術(shù)對(duì)不同類型的儲(chǔ)罐運(yùn)行狀態(tài)都有較高的檢測(cè)率和低誤報(bào)率，基本保持在90%以上的檢測(cè)率和5%以下的誤報(bào)率，而基于監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)的單一模式的檢測(cè)精度則明顯較差。從圖中還可以看出，基于FCM-ANN的檢測(cè)方法比較穩(wěn)定，對(duì)各種正常和異常狀態(tài)的檢測(cè)率和誤報(bào)率能保持在10%以內(nèi)的浮動(dòng)，而其他方法浮動(dòng)較大，范圍基本是在20%左右。由于FCM-ANN方法結(jié)合了監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)的特點(diǎn)，基于足量的標(biāo)記數(shù)據(jù)，既能夠發(fā)現(xiàn)未知的異常，又可以準(zhǔn)確學(xué)習(xí)過(guò)去發(fā)現(xiàn)的異常，檢測(cè)性能得到增強(qiáng)。

由圖9可以看出，雖然FCM-ANN方法是基于三層結(jié)構(gòu)模型，但是時(shí)間復(fù)雜度卻沒(méi)有顯著增加，由于FCM層的初始檢測(cè)，使得ANN層的訓(xùn)練量降低，運(yùn)行時(shí)間比ANN方法快很多。綜合考慮檢測(cè)精度和運(yùn)行時(shí)間兩方面因素，基于FCM-ANN的儲(chǔ)罐異常狀態(tài)檢測(cè)方法在化工企業(yè)工業(yè)控制中具有實(shí)際應(yīng)用價(jià)值。

圖9 運(yùn)行時(shí)間對(duì)比圖

4 結(jié) 語(yǔ)

本文針對(duì)監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)檢測(cè)方法中存在的檢測(cè)率低、誤報(bào)率高的問(wèn)題，提出基于FCM-ANN的異常檢測(cè)方法。建立三層結(jié)構(gòu)模型，通過(guò)無(wú)監(jiān)督FCM算法，對(duì)異常狀態(tài)進(jìn)行初步檢測(cè)并且減少了后續(xù)ANN訓(xùn)練的數(shù)據(jù)量和復(fù)雜度，提高了ANN訓(xùn)練的性能和效率。最后經(jīng)過(guò)ANN集成，將差異性較大的ANN子網(wǎng)進(jìn)行加權(quán)聚合，提高ANN的泛化能力。實(shí)驗(yàn)表明基于FCM-ANN的異常檢測(cè)方法比ANN、FCM和Na?veBayes方法有較好的檢測(cè)性能，在實(shí)際化工生產(chǎn)監(jiān)測(cè)系統(tǒng)中也得到了運(yùn)用。

[1]StoufferK,FalcoJ,ScarfoneK.Guidetoindustrialcontrolsystems(ICS)security:NISTSpecialPublication800-82[S].Gaithersburg,MD,USA:NationalInstituteofStandardsandTechnology(NIST), 2011.

[2]MinR,XuL,WeiC,etal.Anomalydetectionofrunningstateofmachiningsystem[J].ChineseJournalofScientificInstrument, 2006, 27(6): 1777-1778.

[3]FaltinskiS,FlattH,PethigF,etal.Detectinganomalousenergyconsumptionsindistributedmanufacturingsystems[C]//2012IEEE10thInternationalConferenceonIndustrialInformatics, 2012:358-363.

[4]SriramA,RahanamayanS,BourennaniF.Artificalneuralnetworksforearthquakeanomalydetection[J].JournalofAdvancedComputionalIntelligenceandIntelligentInformatics, 2014, 18(5):701-713.

[5]HaghtalabS,XanthopoulosP,MadaniK.Arobustunsupervisedconsensuscontrolchartpatternrecognitionframework[J].ExpertSystemswithApplications, 2015, 42(19):6767-6776.

[6]KenyonAD,CattersonVM,McArthurSDJ.Developmentofanintelligentsystemfordetectionofexhaustgastemperatureanomaliesingasturbines[J].Insight:Non-DestructiveTestingandConditionMonitoring, 2010, 52(8):419-423.

[7] 劉敬, 谷利澤, 鈕心忻, 等. 基于單分類支持向量機(jī)和主動(dòng)學(xué)習(xí)的網(wǎng)絡(luò)異常檢測(cè)研究[J].通信學(xué)報(bào), 2015, 36(11):136-146.

[8]KissI,GengeB,HallerP,etal.Dataclustering-basedanomalydetectioninindustrialcontrolsystems[C]//2014IEEE10thInternationalConferenceonIntelligentComputerCommunicationandProcessing, 2014:275-281.

[9]JinX,GuoY,SarkarS,etal.Anomalydetectioninnuclearpowerplantsviasymbolicdynamicfiltering[J].IEEETransactionsonNuclearScience, 2011,58(1):277-288.

[10]BezdekJC,HathawayRJ,SabinMJ,etal.Convergenceandtheoryforfuzzyc-meansclustering:counterexamplesandrepairs[J].IEEETransactionsonSystems,Man,andCybernetics, 1987,17(5):873-877.

[11] 周志華, 陳世福. 神經(jīng)網(wǎng)絡(luò)集成[J]. 計(jì)算機(jī)學(xué)報(bào), 2002,25(1):1-8.

[12] 程加堂, 艾莉, 段志梅. 改進(jìn)證據(jù)理論與神經(jīng)網(wǎng)絡(luò)集成的變壓器故障診斷[J].電力系統(tǒng)保護(hù)與控制, 2013,41(14):92-96.

RESEARCH ON ABNORMAL DETECTION OF CHEMICAL STORAGE TANK BASED ON FCM-ANN

Yang Xiaojian Zhu Yue*Qian Jinghui

(SchoolofComputerScienceandTechnology,NanjingTechUniversity,Nanjing211816，Jiangsu,China)

How to detect the abnormal state of the operation of the storage tank is the core problem in industrial control systems. Most of the detection methods proposed so far employ a supervised-learning or unsupervised-learning technique, the former fails to detect unknown anomalies while the latter requires large amounts of learning data. In order to solve the above problems, this paper presents a hybrid algorithm named FCM-ANN which is a mixture of Fuzzy C-Means clustering and Artificial Neural Network. There are three phases involved in the algorithm, in the first phase, namely the FCM layer, FCM algorithm is used to separate the data into several clusters and most of the abnormal data gather together. In second phase, different ANNs is trained based on various clusters and at last neural network ensemble is used to combine the results of different ANNs. Some experiments are conducted on the database of storage tank operation and the results indicate the proposed algorithm is able to detect anomalies with better detection performance compared with ANN, FCM and Na?ve Bayes.

Storage tank Anomaly detection FCM ANN Three layer structure

2015-12-27。楊小健，教授，主研領(lǐng)域：信息自動(dòng)化，復(fù)雜過(guò)程先進(jìn)控制。朱月，碩士生。錢(qián)景輝，講師。

TP391

A

10.3969/j.issn.1000-386x.2017.02.038