許洪光　李鳳英　郭茜

摘 要：研究基于機(jī)器學(xué)習(xí)算法，提出一種改進(jìn)CNN網(wǎng)絡(luò)的化工故障診斷方法。通過分析CNN網(wǎng)絡(luò)結(jié)構(gòu)特點(diǎn)與參數(shù)訓(xùn)練過程，采用PSO算法對CNN網(wǎng)絡(luò)進(jìn)行改進(jìn);然后，基于改進(jìn)CNN網(wǎng)絡(luò)，提出化工故障診斷方法;最后，通過以TE過程仿真軟件，對本研究改進(jìn)CNN算法在化工故障診斷中的應(yīng)用進(jìn)行驗(yàn)證。結(jié)果表明：可有效診斷化工故障，平均故障檢出率達(dá)到91.23%，誤報(bào)率為1.23%。相較于標(biāo)準(zhǔn)CNN算法、PCA算法、KPCA算法、MICA算法，改進(jìn)CNN算法對化工故障的檢出率更高，誤報(bào)率更低，且故障檢出速度更快。

關(guān)鍵詞：CNN網(wǎng)絡(luò);PSO算法;化工過程;故障診斷

中圖分類號：TP399 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號：1001-5922（2022）05-0085-06

Improvement of machine learning algorithm and its application in chemical fault diagnosis

Abstract： A chemical fault diagnosis method based on machine learning algorithm and improved CNN network is proposed. by analyzing the structural characteristics and parameter setting method of CNN network. the PSO algorithm is used to improve the CNN network; Then based on the improved CNN network， a chemical fault diagnosis method is proposed. Finally， the application of the improved CNN algorithm in chemical fault diagnosis is verified by TE process simulation software. The results show that the method can effectively diagnose the chemical fault， the average fault detection rate is 91.23%， and the false alarm rate is 1.23%. Compared with the standard CNN algorithm， PCA algorithm， KPCA algorithm and MICA algorithm， the improved CNN algorithm has higher detection rate， lower false alarm rate and faster fault detection speed.

Key words： CNN network;PSO algorithm;chemical process;fault diagnosis

隨著化工生產(chǎn)規(guī)模的擴(kuò)大，化工設(shè)備和系統(tǒng)結(jié)構(gòu)日趨復(fù)雜，化工生產(chǎn)過程也逐漸趨于非線性、不確定性、不穩(wěn)定性。這導(dǎo)致化工安全管理越來越困難，尤其是當(dāng)系統(tǒng)出現(xiàn)故障時(shí)，若不能及時(shí)對故障進(jìn)行辨別處理，不僅可能造成整個(gè)設(shè)備系統(tǒng)崩潰，甚至還可能導(dǎo)致生命財(cái)產(chǎn)無法挽回的損失。因此，為確保化工生產(chǎn)安全，加強(qiáng)化工過程的安全管理，有必要對化工故障進(jìn)行及時(shí)準(zhǔn)確地診斷。目前，化工故障診斷方法主要包括基于解析模型的方法和基于經(jīng)驗(yàn)知識(shí)的方法。基于解析模型方法中的在線壓縮KECA自適應(yīng)算法，通過分析故障數(shù)據(jù)中的故障信息，實(shí)現(xiàn)了化工故障的檢測，一定程度上提高了故障檢測率[1-2]?；诮?jīng)驗(yàn)知識(shí)法中的故障樹法，通過對設(shè)備故障檢測，完成了設(shè)備可靠性分析，提高了設(shè)備的安全性[3-4]。上述方法雖可實(shí)現(xiàn)故障檢測，一定程度上提高設(shè)備安全性，但均存在計(jì)算量大且計(jì)算誤差較大的問題。近年來，隨著人工智能的發(fā)展，基于卷積神經(jīng)網(wǎng)絡(luò)（CNN），由于其可提取高維非線性數(shù)據(jù)特征，并具有深度挖掘、計(jì)算過程簡單的特點(diǎn)，常用于故障診斷。因此，本研究選用CNN算法對化工故障進(jìn)行診斷，并通過粒子群優(yōu)化算法（PSO）改進(jìn)CNN，提高化工故障診斷的準(zhǔn)確性和檢出率，降低算法的誤報(bào)率，為化工故障診斷提供了一種新思路。

1 機(jī)器算法及改進(jìn)

1.1 CNN算法簡介

CNN算法是一種典型的機(jī)器學(xué)習(xí)算法，具有表征學(xué)習(xí)的能力，可根據(jù)階層結(jié)構(gòu)實(shí)現(xiàn)平移信息，且可保證平移過程中信息分類不變，因此常用于計(jì)算機(jī)故障診斷等領(lǐng)域[5]。標(biāo)準(zhǔn)的CNN網(wǎng)絡(luò)包括輸入層、卷積層、池化層、全連接層、輸出層5層結(jié)構(gòu)，如圖1所示。

由于該網(wǎng)絡(luò)結(jié)果為前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，故其參數(shù)訓(xùn)練過程包括前向傳播和反向傳播兩個(gè)過程。前向傳播過程即對輸入的數(shù)據(jù)通過卷積層進(jìn)行卷積操作，然后通過池化層進(jìn)行采樣處理，全連接層選取特征，最后通過輸出層輸出結(jié)果;反向傳播過程即通過梯度下降算法計(jì)算預(yù)期值與實(shí)際值的誤差，并依次從全連接層、池化層、卷積層，向輸入層反向傳播誤差，以調(diào)整各層參數(shù)值，直到模型收斂。

1.2 CNN算法改進(jìn)

根據(jù)上述CNN網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)訓(xùn)練過程分析可知，CNN網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜且其參數(shù)訓(xùn)練過程參數(shù)的選擇主要根據(jù)人工經(jīng)驗(yàn)選擇，故存在不穩(wěn)定的問題。因此，研究對CNN算法進(jìn)行了改進(jìn)。由于PSO算法具有操作簡單且容易實(shí)現(xiàn)的特點(diǎn)，故本研究采用PSO算法改進(jìn)CNN網(wǎng)絡(luò)。

PSO算法改進(jìn)CNN網(wǎng)絡(luò)主要是對其反向傳播過程進(jìn)行改進(jìn)。首先將CNN網(wǎng)絡(luò)需要運(yùn)算的參數(shù)作為PSO算法的基本粒子，并根據(jù)前向傳播期望值與實(shí)際值誤差函數(shù)，如式（1），計(jì)算粒子的局部最優(yōu)和全局最優(yōu)[6];然后，根據(jù)基本PSO運(yùn)算公式，如式（2）（3），更新粒子[7-8];最后，通過迭代運(yùn)算，更新CNN網(wǎng)絡(luò)權(quán)值，再次進(jìn)行前向傳播，直到誤差在設(shè)定閾值范圍內(nèi)。

式中：N表示CNN網(wǎng)絡(luò)輸入樣本數(shù);C表示CNN網(wǎng)絡(luò)輸出神經(jīng)元數(shù);ydji表示樣本i的輸出節(jié)點(diǎn)j期望輸出值;yji表示樣本i的數(shù)據(jù)節(jié)點(diǎn)j實(shí)際輸出值。

PSO改進(jìn)CNN網(wǎng)絡(luò)的具體實(shí)現(xiàn)流程如下：

步驟1：初始化粒子群，包括粒子個(gè)數(shù)m，加速常數(shù)c1、c2，慣性權(quán)重w，粒子位置x，粒子速度v;

步驟2：對粒子群中每個(gè)粒子，采用式（4）計(jì)算其在CNN網(wǎng)絡(luò)中的前向傳播，根據(jù)式（1）計(jì)算預(yù)期值與實(shí)際值的誤差E;

式中：fn表示CNN各池化層激活函數(shù)，wR表示各層連接權(quán)重。

步驟3：判斷E與設(shè)定閾值E*的大小，若E>E*，則根據(jù)式（2）（3）更新粒子，并將更新后的粒子信息返回CNN網(wǎng)絡(luò)，同時(shí)更新訓(xùn)練權(quán)值，再次進(jìn)行前向傳播與誤差計(jì)算，返回步驟2;若E

2 基于改進(jìn)CNN算法的化工故障診斷

基于改進(jìn)CNN算法的化工故障診斷主要包括離線訓(xùn)練和在線監(jiān)控兩部分。其中，離線訓(xùn)練主要包括5個(gè)階段，數(shù)據(jù)采集與預(yù)處理、特征提取與學(xué)習(xí)、參數(shù)優(yōu)化、模型訓(xùn)練、故障分類;在線監(jiān)控包括數(shù)據(jù)采集與預(yù)處理、特征學(xué)習(xí)、故障診斷分類3個(gè)階段。具體流程如下：

步驟1：采集化工過程數(shù)據(jù)，包括正?；み^程數(shù)據(jù)和故障數(shù)據(jù);

步驟2：對采集的數(shù)據(jù)集進(jìn)行預(yù)處理，如小波變換去噪和標(biāo)準(zhǔn)化處理等;

步驟3：構(gòu)建CNN網(wǎng)絡(luò)模型;

步驟4：初始化PSO算法基本參數(shù)和迭代次數(shù)，以及CNN網(wǎng)絡(luò)的關(guān)鍵超參數(shù)作為PSO算法的粒子分量;

步驟5：采用CNN網(wǎng)絡(luò)模型對網(wǎng)絡(luò)參數(shù)訓(xùn)練;

步驟6：采用PSO算法對CNN關(guān)鍵超參數(shù)進(jìn)行調(diào)優(yōu)訓(xùn)練，得到最佳CNN模型;

步驟7：采用PSO優(yōu)化后的最佳CNN模型對化工故障進(jìn)行診斷，即實(shí)現(xiàn)了改進(jìn)CNN算法對化工故障的診斷。

上述流程可用圖2示意。

3 仿真實(shí)驗(yàn)

3.1 實(shí)驗(yàn)環(huán)境

本實(shí)驗(yàn)在計(jì)算機(jī)模擬仿真程序TE過程中進(jìn)行仿真，該工藝流程如圖3所示[9]。

原料通過進(jìn)料口進(jìn)入反應(yīng)器發(fā)生化學(xué)反應(yīng)，反應(yīng)器中的冷凝器一方面移走反應(yīng)產(chǎn)生的熱量，另一方面冷卻反應(yīng)產(chǎn)生的惰性氣體、未反應(yīng)組分、副產(chǎn)物，并輸送到氣液分離器。通過氣液分離器后，循環(huán)壓縮機(jī)對氣態(tài)成分進(jìn)行壓縮并返回反應(yīng)器進(jìn)料口，解吸塔將未反應(yīng)組分分離流入下一個(gè)工段，惰性氣體則直接排放到空氣中。TE過程具有時(shí)變性、非線性等特點(diǎn)，與實(shí)際化工過程相似，故研究選用該過程為實(shí)驗(yàn)對象[10]。

3.2 數(shù)據(jù)來源及預(yù)處理

本實(shí)驗(yàn)故障來自TE過程中的20個(gè)故障，故障類型具體如表1所示[11]。實(shí)驗(yàn)數(shù)據(jù)集為TE過程中測量變量獲取的仿真數(shù)據(jù)，包括訓(xùn)練集和測試集。其中，訓(xùn)練集由正常狀態(tài)下500組數(shù)據(jù)樣本和故障狀態(tài)下每種故障480組數(shù)據(jù)構(gòu)成，共10 100組數(shù)據(jù);測試集由正常狀態(tài)下960組數(shù)據(jù)樣本和故障狀態(tài)下每種故障960組數(shù)據(jù)構(gòu)成，共20 160組數(shù)據(jù)。

考慮到TE過程產(chǎn)生的原始數(shù)據(jù)中存在噪聲，可能干擾數(shù)據(jù)特征，不利于數(shù)據(jù)的分析，故研究采用小波變換去除噪聲數(shù)據(jù)。首先，對采集的TE過程數(shù)據(jù)進(jìn)行小波變換與多尺度分解，然后對小波系數(shù)進(jìn)行處理，以去除噪聲數(shù)據(jù)的小波系數(shù)，最后通過信號重構(gòu)即可得到無噪數(shù)據(jù)[12-13]。

3.3 參數(shù)設(shè)置

采用PSO優(yōu)化CNN參數(shù)，首先將PSO算法的迭代次數(shù)n設(shè)置為25，然后經(jīng)過25次迭代后得到CNN算法參數(shù)結(jié)果，如圖4所示。隨著迭代次數(shù)的增加，CNN算法的全局適應(yīng)值逐漸增大，直到迭代到10代后，逐漸趨于平緩，全局最優(yōu)適應(yīng)度值達(dá)到0.998。由此說明，本研究PSO可優(yōu)化CNN算法，且設(shè)置的PSO迭代次數(shù)可滿足尋找全局最優(yōu)的要求。

經(jīng)過PSO優(yōu)化后的CNN算法最佳結(jié)構(gòu)和超參數(shù)如表2所示。

3.4 評價(jià)指標(biāo)

本研究選用故障檢出率（FDR）和誤報(bào)率（FAR）作為評估算法性能的指標(biāo)，其計(jì)算方法如式（5）、式（6）[14-15]。

3.5 結(jié)果與分析

3.5.1 算法驗(yàn)證

為驗(yàn)證改進(jìn)CNN算法的有效性，研究采用標(biāo)準(zhǔn)CNN算法與提出改進(jìn)CNN算法對測試集FDR進(jìn)行十次故障檢測，結(jié)果如表3所示。

由表3可知，標(biāo)準(zhǔn)CNN算法的平均故障檢出率為83.76%，誤報(bào)率為2.65%;改進(jìn)CNN算法的平均故障檢出率為91.23%，誤報(bào)率為1.23%。由此說明，本研究改進(jìn)CNN算法切實(shí)有效，可優(yōu)化算法性能，避免了CNN算法在訓(xùn)練過程中陷入局部最優(yōu)解的問題。

3.5.2 實(shí)例結(jié)果

為驗(yàn)證提出改進(jìn)CNN算法在化工故障診斷中的實(shí)際應(yīng)用效果，研究采用該方法對TE過程20個(gè)故障進(jìn)行診斷，并與PCA算法、KPCA算法、MICA算法、CNN算法的化工故障診斷結(jié)果進(jìn)行對比，結(jié)果如表4所示。

由表4可知，不同算法對化工故障診斷結(jié)果不同，相較于對比算法，本研究改進(jìn)CNN算法可檢測診斷出14種故障，具有較高的診斷檢出率;PCA算法、KPCA算法、MICA算法分別可檢測出8個(gè)、8個(gè)、5個(gè)故障，且對某些化工故障的檢出率低于10%，而CNN算法和改進(jìn)CNN算法不存在低檢出率的情況，分析其原因是故障樣本與正常樣本差異性較小，PCA算法、KPCA算法、MICA算法難以區(qū)分?jǐn)?shù)據(jù)間的細(xì)微差別，故其檢出率較低，而CNN算法和改進(jìn)CNN算法通過多層卷積操作，提取并學(xué)習(xí)到數(shù)據(jù)特征，可靈敏感應(yīng)到數(shù)據(jù)的微小變化，故其檢出率較高;相較于CNN算法，本研究模型的平均檢出率更高，其原因是引入的PSO算法優(yōu)化了CNN算法結(jié)構(gòu)和參數(shù)，減少了信息的損失。

為進(jìn)一步驗(yàn)證提出方法的優(yōu)越性，研究采用上述與改進(jìn)CNN算法檢測化工故障檢出率差異較小的CNN算法和改進(jìn)CNN算法，再次對化工故障進(jìn)行檢測，結(jié)果如表5所示。

由表5可知，相較于CNN算法，本研究改進(jìn)CNN算法可更及時(shí)準(zhǔn)確檢測到故障的出現(xiàn)，對故障3和故障5的檢出點(diǎn)提前4個(gè)點(diǎn)，對故障11和故障19的檢出點(diǎn)提前5個(gè)點(diǎn)，對故障15的檢出點(diǎn)提前8個(gè)點(diǎn)，對故障16的檢出點(diǎn)提前3個(gè)點(diǎn);整體來看，本研究提出的改進(jìn)CNN算法對故障更加敏感，可及時(shí)準(zhǔn)確檢測出各種故障。

4 結(jié)語

綜上所述，本研究基于改進(jìn)CNN算法化工故障診斷方法，通過PSO算法優(yōu)化CNN網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，可得到性能更好的故障檢測模型，該模型能及時(shí)有效對化工故障進(jìn)行診斷，在TE過程案例上，該模型的平均故障檢出率達(dá)到91.23%，誤報(bào)率為1.23%，相較于標(biāo)準(zhǔn)CNN算法、PCA算法、KPCA算法、MICA算法，具有更高的平均故障檢出率和更低誤報(bào)率，且故障檢出速度更快。

整體而言，本研究基于改進(jìn)CNN算法的化工故障診斷方法對化工故障診斷具有優(yōu)越的性能，可及時(shí)檢測出化工故障，但仍存在一些問題待解決，如在CNN網(wǎng)絡(luò)改進(jìn)過程中，本研究僅采用了PSO算法對其進(jìn)行優(yōu)化，忽略了諸多優(yōu)秀的優(yōu)化學(xué)習(xí)模型，可能錯(cuò)失更好的優(yōu)化方法。下一步，將從這方面進(jìn)行深入研究，以期獲得更優(yōu)秀的化工故障診斷模型，確?；どa(chǎn)過程安全運(yùn)行。

【參考文獻(xiàn)】

[1]康守強(qiáng)，邢穎怡，王玉靜，等.基于無監(jiān)督深度模型遷移的滾動(dòng)軸承壽命預(yù)測方法[J/OL].自動(dòng)化學(xué)報(bào)：1-11[2021-06-02].

[2]郭金玉，李文濤，李元.在線壓縮KECA的自適應(yīng)算法在故障檢測中的應(yīng)用[J].化工學(xué)報(bào)，2021，72（08）：4 227-4 238.

[3]王大可，馬亮，秦楠.基于部件危害度的自航水雷貯存可靠性分析[J].兵器裝備工程學(xué)報(bào)，2021，42（5）：49-53.

[4]艾小清，袁旭峰，熊煒，等.柔直配電系統(tǒng)混合型MMC可靠性評估[J/OL].電測與儀表：1-9[2021-06-02].

[5]李慧，周溪召，施柏州.基于相對概率變化比的CNN超參數(shù)優(yōu)化方法[J].上海理工大學(xué)學(xué)報(bào)：2021，43（3）：219-226.

[6]段剛.基于卷積神經(jīng)網(wǎng)絡(luò)的天然地震與人工爆破識(shí)別研究[J].地球物理學(xué)進(jìn)展：2021，36（4）：1 379-1 385.

[7]曾祥銀，鄭伯川，劉丹.基于深度卷積神經(jīng)網(wǎng)絡(luò)和聚類的左右軌道線檢測[J].計(jì)算機(jī)應(yīng)用：2021，41（8）：2 324-2329.

[8]鐘桂鳳，龐雄文，孫道宗.基于差分進(jìn)化的卷積神經(jīng)網(wǎng)絡(luò)的文本分類研究[J].南京師大學(xué)報(bào)（自然科學(xué)版）：2022，45（1）：136-141.

[9]莊子波，邱岳恒，林家泉，等.基于卷積神經(jīng)網(wǎng)絡(luò)的激光雷達(dá)湍流預(yù)警[J].紅外與激光工程：2022，51（4）：233-242.

[10]廖玉誠，趙建華，安士杰，等.基于2DCNN的柴油機(jī)供油提前角異常故障診斷[J].兵器裝備工程學(xué)報(bào)，2021，42（5）：250-255.

[11]李鵬松，李俊達(dá)，倪天宇，等.基于圖像特征的卷積核初始化方法[J].吉林大學(xué)學(xué)報(bào)（理學(xué)版），2021，59（3）：587-594.

[12]史再峰，李慧龍，程明，等.基于SDN-GMM網(wǎng)絡(luò)的低劑量雙能CT投影數(shù)據(jù)去噪方法[J].天津大學(xué)學(xué)報(bào)（自然科學(xué)與工程技術(shù)版），2021，54（9）：899-906.

[13]李元，姚宗禹.基于鄰域保持嵌入的主多項(xiàng)式非線性過程故障檢測[J].上海交通大學(xué)學(xué)報(bào)：2021，55（8）：1 001-1 008.

[14]郭小萍，高嘉俊，郭建斌，等.基于近鄰指標(biāo)累積和的過程微小故障檢測[J].系統(tǒng)仿真學(xué)報(bào)，2021，33（4）：792-800.

[15]姚羽曼，羅文嘉，戴一陽.數(shù)據(jù)驅(qū)動(dòng)方法在化工過程故障診斷中的研究進(jìn)展[J].化工進(jìn)展，2021，40（4）：1 755-1 764.

收稿日期：2021-06-04;修回日期：2022-04-19

作者簡介：許洪光（1986-），男，碩士，講師，研究方向：軟件工程、大數(shù)據(jù)、人工智能。