RSS的TE过程集合型故障诊断方法

付丽君，鞠君如，杨 青

(沈阳理工大学 自动化与电气工程学院，沈阳 110159)

随着社会的迅速发展，现代化学工业体系朝着规模化、复杂化、高速化和智能化的方向发展。在复杂的化工过程中，故障诊断也成为一个不可或缺的步骤[1]。为确保工业过程的顺利进行，保证人员安全和避免财产损失，对复杂化工过程进行故障诊断方法研究具有重大的实际应用价值和现实意义。

近年来，深度学习技术已经在田纳西-伊斯曼(Tennessee Eastman，TE)过程故障诊断中得到广泛应用，其越来越具有从大数据中学习的能力特性。Tian W等[2]提出一种基于生成对抗网络-斯皮尔曼等级相关系数-深度置信网络(Generative Adversarial Network-Spearman′s Rank Correlation Coefficient-Deep Belief Network，GAN-SRCC-DBN)的集合型诊断方法，该方法具有收敛速度快、精度高等特点。Wei Y等[3]提出一种基于深度置信网络-正则化(Deep Belief Network-dropout，DBN-dropout)的非线性过程故障诊断与识别方法。Li D等[4]提出一种深度时空序列缺失数据插补模型，长短时记忆-自动编码器(Long Short-term Memory-Auto Encoder，LSTM-AE)，增强了插补性能，可用来处理多种缺失模式。Han Y等[5]提出一种基于优化的长短时记忆(Long Short-term Memory，LSTM)网络的故障划分模型，获得了较高的化工过程故障诊断精度。Shao B等[6]提出一种多通道神经网络的故障诊断方法，多通道长短时记忆-卷积神经网络(Multichannel Long Short-term Memory-Convolutional Neural Network，MCLSTM-CNN)，其具有较高的诊断精度和良好的故障分类结果。

本文以TE化工过程为研究对象，提出一种基于RSS(RCAE-SSA-SVM)的深度集合型故障诊断方法，通过实验证明该方法具有较好的故障诊断分类性能，且故障诊断精度更高。

1 RCAE的故障特征提取

1.1 卷积神经网络

卷积神经网络(Convolutional Neural Network，CNN)隶属于一种深度前馈网络，卷积层、池化层和全连接层为CNN的主要模块[7]。

卷积层：对输入X∈RL，卷积神经网络的卷积层使用K个宽度为w的卷积核ωi∈Rw(i=1,2,…,K)对其进行卷积，其输出为

outputi=f(∑XΘωi+bi)i=1,…,K

(1)

式中：Θ代表卷积运算；f表示激励函数；bi代表通道的偏置；K表示输出后的通道数量。

池化层：通常选用最大池化方法，对数据T∈RK×L，池化后输出为

(2)

式中：Ti∈RL，表示第i个特征张量；W和S分别代表池化窗口的大小和步长。

全连接层：对输入P∈Rm，全连接层的输出为

δ=f(ωP+b)

(3)

式中：ω为权重；b为偏差。

1.2 自编码网络

自编码网络主要以重构输入信息为目标，其属于神经网络中的无监督学习，且在特征学习时可以自主地从无标注的数据中进行特征提取[8]。自动编码器(Auto Encoder，AE)分为编码器和解码器两个部分，采用全连接的方式，其结构如图1所示。

图1 AE结构

第一部分为编码阶段。输入X通过编码器变换为特征矢量h。

h=θ(ωX+b)

(4)

式中θ为非线性激活函数。

第二部分为解码阶段。通过解码器重构输入，得到

(5)

网络的损失函数为

(6)

1.3 残差学习块

残差学习被用于解决训练过程中存在的学习问题。随着网络的加深，算法不易收敛且准确率降低，残差可解决该问题[9]。网络层不直接将输入映射到潜在输出H(x)，而将其充当残差映射，即F(x)=H(x)-x。残差网络的基本结构如图2所示。

图2 残差网络的基本结构

1.4 RCAE模型

残差卷积自编码器(Resnet-ConvolutionalAutoEncoder，RCAE)的网络结构如图3所示。

图3 RCAE网络结构

RCAE基于无监督学习的卷积自编码器(Convolutional Auto Encoder，CAE)构造而成，该模型通过使用卷积和反卷积运算从输入数据中提取有效特征。编码器和解码器构成RCAE；卷积层和池化层构成编码器；反卷积层和上采样层构成解码器；残差学习块嵌入编码器和解码器中。通过使用卷积和去卷积内核，RCAE可直接处理故障变量，进行特征提取。

残差学习块定义为

y=F(x,{W})+x

(7)

式中：x和y分别为残差学习块的输入和输出；F为残差学习；W为残差学习块的参数。

2 SSA优化SVM

2.1 麻雀搜索算法

麻雀搜索(Sparrow Search Algorithm，SSA)算法属于群智能优化算法，于2020年提出。使用该算法搜索过程中会出现探索者、追随者和警惕者，其中探索者搜索食物的范围最大[10]。

探索者的位置更新描述为

(8)

追随者的位置更新描述为

(9)

式中：Xp为目前探索者所占据的最优位置；XW表示当前全局最差的位置；A为1×d的矩阵，其中每个元素随机赋值为1或-1，且A+=AT(AAT)-1，其中A+为伪逆矩阵。

警惕者的数学模型为

(10)

式中：Xb为目前全局最优位置；β为步长控制参数，且服从均值为0、方差为1的正态分布；K∈[-1,1]，为随机数，也是步长控制参数，代表麻雀移动的方向；fi为目前麻雀个体的适应度值；fg代表目前全局最佳适应度值；fw代表目前全局最差适应度值；ε为常数，目的是避免分母为零。

2.2 SSA-SVM的优化流程

支持向量机(Support Vector Machine，SVM)是一种常见分类器，其用于故障分类时，需要确定合适的核函数、惩罚因子以及核函数参数，惩罚因子和核函数参数的取值对SVM故障分类的准确性至关重要。

SSA-SVM的具体优化流程步骤如下。

(1)初始化麻雀搜索算法的相关参数，包括麻雀群总数n、最大迭代次数K及SVM参数C、g；

(2)根据麻雀个体的适应度值进行排序，划分每只麻雀所属种群；

(3)根据式(8)、式(9)、式(10)更新各麻雀种群的位置；

(4)计算麻雀个体新的适应度值，并与之前的适应度进行比较，保留最优值继续进行更新；

(5)判断迭代次数是否满足条件，迭代次数若不为K，跳到步骤(2)继续进行，直到迭代次数为K时停止运行；

(6)最终得到的最优适应度Xbest的位置即为SVM的参数C和g。

3 RSS故障诊断流程

RSS的故障诊断方法总体流程示意图如图4所示。

图4 故障诊断流程示意图

基于RSS的故障诊断流程如下。

(1)将实验数据集随机划分为训练集、测试集和验证集；

(2)将划分完的数据集输入RCAE模型中，对故障数据进行特征提取，得到相应的特征向量；

(3)对SSA和SVM的相关参数进行初始化；

(4)计算麻雀的适应度并进行分类，根据式(8)、式(9)、式(10)不断更新麻雀位置，直至达到最大迭代次数，停止更新；

(5)得到SVM模型的最优参数，进而确定最优SVM模型；

(6)将得到的故障特征向量输入到经SSA优化完成的SVM，进行最终的故障诊断分类。

4 实验验证

为验证本文方法的有效性，采用田纳西-伊斯曼(TE)过程数据集进行实验。样本数据分为12个操作变量和41个测量变量[11]。53个变量中有3个操作变量为常数，故在进行故障数据特征提取时只用50个变量做分析即可。TE过程的具体流程如图5所示。

图5 TE过程具体流程图

TE过程故障包含16个已知故障和5个未知故障[12]。本实验选取四种过程故障，即故障1、故障5、故障7、故障12。对四种故障进行描述和类型解释，如表1所示。

表1 四种过程故障描述

进行TE过程仿真时，每次产生的样本总数为960，采样时间间隔为3min，周期为48h，仿真在正常工况下开始，仿真时间为8h时加入故障。本实验选用每类工况的1000个数据，所有数据按照7∶2∶1的比例划分为训练集、测试集和验证集。

将划分好的数据集输入到RCAE模型中进行训练，损失函数变化曲线如图6所示。由图6可见，最终得到的训练损失为0.0187。

图6 损失函数变化曲线

将经过特征提取之后的训练集和测试集输入到经过SSA优化的SVM，得到RSS模型的分类准确率如图7所示。

由图7可见，实验结果显示训练集的准确率为99.54%，测试集的准确率为98.84%。

图7 RSS模型的分类准确率

为进一步说明本文方法的有效性，将RCAE-SSA-SVM模型5次测试的平均分类准确率与NMF-SVM模型4种故障的平均分类准确率及DRN和AC-CNN模型21种工况的平均分类准确率进行比较，结果如表2所示。

由表2可见，与其他三种模型对比，RCAE-SSA-SVM具有更高的故障诊断精度。

5 结论

提出一种基于RSS的TE过程集合型故障诊断方法。在RCAE中构造一种深度神经网络，并在网络中加入残差学习机制，使得该模型具有良好的特征学习性能，同时对SVM中惩罚参数和核函数参数利用SSA进行优化，提高RSS模型的数据分类准确率。实验结果显示该方法具有良好的故障诊断性能。