反演在化工过程故障诊断中的探索

仇登可，侯士超，刘锋(昆仑数智科技有限责任公司，北京 102206)

0 引言

随着工业技术与信息技术的高度融合，传统化工领域得到了一次创新变革和转型升级，在工业数字化、智能化方向发展迅速，开启了以云计算、大数据和人工智能为代表的新一代化工信息技术。根据专家分析数字化技术催生了化工企业发展的新业态、新模式，能够加快推进数字化转型、智能化发展，实现产业的转型升级和价值增长。目前，相当规模的石油化工企业多年前开始使用信息系统，经过使用年限内数据的累计，使用人员可调取相关的、大量数据加以分析，查找出事故规律，进而预防事故的发生。但是，大多数化工过程是一个十分复杂的工业体系，具有变量多、高时滞、非线性和强耦合等特点，若只是依靠单纯数据分析进行装置的异常故障识别和诊断，忽略数据加载的物理意义，是无法深入解释故障现象背后的根本原因的。因此，研究反演在化工过程故障诊断方法中具有重要的理论意义和现实意义。

1 反演系统

1.1 反演的原理

反演(Inversion)又称回推法、后推法和反演法，在1991年，Kanellakopoulos I等[1]提出了反向推断的想法，就是利用建立的模型，用已测定的参数值反向推断目标的数值，换种说法就是利用观测的信息，推断实况的目标参数值。反演法可以通过设计控制器的结构和系统，不仅可以减少对系统的匹配性约束和非线性增长性条件的限制，还能够得到良好的瞬态性能。若从人工智能角度来讲，反演就是模式识别问题，从观测数据反演推算出状态参数或其分布。

在反演过程中需要充分利用先前的数据和知识经验，将新增加的有效信息运用于时空多变要素中，使得新信息可以有效分配给复杂系统中的时空多变参数[2]。例如，根据重力场、地震波场、交变电磁场以及热力学等实际可观测的数据，推断地球内部的可能存在的物质成分、存在的状态、运动形式，并定量地确定这些参数的具体数值，这些都属于反演的应用范畴[3-4]。目前，反演运用的方法主要包括广义逆理论、线性及非线性规划、信息论、非线性理论以及最优化方法等，在应用中也取得了一些研究成果和创新技术，将反演的体系研究和解决方法发展到一个全新的阶段。

1.2 反演控制方法

在控制策略中，专家根据不同的化工系统，提出了各异的控制方法，主要分为模型和无模型两类控制。基于模型的控制方法可以保证系统的稳定性，迄今这类控制方法主要有反演控制LQR控制、滑模控制和LQG控制。反演控制是基于Lyapunov函数控制设计的，具有系统化、稳定性和结构化的特点，在化工系统中具有一定的优越性，可以通过选取恰当的控制参数，保证闭环系统来满足动静态性能。与其他反馈控制方法相比，反演控制能够充分利用系统的非线性项，将其层叠使用在控制设计的各个步骤里，进而避免了取消部分非线性部分才能达到线性化目的。

基于反演控制化工系统的优化，可以对反演控制设计步骤进行以下简要说明。首先，需要将一个复杂的化工过程进行系统分解，如果化工系统的总阶数为M，那么分解之后的子系统的总数量也不能超过M；然后，针对每一个子系统设计Lyapunov函数，在确保子系统稳定收敛的前提下，逐级地为其设计虚拟控制器，并将上一阶子系统的虚拟控制器作为下一阶子系统的跟踪目标；最后，结合逐级推导的控制设计结果，得出系统的实际控制器。

1.3 反演在化工过程故障诊断的应用

反演系统的应用领域涉及生物、医疗、地球物理和建筑等，化学工程也是较早应用的其中领域之一。Sever A等[5]将模式识别视作为不适定的反演问题，在正则化模型的基础上建立新的学习算法，用于非均匀对象的重构。王琳琳等[6]为了求解肿瘤的关键参数，通过红外检测法测量肿瘤的体表温度。为了研究热声反演，Nowak I等[7]通过燃烧室的压力的数据，运用贝叶斯法计算热释放速率，测试结果表明贝叶斯法可较好地应用在热声反演问题中，可估算相关参数，构建测量点处的原始值，并取得了较好效果。在反演过程中，Nowak I等[7]利用粒子群算法确定位置参数，用最小二乘法演算目标粒子的位置函数，结果显示，演算速度有所提高，精密度较好。因此，在化工过程故障识别的基础上开展相关参数的反演时，需要将模型与数据结合在一起，对化工过程中的故障进行综合诊断，将会实现更好的效果。

2 故障诊断

2.1 故障诊断作用

故障(Fault)是指运算异常导致系统部分性能下降，偏离预定目标。故障的原因来自于某个参数或者多个参数的变化。为了消除故障的影响，保证系统有序的、正常的运行，需要定期或者不定期排查故障，找到系统问题的症结，这就需要故障诊断。故障诊断的手段是分析过程数据是否正常，筛选出异常数据，及时截取临界劣化参数，对劣化参数更正，防止装置进入非正常工作状态，减少损失的发生[8]。

故障诊断的手段就是通过表征问题进行反演。故障查找过程包括：首先通过监测状态获得异常数据，常用的监测方法包括光电传感技术、声光传感技术、在线监测和电子信息技术等；其次是分析故障的原因，根据系统信号提供的征兆和其他的信息，推断可能的劣化趋势，确定故障点，针对具体的故障点给出对应的维修或者维护方法。故障的识别、预判和诊断是长期安全、稳定运行的一个必要手段，有效预防装置事故的发生，避免企业经济的损失，保证现场人员的人身安全。

2.2 化工故障诊断现状

随着企业的大型化和信息技术的强劲发展，企业积极探寻摆脱依靠人工的运行方式，推进监测智能化、运行自动化的现代化手段，这也为化工过程故障诊断带来了新的机遇和挑战，故障诊断方法也在不断更替、推陈出新。根据国际章法分类，故障诊断有三类方法，以知识为基础的基于知识、以解析模型为基础的基于解析模型和以处理信号为基础的基于信号处理[9]。基于症状的手段和基于定性模型的手段被归类于基于知识。基于分析模型的故障诊断是将被诊断对象的实测数据对比模型演算值，获得两者之间的残值，通过一定的技术手段实现故障诊断。基于信号处理的方法属于混合方法，将神经网络或者模糊逻辑有机结合小波分析、专家评判，创建诊断系统，从而迅速地获得故障原因，及时预警[10]。

2.3 故障诊断未来趋势

诊断方法的不断更迭、优化，基本满足化工过程，然而如何获得更好的诊断方法，如何同时提高运算速度和精度，是诊断专家不断追求的目标。结合目前的大数据分析、机器的深度学习，故障诊断有了新的突破手段、获得新思路，在此基础上数据驱动的诊断方法得到了一定程度的发展。目前主要的数据驱动方法主要分为流形学习、多元统计方法、信号处理和机器学习等[11]，这些故障诊断方法由于不需要大量计算，能够与复杂动态系统模型相结合实现优势互补，在化工领域特别是大规模工业应用的监控系统中发挥着重要作用。目前神经网络能够很好地分析输入信息之间的整体逻辑序列，结合反演系统将会成为化工故障诊断领域的重要发展方向。

3 故障诊断方法

3.1 混合故障诊断

随着经济、技术发展，化工装置大型化建造、自动智能化运行成为不争的事实，化工装置前后紧密关联、监控数据多、操作复杂，这些特点增加了故障诊断的难度。传统的、单方面的诊断手段不适应现代化工企业技术，弊病越来越明显。比如，PCA尽管可用于多变量系统的处理，处理静态数据较好，然而化工系统多为流动、变动的，PCA的使用出现了“水土不服”，无法体现化工过程的时态性和动态性，导致无法准确地解释质量的变量。并且，当数据非线性或者非正态分布，PCA的诊断结果严重偏离实际值，没有明确的物理意义。针对以上问题，国内外学者提出了混合故障诊断方法。例如，Askarian M等[12]在TE过程中对分类器、组合方法的故障诊断性能进行评估，讨论处理缺失数据的方法。

Rad等[13]将故障模式的整个空间具体划分为数个子空间，设计监督代理监控局部的分类器，发现隐藏在子空间的异常点，及时更正，从而提高整个神经网络的性能。Caccavale F等[14]在解决夹套式反应器中的化学反应时，采用综合诊断方案来处理故障诊断问题。Chen X等[15]提出了一种结合故障诊断方法，该方法将SOM(自组织映射)和FDA(Fisher判别)相结合，用以动态的、实时的化工过程的故障诊断。

3.2 BP神经网络故障诊断

BP神经网络是目前应用最多的模型，由以Rumelhart[16]和McCelland[16]为 首 的 科 学 家 在1986年提出，是一种多层的前馈模型，利用误差逆传播进行映射，BP不需要演算出具体的数学方程式，通过预存的、大量的映射关系，实现较准确的模拟过程，具有较强的适应性和逼近性。在化工过程的新故障诊断中，可以通过阈值的改变、权值加以学习，并对学习成果进行记忆和存储，在上述知识的沉淀下，如果以后的运行过程出现问题，可以运用之前的记忆进行诊断和处理。BP神经网络包括输入层、隐含层和输出层，模拟人类神经元运行，他们层间连接，层内无连接。BP神经网络包括正向传输和反向的误差传输两部分组成，当受到外界输入时，BP网络正向传播引起反应，当正向相应和预期目标有出入时，反向误差传输启动，不断调整响应值和目标值之间的差距，直到相应结果在目标值的允许范围内，停止传播。在传播过程中，每层权值通过学习进行调整到合适的数值。

3.3 深度神经网络故障诊断

深度神经网络(DNN)是指多层次、非线性的变换，具有多个隐含层，同样每层内部无连接，层间是全部连接的，对底层特征的表达不依靠人工选择，通过学习利用高层抽象特征进行模拟[17-18]。在深度神经网络学习中，首先是使用非监督方式，对深层神经网络训练，获得样本的有效特征，防止陷入局部的极值点。再次使用监督学习，对样本有效模拟，防止拟合严重扭曲。对深度神经网络进行细节调整，使深度神经网络对故障特征表现出有效的诊断能力。深度神经网络的层级多，为了防止陷入可能的局部极值点或者拟合扭曲，对各个层级进行贪婪训练[19]。

4 化工过程的故障反演

在化工过程故障反演的运用过程中，故障类型已知，通过建立不同的模型分析故障的原因，模拟参数变化带来的结果，进行更深层次的研究。在化工过程的反演故障诊断中，较多时候都会运用偏最小二乘(PLS)和最小二乘法(LSQ)进行反演推算，其中，最小二乘法是利用最小化系数矩阵，形成向量空间到观测向量的欧式误差距离；偏最小二乘是利用最小二乘法产生的故障参数，对连续故障参数进行估计[20-22]。因此，上述化工过程反演的参数估计方法是由无模型的简单回归部分和非线性模型组成的优化方法。例如，利用动态模拟方法监控某一化工过程时，需要观察变量改变时出现的异常识别源，通常可以利用偏最小二乘和最小二乘法不断进行内部参数的修正，同时分析测量变量的趋势。

与其他动态仿真(非线性函数)相比，故障诊断反演在参数计算时使用的时间更长。混合反演就是尽量用偏最小二乘来替代最小二乘法，减小诊断工作量。偏最小二乘通过将可测和预测变量运用到一个新空间，形成一个新的线性回归模型，并不是寻找自变量和响应之间的最大方差[23-24]。偏最小二乘模型能够在X空间找到解释Y空间的有效多维方向，摒弃迭代计算，对系统故障参数和输出参数进行拟合，直接计算其中的关系，更加能够节省计算时间。

5 结语

化学工业应用领域渗透到国民生活、航空、国防、医疗、教育等各个行业，在整体经济中的地位不可替代，《中国制造2025》[25]结合国家当代实际情况和需要，督促化工企业向智能化、自动化方向转型迈进，然而化工行业具有自身独特的特点：规模大、过程复杂、安全隐患高，因此需要做好化工过程的设备故障诊断。通过本文研究，发现利用反演系统的数据收集、处理和模型优化，采用合适的故障诊断方法，可以对化工过程的运行问题进行有效的故障预判和处理，将会极大地提高生产装置的稳定运行、质量调控，有助于化工企业实现提质增效和高质量的发展。虽然反演在化工领域的应用时间不长，但随着数字化、智能化的高水平快速发展，相信反演在化工过程故障诊断中的应用也将会得到巨大的发展机遇。