基于DMFA 與深度學習的化工過程多工況異常識別

賈旭清, 楊 霞, 田文德, 李傳坤, 劉福勝, 羅忠軍, 王 輝

(1. 青島科技大學 化工學院, 山東 青島 266042; 2. 中國石化安全工程研究院 化學品安全控制國家重點實驗室, 山東 青島 266071; 3. 山東齊旺達集團石油化工有限公司, 山東 臨淄 255400)

1 前 言

化工生產是一種涉及復雜物理變化和苛刻化學反應的過程，存在人為誤操作、設備異常等引起的多種可能異常狀況。如果忽視異常狀況發展，輕則導致系統癱瘓，重則發生火災、爆炸等災難性事故，所以針對化工過程進行異常檢測與識別十分必要[1]。

近年來，異常檢測與識別技術快速發展，已被廣泛應用于化工生產過程監控。基于數據驅動的異常檢測與識別技術受到學術界的廣泛關注，例如主成分分析(principal component analysis, PCA)[2-3]和k 近鄰算法[4]等，但是以上方法大多是基于淺層知識，難以學習到數據的深層次特征[5]。深度學習[6-7]由于基于深層次的抽象性而擁有更好的特征表示能力，其中卷積神經網絡(convolutional neural network, CNN)[8]通過卷積操作學習工藝過程的特征進而構建高精度的異常識別模型，已被成功應用于化工過程異常檢測與識別工作[9-10]。異常識別方法假設源域(訓練數據)和目標域(測試數據)服從同一分布[11]，因此不適用于時刻處于動態平衡的化工過程。YANG 等[12]最早提出了邊緣分布自適應的方法，該方法縮短了不同域數據的邊緣分布距離。SAITO 等[13]利用條件分布自適應的方法減少了不同域數據的條件分布距離。LONG等[14]提出了聯合分布自適應(joint distribution adaptation, JDA)方法，同時考慮了邊緣概率分布和條件概率分布。……