反演在化工過程故障診斷中的探索

仇登可，侯士超，劉鋒(昆侖數智科技有限責任公司，北京 102206)

0 引言

隨著工業技術與信息技術的高度融合，傳統化工領域得到了一次創新變革和轉型升級，在工業數字化、智能化方向發展迅速，開啟了以云計算、大數據和人工智能為代表的新一代化工信息技術。根據專家分析數字化技術催生了化工企業發展的新業態、新模式，能夠加快推進數字化轉型、智能化發展，實現產業的轉型升級和價值增長。目前，相當規模的石油化工企業多年前開始使用信息系統，經過使用年限內數據的累計，使用人員可調取相關的、大量數據加以分析，查找出事故規律，進而預防事故的發生。但是，大多數化工過程是一個十分復雜的工業體系，具有變量多、高時滯、非線性和強耦合等特點，若只是依靠單純數據分析進行裝置的異常故障識別和診斷，忽略數據加載的物理意義，是無法深入解釋故障現象背后的根本原因的。因此，研究反演在化工過程故障診斷方法中具有重要的理論意義和現實意義。

1 反演系統

1.1 反演的原理

反演(Inversion)又稱回推法、后推法和反演法，在1991年，Kanellakopoulos I等[1]提出了反向推斷的想法，就是利用建立的模型，用已測定的參數值反向推斷目標的數值，換種說法就是利用觀測的信息，推斷實況的目標參數值。反演法可以通過設計控制器的結構和系統，不僅可以減少對系統的匹配性約束和非線性增長性條件的限制，還能夠得到良好的瞬態性能。若從人工智能角度來講，反演就是模式識別問題，從觀測數據反演推算出狀態參數或其分布。

在反演過程中需要充分利用先前的數據和知識經驗，將新增加的有效信息運用于時空多變要素中，使得新信息可以有效分配給復雜系統中的時空多變參數[2]。例如，根據重力場、地震波場、交變電磁場以及熱力學等實際可觀測的數據，推斷地球內部的可能存在的物質成分、存在的狀態、運動形式，并定量地確定這些參數的具體數值，這些都屬于反演的應用范疇[3-4]。目前，反演運用的方法主要包括廣義逆理論、線性及非線性規劃、信息論、非線性理論以及最優化方法等，在應用中也取得了一些研究成果和創新技術，將反演的體系研究和解決方法發展到一個全新的階段。

1.2 反演控制方法

在控制策略中，專家根據不同的化工系統，提出了各異的控制方法，主要分為模型和無模型兩類控制?；谀Ｐ偷目刂品椒梢员ＷC系統的穩定性，迄今這類控制方法主要有反演控制LQR控制、滑?？刂坪蚅QG控制。反演控制是基于Lyapunov函數控制設計的，具有系統化、穩定性和結構化的特點，在化工系統中具有一定的優越性，可以通過選取恰當的控制參數，保證閉環系統來滿足動靜態性能。與其他反饋控制方法相比，反演控制能夠充分利用系統的非線性項，將其層疊使用在控制設計的各個步驟里，進而避免了取消部分非線性部分才能達到線性化目的。

基于反演控制化工系統的優化，可以對反演控制設計步驟進行以下簡要說明。首先，需要將一個復雜的化工過程進行系統分解，如果化工系統的總階數為M，那么分解之后的子系統的總數量也不能超過M；然后，針對每一個子系統設計Lyapunov函數，在確保子系統穩定收斂的前提下，逐級地為其設計虛擬控制器，并將上一階子系統的虛擬控制器作為下一階子系統的跟蹤目標；最后，結合逐級推導的控制設計結果，得出系統的實際控制器。

1.3 反演在化工過程故障診斷的應用

反演系統的應用領域涉及生物、醫療、地球物理和建筑等，化學工程也是較早應用的其中領域之一。Sever A等[5]將模式識別視作為不適定的反演問題，在正則化模型的基礎上建立新的學習算法，用于非均勻對象的重構。王琳琳等[6]為了求解腫瘤的關鍵參數，通過紅外檢測法測量腫瘤的體表溫度。為了研究熱聲反演，Nowak I等[7]通過燃燒室的壓力的數據，運用貝葉斯法計算熱釋放速率，測試結果表明貝葉斯法可較好地應用在熱聲反演問題中，可估算相關參數，構建測量點處的原始值，并取得了較好效果。在反演過程中，Nowak I等[7]利用粒子群算法確定位置參數，用最小二乘法演算目標粒子的位置函數，結果顯示，演算速度有所提高，精密度較好。因此，在化工過程故障識別的基礎上開展相關參數的反演時，需要將模型與數據結合在一起，對化工過程中的故障進行綜合診斷，將會實現更好的效果。

2 故障診斷

2.1 故障診斷作用

故障(Fault)是指運算異常導致系統部分性能下降，偏離預定目標。故障的原因來自于某個參數或者多個參數的變化。為了消除故障的影響，保證系統有序的、正常的運行，需要定期或者不定期排查故障，找到系統問題的癥結，這就需要故障診斷。故障診斷的手段是分析過程數據是否正常，篩選出異常數據，及時截取臨界劣化參數，對劣化參數更正，防止裝置進入非正常工作狀態，減少損失的發生[8]。

故障診斷的手段就是通過表征問題進行反演。故障查找過程包括：首先通過監測狀態獲得異常數據，常用的監測方法包括光電傳感技術、聲光傳感技術、在線監測和電子信息技術等；其次是分析故障的原因，根據系統信號提供的征兆和其他的信息，推斷可能的劣化趨勢，確定故障點，針對具體的故障點給出對應的維修或者維護方法。故障的識別、預判和診斷是長期安全、穩定運行的一個必要手段，有效預防裝置事故的發生，避免企業經濟的損失，保證現場人員的人身安全。

2.2 化工故障診斷現狀

隨著企業的大型化和信息技術的強勁發展，企業積極探尋擺脫依靠人工的運行方式，推進監測智能化、運行自動化的現代化手段，這也為化工過程故障診斷帶來了新的機遇和挑戰，故障診斷方法也在不斷更替、推陳出新。根據國際章法分類，故障診斷有三類方法，以知識為基礎的基于知識、以解析模型為基礎的基于解析模型和以處理信號為基礎的基于信號處理[9]?；诎Y狀的手段和基于定性模型的手段被歸類于基于知識?；诜治瞿Ｐ偷墓收显\斷是將被診斷對象的實測數據對比模型演算值，獲得兩者之間的殘值，通過一定的技術手段實現故障診斷?；谛盘柼幚淼姆椒▽儆诨旌戏椒?，將神經網絡或者模糊邏輯有機結合小波分析、專家評判，創建診斷系統，從而迅速地獲得故障原因，及時預警[10]。

2.3 故障診斷未來趨勢

診斷方法的不斷更迭、優化，基本滿足化工過程，然而如何獲得更好的診斷方法，如何同時提高運算速度和精度，是診斷專家不斷追求的目標。結合目前的大數據分析、機器的深度學習，故障診斷有了新的突破手段、獲得新思路，在此基礎上數據驅動的診斷方法得到了一定程度的發展。目前主要的數據驅動方法主要分為流形學習、多元統計方法、信號處理和機器學習等[11]，這些故障診斷方法由于不需要大量計算，能夠與復雜動態系統模型相結合實現優勢互補，在化工領域特別是大規模工業應用的監控系統中發揮著重要作用。目前神經網絡能夠很好地分析輸入信息之間的整體邏輯序列，結合反演系統將會成為化工故障診斷領域的重要發展方向。

3 故障診斷方法

3.1 混合故障診斷

隨著經濟、技術發展，化工裝置大型化建造、自動智能化運行成為不爭的事實，化工裝置前后緊密關聯、監控數據多、操作復雜，這些特點增加了故障診斷的難度。傳統的、單方面的診斷手段不適應現代化工企業技術，弊病越來越明顯。比如，PCA盡管可用于多變量系統的處理，處理靜態數據較好，然而化工系統多為流動、變動的，PCA的使用出現了“水土不服”，無法體現化工過程的時態性和動態性，導致無法準確地解釋質量的變量。并且，當數據非線性或者非正態分布，PCA的診斷結果嚴重偏離實際值，沒有明確的物理意義。針對以上問題，國內外學者提出了混合故障診斷方法。例如，Askarian M等[12]在TE過程中對分類器、組合方法的故障診斷性能進行評估，討論處理缺失數據的方法。

Rad等[13]將故障模式的整個空間具體劃分為數個子空間，設計監督代理監控局部的分類器，發現隱藏在子空間的異常點，及時更正，從而提高整個神經網絡的性能。Caccavale F等[14]在解決夾套式反應器中的化學反應時，采用綜合診斷方案來處理故障診斷問題。Chen X等[15]提出了一種結合故障診斷方法，該方法將SOM(自組織映射)和FDA(Fisher判別)相結合，用以動態的、實時的化工過程的故障診斷。

3.2 BP神經網絡故障診斷

BP神經網絡是目前應用最多的模型，由以Rumelhart[16]和McCelland[16]為 首 的 科 學 家 在1986年提出，是一種多層的前饋模型，利用誤差逆傳播進行映射，BP不需要演算出具體的數學方程式，通過預存的、大量的映射關系，實現較準確的模擬過程，具有較強的適應性和逼近性。在化工過程的新故障診斷中，可以通過閾值的改變、權值加以學習，并對學習成果進行記憶和存儲，在上述知識的沉淀下，如果以后的運行過程出現問題，可以運用之前的記憶進行診斷和處理。BP神經網絡包括輸入層、隱含層和輸出層，模擬人類神經元運行，他們層間連接，層內無連接。BP神經網絡包括正向傳輸和反向的誤差傳輸兩部分組成，當受到外界輸入時，BP網絡正向傳播引起反應，當正向相應和預期目標有出入時，反向誤差傳輸啟動，不斷調整響應值和目標值之間的差距，直到相應結果在目標值的允許范圍內，停止傳播。在傳播過程中，每層權值通過學習進行調整到合適的數值。

3.3 深度神經網絡故障診斷

深度神經網絡(DNN)是指多層次、非線性的變換，具有多個隱含層，同樣每層內部無連接，層間是全部連接的，對底層特征的表達不依靠人工選擇，通過學習利用高層抽象特征進行模擬[17-18]。在深度神經網絡學習中，首先是使用非監督方式，對深層神經網絡訓練，獲得樣本的有效特征，防止陷入局部的極值點。再次使用監督學習，對樣本有效模擬，防止擬合嚴重扭曲。對深度神經網絡進行細節調整，使深度神經網絡對故障特征表現出有效的診斷能力。深度神經網絡的層級多，為了防止陷入可能的局部極值點或者擬合扭曲，對各個層級進行貪婪訓練[19]。

4 化工過程的故障反演

在化工過程故障反演的運用過程中，故障類型已知，通過建立不同的模型分析故障的原因，模擬參數變化帶來的結果，進行更深層次的研究。在化工過程的反演故障診斷中，較多時候都會運用偏最小二乘(PLS)和最小二乘法(LSQ)進行反演推算，其中，最小二乘法是利用最小化系數矩陣，形成向量空間到觀測向量的歐式誤差距離；偏最小二乘是利用最小二乘法產生的故障參數，對連續故障參數進行估計[20-22]。因此，上述化工過程反演的參數估計方法是由無模型的簡單回歸部分和非線性模型組成的優化方法。例如，利用動態模擬方法監控某一化工過程時，需要觀察變量改變時出現的異常識別源，通?？梢岳闷钚《撕妥钚《朔ú粩噙M行內部參數的修正，同時分析測量變量的趨勢。

與其他動態仿真(非線性函數)相比，故障診斷反演在參數計算時使用的時間更長。混合反演就是盡量用偏最小二乘來替代最小二乘法，減小診斷工作量。偏最小二乘通過將可測和預測變量運用到一個新空間，形成一個新的線性回歸模型，并不是尋找自變量和響應之間的最大方差[23-24]。偏最小二乘模型能夠在X空間找到解釋Y空間的有效多維方向，摒棄迭代計算，對系統故障參數和輸出參數進行擬合，直接計算其中的關系，更加能夠節省計算時間。

5 結語

化學工業應用領域滲透到國民生活、航空、國防、醫療、教育等各個行業，在整體經濟中的地位不可替代，《中國制造2025》[25]結合國家當代實際情況和需要，督促化工企業向智能化、自動化方向轉型邁進，然而化工行業具有自身獨特的特點：規模大、過程復雜、安全隱患高，因此需要做好化工過程的設備故障診斷。通過本文研究，發現利用反演系統的數據收集、處理和模型優化，采用合適的故障診斷方法，可以對化工過程的運行問題進行有效的故障預判和處理，將會極大地提高生產裝置的穩定運行、質量調控，有助于化工企業實現提質增效和高質量的發展。雖然反演在化工領域的應用時間不長，但隨著數字化、智能化的高水平快速發展，相信反演在化工過程故障診斷中的應用也將會得到巨大的發展機遇。