王靜虹，李晨陽(yáng),支有冉，王志榮

(1．南京工業(yè)大學(xué) 安全科學(xué)與工程學(xué)院，江蘇 南京 210009；2.江蘇省危險(xiǎn)化學(xué)品本質(zhì)安全與控制技術(shù)重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210009；3．南京工程學(xué)院 機(jī)械工程學(xué)院，江蘇 南京 210009)

數(shù)字出版日期： 2017-07-19

0 引言

化工生產(chǎn)過程往往具有易燃易爆、高溫高壓、有毒有害等特點(diǎn)，一旦在安全方面出現(xiàn)問題，極易引發(fā)重大的人員傷亡和財(cái)產(chǎn)損失事故。當(dāng)化工生產(chǎn)過程中的人、機(jī)、環(huán)、管等主體發(fā)生或即將發(fā)生某些事件時(shí)，化工企業(yè)應(yīng)能夠?qū)σ恍┊惓＿M(jìn)行快速反應(yīng)，在事件造成后果前或者事件發(fā)生前，就對(duì)異常情況進(jìn)行控制，從生產(chǎn)的不安全狀態(tài)迅速恢復(fù)到安全狀態(tài)。這種能力必須依賴于在嚴(yán)格的時(shí)間限制內(nèi)對(duì)這些主體釋放的信息進(jìn)行監(jiān)測(cè)、捕獲、分析、預(yù)警以及調(diào)控。而這種功能與自然界生物體的免疫系統(tǒng)具有很強(qiáng)的相似性。

免疫系統(tǒng)能夠保護(hù)機(jī)體不受外部細(xì)菌、病毒的感染?；谏锩庖呦到y(tǒng)中蘊(yùn)含豐富的信息處理機(jī)制，人工免疫系統(tǒng)(Artificial Immune system, AIS)的概念自20世紀(jì)七八十年代被提出以來，在故障診斷、網(wǎng)絡(luò)監(jiān)測(cè)等領(lǐng)域都獲得了迅猛的發(fā)展[1-2]。在化工過程異常診斷方面，繼傳統(tǒng)的基于歷史數(shù)據(jù)[3]、基于動(dòng)態(tài)模型[4]和不依賴動(dòng)態(tài)模型的診斷方法[5]之后，利用人工免疫進(jìn)行異常診斷的研究也逐漸開展，如清華大學(xué)的趙勁松團(tuán)隊(duì)在國(guó)內(nèi)率先基于人工免疫原理對(duì)間歇化工過程開展故障診斷研究，取得了一系列進(jìn)展[6-8]。但大多數(shù)的過程異常檢測(cè)都存在一個(gè)很突出的問題，即過程參數(shù)數(shù)量眾多且關(guān)聯(lián)關(guān)系極其復(fù)雜，傳統(tǒng)的人工免疫算法如克隆選擇算法、陰性選擇算法、人工免疫網(wǎng)絡(luò)算法等直接應(yīng)用于過程異常檢測(cè)時(shí)并不一定有顯著的效果，而且現(xiàn)有研究也多是基于特定的化工過程，其檢測(cè)方法的適用性仍有待提高。

此外，針對(duì)過程參數(shù)進(jìn)行特征提取可以有效改善故障診斷的效率，其中應(yīng)用最為廣泛的1種方法就是主成分分析法[9]，如孟程程等人[10]提出利用核主成分分析方法對(duì)高爐冶煉過程中的故障進(jìn)行檢測(cè)，以適應(yīng)高爐的非線性特征；吳卓卓[11]建立了1種基于主成分分析和支持向量數(shù)據(jù)描述的故障檢測(cè)模型，并通過TE數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)；陳果[12]提出基于主成分分析的轉(zhuǎn)靜碰摩故障特征提取方法并與支持向量機(jī)相結(jié)合，驗(yàn)證了方法的有效性。但在化工過程異常檢測(cè)中，人工免疫算法與主成分分析方法的結(jié)合效果、適用范圍及具體技術(shù)方案仍有待深入的研究。

以下利用人工免疫系統(tǒng)的識(shí)別、學(xué)習(xí)、記憶、自適應(yīng)等特點(diǎn)，基于人工免疫算法中經(jīng)典的克隆選擇分類算法CSCA (Clonal Selection Classification Algorithm) 和主成分分析方法PCA(Principal Component Analysis)，構(gòu)建適用于多參數(shù)多模式的化工過程異常檢測(cè)方案，采用國(guó)際通用的TE過程數(shù)據(jù)集開展數(shù)值實(shí)驗(yàn)，測(cè)試并驗(yàn)證經(jīng)PCA方法改進(jìn)后的CSCA對(duì)化工過程異常檢測(cè)的效果，從而為化工過程異常檢測(cè)提供1種具有較廣泛適用性和較高準(zhǔn)確性的科學(xué)技術(shù)手段。

1 克隆選擇分類算法CSCA及其檢測(cè)效果

Brownlee[13]在2005年基于克隆選擇算法提出了克隆選擇分類算法CSCA，并在機(jī)器學(xué)習(xí)領(lǐng)域獲得了廣泛認(rèn)可和應(yīng)用。該算法的流程如圖1所示。已有研究指出[14]，CSCA算法相對(duì)一般的克隆算法，在準(zhǔn)確率上有明顯提高，而在平均絕對(duì)誤差和均方根誤差中，CSCA算法均要低于一般克隆算法。另外，由于CSCA采用了更為復(fù)雜的克隆選擇和迭代策略，因此，系統(tǒng)構(gòu)建時(shí)間會(huì)比一般克隆算法明顯增多。

圖1 CSCA算法流程Fig.1 The flowchart of CSCA algorithm

根據(jù)這一算法的思想，構(gòu)建基于克隆選擇分類算法(CSCA)針對(duì)化工過程異常檢測(cè)分類的主要步驟，如圖2所示。在這過程中，免疫系統(tǒng)概念與過程異常檢測(cè)算法的對(duì)應(yīng)關(guān)系如表1所示。

圖2 基于CSCA的過程異常檢測(cè)分類步驟Fig.2 The procedure of anomaly detection and classification of chemical process by CSCA

考慮通用的具有代表性的TE過程(田納西一伊斯曼過程)數(shù)據(jù)對(duì)所建立的CSCA化工過程異常檢測(cè)技術(shù)進(jìn)行驗(yàn)證，通過TE過程數(shù)據(jù)調(diào)試該檢測(cè)技術(shù)的性能。TE過程數(shù)據(jù)包含訓(xùn)練集和測(cè)試集，訓(xùn)練集和測(cè)試集各自含有22種異常模式，每個(gè)異常模式下的數(shù)據(jù)均包含53個(gè)屬性[15]，能夠?yàn)楫惓z測(cè)研究提供所需的基礎(chǔ)數(shù)據(jù)。

表1 免疫系統(tǒng)概念與CSCA過程異常檢測(cè)分類算法的對(duì)應(yīng)關(guān)系

表2所示是采用機(jī)器學(xué)習(xí)領(lǐng)域2個(gè)標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)“Iris Plants Database”和“Large Soybean Database”對(duì)CSCA算法進(jìn)行驗(yàn)證以及進(jìn)一步采用TE過程數(shù)據(jù)中的訓(xùn)練集和測(cè)試集分別進(jìn)行檢測(cè)之后的結(jié)果?？梢钥吹?，CSCA對(duì)Iris和Soybean 2個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集的分類效果都比較好，因此CSCA檢測(cè)技術(shù)本身是準(zhǔn)確的、有效的。而采用TE過程數(shù)據(jù)進(jìn)行分類時(shí)，發(fā)現(xiàn)，當(dāng)數(shù)據(jù)樣本很大、屬性很多的情況下，分類效果很不理想。

現(xiàn)實(shí)情況是，化工過程異常需要考慮很多種類，且依靠單一屬性參數(shù)(如溫度、壓力、濃度等)往往無法及時(shí)檢出早期微小異常，因此基于大樣本多屬性的過程數(shù)據(jù)進(jìn)行異常檢測(cè)，是更符合過程安全現(xiàn)實(shí)需求的。這就提出一個(gè)問題：如何對(duì)過程數(shù)據(jù)進(jìn)行可靠的預(yù)處理，尋求在數(shù)據(jù)樣本規(guī)模、樣本結(jié)構(gòu)和異常檢測(cè)效果之間的最優(yōu)匹配，以實(shí)現(xiàn)基于CSCA的過程早期微小異常的準(zhǔn)確、高效檢測(cè)和識(shí)別。

表2 基于CSCA的異常分類效果

2 結(jié)合主成分分析的CSCA分類檢測(cè)效果

2.1 過程數(shù)據(jù)降維后的檢測(cè)結(jié)果分析

考慮到TE訓(xùn)練集包含53個(gè)屬性，22種異常模式，先采用主成分分析(PCA)方法對(duì)其屬性進(jìn)行降維處理；再將降維之后的樣本作為CSCA的檢測(cè)樣本，對(duì)其進(jìn)行異常檢測(cè)分類。PCA分析的結(jié)果如圖3所示。由圖可知，前11個(gè)主成份的貢獻(xiàn)率累積達(dá)85.37%(≥85%)，所對(duì)應(yīng)的屬性為att01，att09，att13，att18，att19，att21，att34，att38，att39，att45和att51。運(yùn)用CSCA對(duì)經(jīng)過主成分分析篩選出的樣本再次進(jìn)行異常檢測(cè)分類，此時(shí)的數(shù)據(jù)樣本總數(shù)仍為10 580，針對(duì)每一類屬生成的記憶細(xì)胞數(shù)目如圖4所示。最終結(jié)果顯示，同樣在22種異常模式情況下，進(jìn)行PCA處理之后的樣本正確分類比例為39.8%，未正確分類比例為60.2%。由此可知，盡管采用PCA方法進(jìn)行了屬性降維，但由于總的樣本數(shù)仍十分龐大，分類準(zhǔn)確率雖有所提高，但仍無法令人滿意。

圖3 主成分的貢獻(xiàn)率累積百分比Fig.3 The cumulative percentage of the contributionrate of principal components

圖4 生成的記憶細(xì)胞數(shù)目Fig.4 Number of memory cells

在此基礎(chǔ)上進(jìn)一步考慮縮減樣本規(guī)模。由于TE過程異常數(shù)據(jù)是從第8 h后開始引入不同類型的異常，前8 h均為穩(wěn)態(tài)無異常數(shù)據(jù)，因此，考慮到異常檢測(cè)效果應(yīng)該在異常情況一出現(xiàn)即盡快將其檢出，因此選擇10 h的數(shù)據(jù)樣本(前8h為穩(wěn)態(tài)正常數(shù)據(jù)，后2 h為異常數(shù)據(jù))，樣本總數(shù)為4 399?？紤]到如果基于這10h的數(shù)據(jù)能夠獲得好的異常檢測(cè)效果，那么也就意味著在過程異常出現(xiàn)2 h內(nèi)，CSCA即能檢測(cè)并識(shí)別出異常情況的類型。首先，對(duì)數(shù)據(jù)進(jìn)行PCA處理，獲取4個(gè)主成分，對(duì)應(yīng)屬性att05，att38，att45和att51，運(yùn)用CSCA分類正確率為30.2%。而未進(jìn)行PCA處理時(shí)，正確率為26.5%。如果仍采用之前的11個(gè)主成分時(shí)，正確率40.9%。具體結(jié)果整理見表3所示。從中可以看到，過程異常數(shù)據(jù)的規(guī)模、屬性的數(shù)目對(duì)CSCA異常檢測(cè)效果具有明顯的影響。盡管CSCA可以對(duì)大多數(shù)通用數(shù)據(jù)集有不錯(cuò)的檢測(cè)分類效果，但對(duì)于化工過程數(shù)據(jù)來說，由于樣本規(guī)模過大以及異常類別過多等現(xiàn)實(shí)情況的存在，還需要進(jìn)一步探討更為有效的數(shù)據(jù)降維或重構(gòu)方案，才能使異常檢測(cè)正確率提高到滿意的程度。

表3 基于CSCA+PCA的異常檢測(cè)分類效果(未數(shù)據(jù)重整)

2.2 過程數(shù)據(jù)重整后的CSCA異常檢測(cè)

基于主成分分析的結(jié)果，在TE數(shù)據(jù)中選擇4個(gè)主成分的主要構(gòu)成參數(shù)作為監(jiān)測(cè)對(duì)象。選取異常模式class01，class02，class03和class04的數(shù)據(jù)作為試驗(yàn)數(shù)據(jù)。數(shù)據(jù)重整中重點(diǎn)關(guān)注異常引入的時(shí)間，即：考慮到每個(gè)異常模式下的前160個(gè)數(shù)據(jù)是引入異常模式之前的，在異常檢測(cè)中有可能形成干擾，因此只采用引入異常模式之后1h的數(shù)據(jù)，組織成樣本集1，共80組數(shù)據(jù)。采用引入異常模式之后2 h的數(shù)據(jù)，組織成樣本集2，共160組數(shù)據(jù)。將異常發(fā)生后第3 h的數(shù)據(jù)單獨(dú)提取，組織成樣本集3，共80組數(shù)據(jù)。仍然采用CSCA算法對(duì)重整后的異常樣本進(jìn)行檢測(cè)分類，分類結(jié)果如表4所示?？梢钥吹?，控制分類樣本數(shù)之后，CSCA對(duì)4種異常模式具有較好的檢測(cè)效果。

在此基礎(chǔ)上，對(duì)樣本集3的異常模式進(jìn)行預(yù)測(cè)，詳細(xì)預(yù)測(cè)結(jié)果列于表5，其中下劃線顯示的是預(yù)測(cè)錯(cuò)誤的樣本。共計(jì)85%的樣本被準(zhǔn)確定位為class03異常模式，與實(shí)際情況相符。

表5 樣本集3的預(yù)測(cè)結(jié)果

注：表格中的預(yù)測(cè)值通過四位二進(jìn)制表示所屬的異常類型，例如“0001”表示歸屬為故障模式class04。

3 結(jié)論

1)基于人工免疫原理的克隆選擇分類算法(CSCA)面對(duì)大樣本多屬性的化工過程數(shù)據(jù)時(shí)，在異常檢測(cè)效果方面存在局限性，即過程異常數(shù)據(jù)的規(guī)模、屬性的數(shù)目對(duì)CSCA異常檢測(cè)效果具有明顯的負(fù)面影響。

2)基于TE過程數(shù)據(jù)的異常檢測(cè)和分類實(shí)驗(yàn)表明，通過主成分分析(PCA)方法進(jìn)行數(shù)據(jù)降維及數(shù)據(jù)重整之后，CSCA對(duì)過程異常分類辨識(shí)的準(zhǔn)確率可提升到85%以上，從而適應(yīng)化工過程異常檢測(cè)的實(shí)際需求。

3)研究提出的CSCA+PCA的化工過程異常檢測(cè)技術(shù)方案，可以應(yīng)用于多參數(shù)多異常模式的化工過程；為進(jìn)一步提高異常檢測(cè)分類的準(zhǔn)確性和可靠性，今后將進(jìn)一步研究過程數(shù)據(jù)的樣本規(guī)模、樣本結(jié)構(gòu)及其復(fù)雜非線性關(guān)系對(duì)于異常檢測(cè)效果的影響。

[1] González F A. A study of artificial immune systems applied to anomaly detection[M]. The University of Memphis, 2003.

[2] Morteza J, Hossein M, Kasra M, et al. A Method in Security of Wireless Sensor Network based on Optimized Artificial immune system in Multi-Agent Environments[J]. Research Journal of Recent Sciences, 2013,2(10):99-106.

[3] Venkatasubramanian V, Rengaswamy R, Kavuri S N, et al. A review of process fault detection and diagnosis: Part III: Process history based methods [J]. Computers and Chemical Engineering, 2003, 27(3): 327-346.

[4] Tian W D, Sun S L, Liu J Q. Fault diagnosis in chemical processes based on dynamic simulation[J]. Journal of System Simulation, 2007, 19(12):2831-2835.

[5] 黃啟明, 錢宇, 林偉璐,等. 化工過程故障診斷研究進(jìn)展[J]. 化工自動(dòng)化及儀表, 2000, 27(3):1-5.

HUANG Qiming, QIAN Yu，LIN Weilu,et al. Advances of fault diagnosis for chemical process[J]. Control and Instruments in Chemical Industry, 2000, 27(3):1-5.

[6] 魏巧玲, 趙勁松, 鐘本和. 基于模擬疫苗的人工免疫系統(tǒng)在氯乙烯聚合間歇過程故障診斷中的應(yīng)用[J]. 化工學(xué)報(bào), 2015, 66(2):635-639.

WEI Qiaolin, ZHAO Jinsong,ZHONG Benhe . Application of AIS based on SV for fault diagnosis of vinyl chloride polymerization batch process[J]. CIESC Journal, 2015, 66(2):635-639.

[7] 戴一陽(yáng)，趙勁松，陳丙珍. 化工過程混合故障診斷系統(tǒng)的應(yīng)用[J]. 化工學(xué)報(bào)，2010,61(2):342-346.

DAI Yiyang, ZHAO Jinsong ,CHEN BingZhen. Application of hybrid diagnostic system for chemical processes[J]. CIESC Journal, 2010,61(2):342-346.

[8] 戴一陽(yáng), 陳寧, 趙勁松,等. 人工免疫系統(tǒng)在間歇化工過程故障診斷中的應(yīng)用[J]. 化工學(xué)報(bào), 2009, 60(1):172-176.

DAI Yiyang,CHEN Ning,ZHAO Jinsong,et al. Application of AIS to batch chemical process fault diagnosis[J]. CIESC Journal , 2009, 60(1):172-176.

[9] 陸寧云, 楊英華, 王福利. 基于迭代主成分分析的過程監(jiān)測(cè)方法的研究與實(shí)現(xiàn)[J]. 控制與決策, 2002, 17(2):215-218.

LU Ningyun, YANG Yinghua,WANG Fuli. Research and implementation of process monitoring based on iterative principal component analysis( PCA)[J]. Contr ol and Decision, 2002, 17(2):215-218.

[10] 孟程程，曾九孫，李文軍. 核主成分分析的高爐故障檢測(cè)研究[J]. 中國(guó)計(jì)量學(xué)院學(xué)報(bào)，2012,23(4)：332-337.

MENG Chengcheng,ZENG Jiusun,LI Wenjun. Blast furnace fault detection based on KPCA[J]. Journal of China University of Metrology, 2012,23(4): 332-337.

[11] 吳卓卓. 基于田納西—伊斯曼過程故障檢測(cè)方法研究[D]. 上海：華東交通大學(xué), 2016.

[12] 陳果. 基于一類支持向量機(jī)與主成分分析的轉(zhuǎn)靜碰摩故障檢測(cè)技術(shù)[J]. 振動(dòng)與沖擊，2012,31(22)：29-33，38.

CHEN Guo. Rotor-stator rubbing fault testing technique based on one-class support vector machine and primary component analysis[J]. 2012,31(22):29-33，38.

[13] Brownlee J. Clonal Selection Theory & Clonalg: The Clonal Selection Classification Algorithm (CSCA)[J]. Cheminform, 2005, 36(14):341.

[14] 黃黎黎. 人工免疫算法研究及其在癌癥診斷中的應(yīng)用[D]. 北京：北京郵電大學(xué), 2010.

[15] 齊向娟, 李士雨, 孫靈棟. ChemCAD在精餾塔動(dòng)態(tài)模擬中的應(yīng)用[J]. 計(jì)算機(jī)與應(yīng)用化學(xué), 2008, 25(6):752-756.

QI Xiangjuan, LI Shiyu, SUN Lingdong. Applied of ChemCAD in distillation column dynamic simulation [J]. Computers and Applied Chemistry, 2008, 25(6):752-756.