付麗君，張齊鵬，姜宇宏，楊 青

(沈陽理工大學 自動化與電氣工程學院，沈陽 110159)

近年來，隨著現(xiàn)代化工業(yè)過程的大規(guī)模生產(chǎn)與發(fā)展，使得化工過程的操作復雜性不斷增加，操作設備出現(xiàn)老化和腐蝕的情況日益增多，由此可能出現(xiàn)化學物質泄露、火災、爆炸等難以預測的安全隱患的發(fā)生，同時也會導致環(huán)境污染等嚴重的人身安全問題和財產(chǎn)損失事故[1]。因此，對化工過程進行故障診斷可以預防災難性事故的發(fā)生和減少人員的傷亡以及達到保證產(chǎn)品質量的目的。

伊斯曼化學公司創(chuàng)建的田納西-伊斯曼(TE)化工過程，其主要作用是對化工過程的故障診斷及監(jiān)測研究領域提供實際的工業(yè)過程控制數(shù)據(jù)集?，F(xiàn)階段，使用TE數(shù)據(jù)集進行故障檢測和診斷的研究已經(jīng)取得了一定的進展和成果；并且由于研究者對深度學習和神經(jīng)網(wǎng)絡研究的不斷深入，使得更多的研究者以深度學習和神經(jīng)網(wǎng)絡為基礎，對TE過程進行故障診斷分析。

劉麗云等[2]使用K-means聚類方法對TE過程進行故障診斷，并通過主成分分析(Principal Component Analysis，PCA)方法對故障發(fā)生的原因進行分析和識別。Wu D S等[3]提出了基于提升小波和支持向量機(Lifting Wavelets and Support Vector Machine，LWSVM)相結合的故障診斷方法；首先使用提升小波對數(shù)據(jù)集進行預處理操作，然后使用支持向量機(Support Vector Machine，SVM)進行故障診斷。楊青等[4]提出一種基于變分模態(tài)分解、獨立主成分分析和核主成分分析相結合的多模態(tài)故障檢測方法，以此達到對TE過程進行故障診斷的目的。Gu X H等[5]提出一種基于混合卷積神經(jīng)網(wǎng)絡的結構模型，對TE過程進行故障診斷；同時這一模型在卷積神經(jīng)網(wǎng)絡中加入Mixup卷積網(wǎng)絡，以此訓練網(wǎng)絡模型，獲得更好的泛化能力。付麗君等[6]提出了基于圖像的輕量級卷積神經(jīng)網(wǎng)絡對軸承故障數(shù)據(jù)進行診斷的方法，針對軸承故障數(shù)據(jù)通過小波包變換的方式將一維數(shù)據(jù)轉化成二維圖像數(shù)據(jù)，然后通過分類網(wǎng)絡對二維圖像數(shù)據(jù)進行故障診斷。

綜上，在針對TE數(shù)據(jù)的診斷分類上，大多數(shù)方法是對一維數(shù)據(jù)直接進行處理并分類。但相比于一維數(shù)據(jù)，二維圖像數(shù)據(jù)更易通過卷積神經(jīng)網(wǎng)絡來進行特征提取，從而保證數(shù)據(jù)特征的全面性及分類的準確性。所以本文采用小波包變換的方法對TE數(shù)據(jù)進行處理，生成二維小波圖像；然后通過改進殘差網(wǎng)絡模型對預處理后的TE數(shù)據(jù)進行特征提取并完成相應的故障診斷分類。相比較于其他一維數(shù)據(jù)的處理方式，本文采用的預處理生成圖像數(shù)據(jù)的方法可以更大程度保留和提取原始信號的特征，達到進一步提高TE化工過程故障診斷精度的目的。

1 WPT-SSA-ResNet方法

1.1 小波包圖像生成

小波變換[7]是一種新型的關于線性時頻分析的方法。所謂的“小波”是指其本身具備的衰減性和波動性，其主要作用是自動適應時頻信號的分析要求。小波變換對原函數(shù)使用小波從不同的角度對函數(shù)進行分解，通過這種方式得到原函數(shù)在不同尺度小波下的系數(shù)。而小波包變換(Wavelet Packet Transform，WPT)[8]可以理解為是小波變換的一種升級和優(yōu)化，其與小波變換最大的區(qū)別在于：小波變換是對低頻部分進行分解，將其分解為高頻、低頻兩類；而小波包變換則是對高、低頻兩部分進行分解?？梢詫⑿〔ò儞Q看作信號在子空間坐標系下的投影。第j層分解后的小波包節(jié)點可表達為

(1)

通過上述方式生成的二維TE圖像數(shù)據(jù)如圖1所示。

圖1 經(jīng)小波包處理后的圖像數(shù)據(jù)

本文對TE數(shù)據(jù)進行二維圖像的轉換時，利用小波包變換對每一個輸入的信號進行第10層分解，即j=10，并對節(jié)點能量進行計算。從上至下、從左至右對應小波包圖像的每個像素點，構成小波包圖像的能量矩陣為

(2)

式中q表示生成小波包圖像的維度。

1.2 麻雀搜索算法(SSA)

受到麻雀生物群體社會性的啟發(fā)及人工智能的發(fā)展需要，Xue J K等[9]在2020年提出了一種用于處理優(yōu)化問題的新型優(yōu)化算法——麻雀搜索算法(Sparrow Search Algorithm，SSA)。SSA算法中將n只麻雀組成的種群用公式表達為

(3)

式中：d為待優(yōu)化問題的變量維數(shù)；n為麻雀的數(shù)量；X為種群。所以麻雀的適應度值可以表達為

(4)

式中Fx表示適應度函數(shù)值，在該算法中分為發(fā)現(xiàn)者和加入者兩大類，較好適應度值的發(fā)現(xiàn)者能夠優(yōu)先獲取食物，同時，作為發(fā)現(xiàn)者還負責整個種群的食物尋找及為加入者提供食物方向。

1.3 深度可分離卷積

深度可分離卷積與原始的卷積操作不同。深度可分離卷積使用通道數(shù)為1的卷積核對輸入的特征層進行逐層的特征提取，然后再使用1×1的卷積核對融合后的輸出特征層的通道數(shù)進行調節(jié)[10]。將深度可分離卷積的思想應用到殘差分類網(wǎng)絡中，構成深度可分離卷積殘差網(wǎng)絡(Dept-hwise Sparable Convolution-ResNet，DSC-ResNet)模型，該模型改變殘差網(wǎng)絡中傳統(tǒng)的卷積操作，從而減少了模型的參數(shù)，改變了計算方式，并縮短了訓練時間。深度可分離卷積的示意圖如圖2所示。

圖2 深度可分離卷積示意圖

在卷積核為3×3、輸入特征層的通道為3、輸出特征層參數(shù)為16的情況下，分別進行一次卷積操作和深度可分離卷積操作。計算通過卷積操作后的參數(shù)量為3×3×3×16=432，而進行深度可分離卷積操作后的參數(shù)量為3×3×3+3×1×1×16=75?？梢悦黠@看出，進行深度可分離卷積操作和進行卷積操作的計算方式不同，從而減少了參數(shù)量，達到降低訓練時間復雜性的目的。

1.4 WPTS-SAA-DSC-ResNet算法

該算法主要分為數(shù)據(jù)預處理階段和故障分類階段。WPTS-SAA-DSC-ResNet算法流程如圖3所示。

圖3 WPT-SSA-DSC-ResNet算法結構圖

預處理階段第一步，為保證數(shù)據(jù)的時間連續(xù)性，對數(shù)據(jù)按時間性進行分割；預處理階段第二步，利用WPT方法將一維時間序列數(shù)據(jù)轉化成為二維圖像數(shù)據(jù)。

故障診斷網(wǎng)絡以傳統(tǒng)的殘差分類網(wǎng)絡為基礎，但因為傳統(tǒng)的殘差網(wǎng)絡在圖像分類應用中，通常使用較多的網(wǎng)絡層數(shù)以提高對圖像分類的精度，因此隨著網(wǎng)絡層數(shù)的不斷增多，過多的網(wǎng)絡層數(shù)也會使網(wǎng)絡中的參數(shù)數(shù)量增加。所以將深度可分離卷積替換到網(wǎng)絡中。

故障診斷階段在對二維圖像進行訓練診斷時，對網(wǎng)絡中的卷積層和深度可分離卷積層進行批量歸一化；同時采用SSA智能優(yōu)化算法對分類網(wǎng)絡中的學習率及各個卷積層的大小和數(shù)量等主要參數(shù)進行優(yōu)化，以實現(xiàn)在不損失分類精度的基礎上縮短分類時間的效果。

2 實驗研究

為驗證本文的研究方法在TE化工過程中的可行性，采用田納西-伊斯曼過程作為驗證的實驗數(shù)據(jù)集。TE過程主要由反應器、冷凝器、汽提塔等多個單元組成，具體流程如圖4所示[11]。

圖4 TE過程流程圖

在TE過程數(shù)據(jù)集中對故障進行了如表1所示的定義。本文使用TE過程數(shù)據(jù)中同一模態(tài)下的故障1、故障4、故障8和故障12四種故障數(shù)據(jù)作為實驗的數(shù)據(jù)集；使用Matlab對數(shù)據(jù)集進行預處理和圖像生成；利用Python軟件進行分類網(wǎng)絡的實驗和驗證。在實驗過程中，對四種故障數(shù)據(jù)進行劃分，按7∶3的比例將數(shù)據(jù)集分為訓練和測試兩個樣本，每次訓練16張二維圖像數(shù)據(jù)，共迭代20次。圖5為二維數(shù)據(jù)準確率曲線圖。

表1 TE過程故障

圖5 二維數(shù)據(jù)準確率曲線圖

由圖5可知，經(jīng)過WPT-SSA-DSC-ResNet故障分類網(wǎng)絡訓練后的訓練集的準確率能夠達到99%；測試集準確率可達到98%。

損失率的結果如圖6所示。由圖6可知，利用WPT-SSA-DSC-ResNet故障分類網(wǎng)絡訓練后，訓練集的損失率為0.6%；測試集的損失率為0.2%。

圖6 二維數(shù)據(jù)損失率曲線圖

本文提出的故障診斷方法在相同實驗數(shù)據(jù)集下與其他故障診斷方法的準確率對比如表2所示。

表2 故障診斷方法準確率對比 %

通過表2中的數(shù)據(jù)可知，本文提出的WPT-SSA-DSC-ResNet算法的準確率優(yōu)于其他模型。

3 結論

針對TE過程提出了一種基于麻雀搜索算法和深度可分離卷積殘差網(wǎng)絡相結合的集合型故障診斷方法。在數(shù)據(jù)預處理階段使用小波包變換對TE數(shù)據(jù)進行預處理，將其一維數(shù)據(jù)轉換成二維的圖像數(shù)據(jù)；在傳統(tǒng)的殘差網(wǎng)絡基礎上將殘差網(wǎng)絡中的卷積層替換成深度可分離卷積，可有效地減少訓練所需時間，提高診斷效率。通過對TE數(shù)據(jù)分類的實驗結果分析，證明了WPT-SSA-DSC-ResNet方法的可行性。