湯大可

中國(guó)石油天然氣股份有限公司廣東石化分公司, 廣東 揭陽(yáng) 515200

0 前言

石油和石油化工行業(yè)在國(guó)民經(jīng)濟(jì)中占有重要地位,提高石油化工生產(chǎn)的安全水平一直是該行業(yè)的一項(xiàng)重要目標(biāo)。石油化工生產(chǎn)過(guò)程復(fù)雜,常伴隨高溫高壓工藝系統(tǒng)及有毒有害物料,屬于高風(fēng)險(xiǎn)行業(yè),一旦發(fā)生事故,危害極大,所以一旦出現(xiàn)故障需要立即發(fā)現(xiàn)并及時(shí)應(yīng)急處置[1]。而利用專家積累的豐富經(jīng)驗(yàn),能模仿專家較早發(fā)現(xiàn)故障并分析原因給集散控制系統(tǒng)(Distributed Control System,DCS)操作人員提供合理化建議的診斷軟件就顯得尤為重要[2]。石油化工過(guò)程故障診斷能夠有效彌補(bǔ)DCS在報(bào)警時(shí)表現(xiàn)出報(bào)警信息過(guò)于簡(jiǎn)單、報(bào)警不及時(shí)的不足,避免緊急停車造成的經(jīng)濟(jì)損失及可能發(fā)生的重大石油化工安全事故。雖然石油化工過(guò)程故障診斷研究已有四十多年的歷史,但目前有關(guān)理論和技術(shù)尚未實(shí)現(xiàn)大規(guī)模工業(yè)化應(yīng)用,其中的主要原因之一就是自適應(yīng)、自學(xué)習(xí)能力不令人滿意[3]。近年來(lái),隨著人們對(duì)生物機(jī)能方面的研究不斷深入,生物機(jī)能在處理復(fù)雜系統(tǒng)中表現(xiàn)出的高效和不斷優(yōu)化能力引起了工程人員的廣泛關(guān)注,許多不同的人工智能方法應(yīng)運(yùn)而生。其中,人工免疫系統(tǒng)作為一種新興的人工智能方法,因其具有強(qiáng)大的識(shí)別非我信號(hào)的能力,以及在自適應(yīng)和自學(xué)習(xí)能力上表現(xiàn)出來(lái)的優(yōu)勢(shì),被引入到了石油化工過(guò)程故障診斷的研究中。

1 石油化工過(guò)程故障診斷

在石油化工過(guò)程故障診斷研究中,故障是指石油化工過(guò)程中的某一個(gè)觀測(cè)變量或操作參數(shù)出現(xiàn)不可接受的偏離[4]。石油化工過(guò)程故障診斷與單設(shè)備故障診斷不同,它主要關(guān)注石油化工裝置在實(shí)際生產(chǎn)中由于操作失誤、環(huán)境變化、設(shè)備失靈等導(dǎo)致的工藝故障。由于一處工藝故障的出現(xiàn)可能是由多種不同的設(shè)備工藝偏差導(dǎo)致,而任其發(fā)展可能引起更多其它設(shè)備的故障甚至重大的安全事故。由于石油化工過(guò)程故障診斷涉及的設(shè)備更多、數(shù)據(jù)量更大,在診斷過(guò)程中需要處理的對(duì)象也更加復(fù)雜。

石油化工過(guò)程的故障主要包括三種類型:參數(shù)故障,即在裝置運(yùn)行過(guò)程中,操作參數(shù)或者其他外來(lái)參數(shù)由于誤操作或者環(huán)境的變化發(fā)生擾動(dòng),影響石油化工過(guò)程的正常運(yùn)行;系統(tǒng)結(jié)構(gòu)故障,即石油化工過(guò)程中涉及的設(shè)備本身發(fā)生損壞或者失效,導(dǎo)致整個(gè)生產(chǎn)過(guò)程偏離正常工況;傳感器和執(zhí)行器故障,即在裝置運(yùn)行過(guò)程中,監(jiān)測(cè)與故障診斷系統(tǒng)的傳感器不能準(zhǔn)確獲取并傳送監(jiān)測(cè)變量,執(zhí)行器不能有效調(diào)節(jié)需要改變的參數(shù)。

一般而言,基本的石油化工過(guò)程故障診斷主要包括兩部分:故障檢測(cè),即在生產(chǎn)運(yùn)行過(guò)程中,判斷監(jiān)控對(duì)象是否偏離預(yù)期的正常工況;故障識(shí)別,即監(jiān)測(cè)與故障診斷系統(tǒng)根據(jù)檢測(cè)到的故障信息和獲取的過(guò)程變量,發(fā)現(xiàn)故障發(fā)生的部位,找出故障發(fā)生的根本原因。

根據(jù)診斷模型的類別不同,可以將石油化工過(guò)程故障診斷方法分為基于定量模型的方法、基于定性模型的方法和基于過(guò)程歷史知識(shí)的方法三大類[5],見(jiàn)圖1。

圖1 石油化工過(guò)程故障診斷方法分類圖Fig.1 Classification of petrochemical process fault diagnosis methods

基于定量模型的方法:該類方法主要是根據(jù)實(shí)際過(guò)程建立一個(gè)定量的動(dòng)態(tài)數(shù)學(xué)模型,將實(shí)際過(guò)程的變量數(shù)據(jù)與動(dòng)態(tài)模型產(chǎn)生的結(jié)果進(jìn)行計(jì)算分析,從而實(shí)現(xiàn)故障診斷。

基于定性模型的方法:該類方法不需要應(yīng)用所有輸入輸出的確切值來(lái)建立實(shí)際過(guò)程的定量模型,而是根據(jù)已有的知識(shí)和歷史經(jīng)驗(yàn),建立石油化工過(guò)程的定性模型。再根據(jù)實(shí)際過(guò)程數(shù)據(jù),按照一定的搜索策略,通過(guò)模型診斷故障。

基于過(guò)程歷史知識(shí)的方法:該類方法主要是將歷史數(shù)據(jù)轉(zhuǎn)化為診斷系統(tǒng)的先驗(yàn)知識(shí),通過(guò)數(shù)據(jù)挖掘等方法實(shí)現(xiàn)對(duì)歷史數(shù)據(jù)中知識(shí)的提取,建立相應(yīng)的數(shù)學(xué)模型。將過(guò)程的實(shí)際運(yùn)行數(shù)據(jù)帶入數(shù)學(xué)模型進(jìn)行運(yùn)算,根據(jù)模型的輸出或特征變量進(jìn)行故障的檢測(cè)和識(shí)別。

2 人工免疫系統(tǒng)

生物免疫系統(tǒng)是生物的防御機(jī)制,是用以保護(hù)機(jī)體免受外部感染以及內(nèi)部變異,維護(hù)機(jī)體穩(wěn)定的重要保護(hù)系統(tǒng)。它能夠識(shí)別入侵生物體的外來(lái)物質(zhì),并發(fā)動(dòng)免疫反應(yīng)將其消滅。而人工免疫系統(tǒng)是指借鑒、利用生物免疫系統(tǒng)的信息處理機(jī)制而發(fā)展的各類信息處理技術(shù)、計(jì)算技術(shù)以及其在工程和科學(xué)中應(yīng)用而產(chǎn)生的各種智能系統(tǒng)總稱[6]。

人工免疫系統(tǒng)最早可以追溯到1974年,諾貝爾獎(jiǎng)獲得者、免疫學(xué)家Jerne N K[7]率先提出了免疫網(wǎng)絡(luò)理論,引起了廣泛關(guān)注。但是由于人工免疫系統(tǒng)自身的復(fù)雜性,與醫(yī)學(xué)免疫學(xué)的密切關(guān)系等諸多原因,人工免疫系統(tǒng)并未引起工程研究人員的廣泛興趣。直到1990年,日本學(xué)者Ishida Y[8]利用人工免疫系統(tǒng)的原理解決了傳感器網(wǎng)絡(luò)故障診斷的問(wèn)題,這也是第一次將人工免疫系統(tǒng)應(yīng)用于工程領(lǐng)域的研究成果。1998年,在美國(guó)召開了第一次人工免疫系統(tǒng)專題會(huì)議,首次提出了人工免疫系統(tǒng)的概念,人工免疫系統(tǒng)引起了計(jì)算機(jī)科學(xué)家、工程師、數(shù)學(xué)家等各方面研究人員的廣泛興趣,近年來(lái)涌現(xiàn)了大量的研究成果。其中,一些學(xué)者開始將人工免疫系統(tǒng)引入石油化工過(guò)程故障診斷研究,彌補(bǔ)了一些傳統(tǒng)故障診斷方法的不足。當(dāng)前主要的人工免疫系統(tǒng)算法包括人工免疫網(wǎng)絡(luò)算法、否定選擇算法以及克隆選擇算法[9-10]。

2.1 人工免疫網(wǎng)絡(luò)算法

人工免疫網(wǎng)絡(luò)算法是人工免疫系統(tǒng)研究領(lǐng)域最早提出的一個(gè)算法,早期關(guān)于人工免疫系統(tǒng)的主要研究都是圍繞該算法進(jìn)行的。自免疫學(xué)家Jerne N K提出免疫網(wǎng)絡(luò)理論以來(lái),學(xué)術(shù)界開發(fā)出了各種各樣的人工免疫網(wǎng)絡(luò)模型,實(shí)現(xiàn)了人工免疫系統(tǒng)在工程領(lǐng)域的應(yīng)用。1990年,Ishida Y用于診斷傳感器網(wǎng)絡(luò)的算法正是基于人工免疫網(wǎng)絡(luò)算法。人工免疫網(wǎng)絡(luò)算法應(yīng)用于故障診斷的基本思路是:由傳感器網(wǎng)絡(luò)系統(tǒng)中的全部變量構(gòu)建一個(gè)或多個(gè)傳感器網(wǎng)絡(luò),網(wǎng)絡(luò)中的每個(gè)節(jié)點(diǎn)代表傳感器網(wǎng)絡(luò)系統(tǒng)的一個(gè)變量對(duì)應(yīng)一個(gè)狀態(tài),節(jié)點(diǎn)間的連接權(quán)值表示各節(jié)點(diǎn)間的關(guān)系,根據(jù)節(jié)點(diǎn)的狀態(tài)判斷傳感器網(wǎng)絡(luò)系統(tǒng)是否故障。在工程應(yīng)用時(shí),首先需要利用傳感器網(wǎng)絡(luò)系統(tǒng)變量之間的關(guān)系建立人工免疫網(wǎng)絡(luò)。在傳感器網(wǎng)絡(luò)系統(tǒng)正常工作情況下,變量之間存在一些關(guān)系,這些關(guān)系在一定范圍內(nèi)保持穩(wěn)定。一旦傳感器網(wǎng)絡(luò)系統(tǒng)出現(xiàn)偏差,變量之間的關(guān)系被破壞,就能夠檢測(cè)出故障。而在傳感器網(wǎng)絡(luò)系統(tǒng)運(yùn)行過(guò)程中,人工免疫網(wǎng)絡(luò)可以通過(guò)在線數(shù)據(jù)對(duì)節(jié)點(diǎn)間的連接權(quán)值進(jìn)行校正更新,從而實(shí)現(xiàn)故障診斷傳感器網(wǎng)絡(luò)系統(tǒng)的自適應(yīng)和自學(xué)習(xí)。

2001年,日本學(xué)者Sugita Y等人[11]提出了一個(gè)應(yīng)用于石油化工廠傳感器系統(tǒng)故障診斷的人工免疫網(wǎng)絡(luò),他通過(guò)構(gòu)建多個(gè)人工免疫網(wǎng)絡(luò),區(qū)分傳感器故障和工廠老化,實(shí)現(xiàn)對(duì)傳感器故障的診斷。2009年,巴西科學(xué)家Sumar R R等人[12]提出應(yīng)用人工免疫網(wǎng)絡(luò)算法對(duì)復(fù)雜非線性控制系統(tǒng)進(jìn)行優(yōu)化,并實(shí)現(xiàn)對(duì)控制系統(tǒng)傳感器和控制閥的監(jiān)控。

研究表明,人工免疫網(wǎng)絡(luò)算法很好地保持了種群的多樣性,在動(dòng)態(tài)優(yōu)化、自動(dòng)控制等方面的應(yīng)用都有良好表現(xiàn)。但是由于人工免疫網(wǎng)絡(luò)訓(xùn)練的過(guò)程較為復(fù)雜,需要的參數(shù)多,適應(yīng)性不好,無(wú)法很好地解決復(fù)雜的非線性問(wèn)題。因此,在處理石油化工過(guò)程故障診斷問(wèn)題時(shí),人工免疫網(wǎng)絡(luò)算法無(wú)法很好地檢測(cè)、識(shí)別參數(shù)故障和系統(tǒng)結(jié)構(gòu)故障,存在一定局限性。

2.2 否定選擇算法

否定選擇算法是借鑒生物免疫系統(tǒng)識(shí)別自我與非我的機(jī)制而提出的一套免疫算法,它的核心思想就是產(chǎn)生一個(gè)覆蓋所有非我集合的檢測(cè)器,利用成熟的檢測(cè)器,測(cè)試在線數(shù)據(jù)中所有的非我部分。否定選擇算法應(yīng)用于石油化工過(guò)程故障診斷時(shí),首先需要隨機(jī)生成大量的初始檢測(cè)器集合,其次將這些初始檢測(cè)器與自我的集合進(jìn)行匹配度篩選,刪除與自我集合相匹配的檢測(cè)器,最后保留足夠數(shù)量(數(shù)量需滿足能夠覆蓋絕大部分非我集合)的成熟檢測(cè)器。在線檢測(cè)時(shí),將檢測(cè)數(shù)據(jù)錄入成熟的檢測(cè)器對(duì)其進(jìn)行匹配度檢測(cè),如果檢測(cè)數(shù)據(jù)與檢測(cè)器匹配,則認(rèn)為檢測(cè)數(shù)據(jù)屬于故障狀態(tài)；否則視作正常,而正常的檢測(cè)數(shù)據(jù)則可以用于更新校正檢測(cè)器,實(shí)現(xiàn)診斷模型的在線學(xué)習(xí)。

2004年,Aguilar J[13]第一次將人工免疫系統(tǒng)應(yīng)用于石油和石油化工過(guò)程故障診斷便是采用否定選擇算法,檢測(cè)油井的蹩壓、冷凍、電梯及閥門故障等。2008年,Wang Cunjie等人[14]針對(duì)石油化工過(guò)程實(shí)數(shù)變量遠(yuǎn)多于0和1這兩個(gè)變量的情況,提出了實(shí)數(shù)否定選擇算法,應(yīng)用于石油化工過(guò)程故障診斷。之后,Han Xiaoming等人[15]提出了將否定選擇算法與主成分分析(Principal Component Analysis,PCA)法結(jié)合的故障診斷方法,解決否定選擇算法處理復(fù)雜石油化工生產(chǎn)系統(tǒng)時(shí)計(jì)算量過(guò)大的問(wèn)題。這兩個(gè)工作不約而同地使用了TE模型(Tennessee Eastman模型，即TE過(guò)程，是一個(gè)實(shí)際化工過(guò)程的仿真模擬)作為診斷對(duì)象,沒(méi)有用實(shí)際裝置對(duì)實(shí)驗(yàn)進(jìn)行驗(yàn)證。2011年,Ghosh K等人[16]改進(jìn)了基于Vorono檢測(cè)器的否定選擇算法,應(yīng)用于全混釜反應(yīng)器、實(shí)驗(yàn)級(jí)精餾塔開車等典型石油化工過(guò)程故障診斷,將其診斷結(jié)果與傳統(tǒng)PCA法的診斷結(jié)果進(jìn)行比較可知,改進(jìn)后的否定選擇算法雖然在故障診斷的準(zhǔn)確率和故障診斷滯后時(shí)間上都有明顯優(yōu)勢(shì),但是,實(shí)驗(yàn)選用的測(cè)試樣本和訓(xùn)練樣本在故障引入時(shí)間和幅度上基本一致,并不符合實(shí)際過(guò)程中故障分布隨機(jī)性的特點(diǎn)。

否定選擇算法由于具有識(shí)別非我能力的特點(diǎn),現(xiàn)已成為故障診斷領(lǐng)域最重要的研究方向之一。然而已有研究表明,對(duì)于否定選擇算法,當(dāng)變量數(shù)目及復(fù)雜度增加時(shí),檢測(cè)器的數(shù)量會(huì)相應(yīng)地成指數(shù)形式增加。而石油化工過(guò)程的變量數(shù)目巨大,且大多數(shù)變量都為跨度較大的實(shí)數(shù)型變量,數(shù)據(jù)復(fù)雜性高,若要將否定選擇算法應(yīng)用于大規(guī)模的復(fù)雜石油化工過(guò)程故障診斷,就必須在診斷前進(jìn)行大幅度的降維預(yù)處理[17]。但對(duì)于多變量的復(fù)雜石油化工過(guò)程,降維幅度有限,且降維過(guò)程中會(huì)造成一些變量信息的丟失,而這些信息很可能包含了故障的特征,在故障識(shí)別的過(guò)程中會(huì)影響診斷效果。

2.3 克隆選擇算法

克隆選擇算法最早由Castro L D基于人工免疫系統(tǒng)的克隆選擇基本原理提出。它的核心思想是利用免疫記憶機(jī)制將歷史經(jīng)驗(yàn)以克隆的方式保存下來(lái),當(dāng)歷史出現(xiàn)重復(fù)時(shí)便可以快速、準(zhǔn)確地做出反應(yīng)。人工免疫系統(tǒng)的克隆選擇算法主要借鑒了克隆選擇理論中高頻變異、克隆刪除、克隆增值和受體編輯等思想,它將初始的自我狀態(tài)視為抗原,生成與之親和度高的抗體群,最后利用測(cè)試樣本與抗體的親和度區(qū)分自我或非我?？寺∵x擇算法的核心在于親和度的計(jì)算以及克隆和變異流程,通過(guò)免疫記憶機(jī)制,以及對(duì)歷史經(jīng)驗(yàn)的學(xué)習(xí)和變異的思想,在故障診斷過(guò)程中實(shí)現(xiàn)通過(guò)克隆選擇算法對(duì)重現(xiàn)的故障進(jìn)行自動(dòng)學(xué)習(xí)和診斷。

克隆選擇算法提出后便被廣泛應(yīng)用于車床、汽輪機(jī)、風(fēng)機(jī)等設(shè)備的故障診斷[17-19],但是將其應(yīng)用于石油化工過(guò)程故障診斷的研究還相對(duì)較少。由于傳統(tǒng)的克隆選擇算法多采取一時(shí)刻的變量數(shù)據(jù)集合作為抗體或抗原,使得抗體和抗原無(wú)法表現(xiàn)出時(shí)間趨勢(shì)信息,因此無(wú)法對(duì)動(dòng)態(tài)的石油化工過(guò)程進(jìn)行準(zhǔn)確描述。為解決這一問(wèn)題,Dai Yiyang等人[20]在克隆選擇思想的基礎(chǔ)上提出了基于動(dòng)態(tài)時(shí)間規(guī)整算法(Dynamic Time Warping,DTW)的人工免疫系統(tǒng)算法,以變量的時(shí)間序列為檢測(cè)對(duì)象,生成抗原和抗體,并采用DTW算法進(jìn)行親和度計(jì)算,實(shí)現(xiàn)了對(duì)青霉素發(fā)酵過(guò)程故障診斷。

克隆選擇算法通過(guò)對(duì)歷史經(jīng)驗(yàn)的學(xué)習(xí)和變異,實(shí)現(xiàn)對(duì)故障的檢測(cè)和對(duì)已知故障的識(shí)別。而遇見(jiàn)未知故障時(shí),可以在有限的人員干預(yù)下對(duì)故障進(jìn)行學(xué)習(xí)和記憶,當(dāng)同類型故障再次出現(xiàn)時(shí)則可實(shí)現(xiàn)準(zhǔn)確的檢測(cè)和診斷,但克隆選擇算法依然無(wú)法解決對(duì)未知故障的識(shí)別。

3 結(jié)論與探討

本文介紹了人工免疫網(wǎng)絡(luò)算法、否定選擇算法及克隆選擇算法這三種主要的人工免疫系統(tǒng)算法及其在石油化工過(guò)程故障診斷中的應(yīng)用。人工免疫系統(tǒng)憑借其對(duì)非我信號(hào)的識(shí)別能力和較強(qiáng)的自適應(yīng)及自學(xué)習(xí)能力,在石油化工過(guò)程故障診斷領(lǐng)域有良好的應(yīng)用前景,但要真正實(shí)現(xiàn)工業(yè)化應(yīng)用還需解決以下問(wèn)題。

1)目前的人工免疫系統(tǒng)在進(jìn)行石油化工過(guò)程故障診斷時(shí),對(duì)于參數(shù)故障、系統(tǒng)結(jié)構(gòu)故障以及傳感器和執(zhí)行器故障,基本采用相同的方式建立診斷模型,在建模過(guò)程中的主要系數(shù)基本一致,例如免疫網(wǎng)絡(luò)算法的權(quán)值、否定選擇算法的親和度計(jì)算系數(shù)以及克隆選擇算法的抗體變異系數(shù)等。未來(lái)需要對(duì)不同類型、不同裝置的故障診斷有更深入研究,使得故障診斷系統(tǒng)在診斷不同類型故障時(shí)準(zhǔn)確性更強(qiáng)。

2)石油化工過(guò)程的變量數(shù)量非常龐大,無(wú)論是構(gòu)建免疫網(wǎng)絡(luò)、生成否定選擇檢測(cè)器還是生成克隆抗體,都不可能將所有的過(guò)程變量用于建立故障診斷模型。當(dāng)前基于人工免疫系統(tǒng)的石油化工過(guò)程故障診斷方法在變量選擇上更多還是根據(jù)經(jīng)驗(yàn)來(lái)進(jìn)行估計(jì)選取,缺少定量的方法對(duì)變量進(jìn)行取舍和處理,這就增大了故障診斷模型建立過(guò)程中的不確定性。要實(shí)現(xiàn)人工免疫系統(tǒng)在實(shí)際石油化工過(guò)程故障診斷的應(yīng)用,還需要深入開展對(duì)于變量篩選的方法性研究。

3)人工免疫系統(tǒng)從本質(zhì)上來(lái)說(shuō)還是一種基于歷史數(shù)據(jù)的故障診斷方法。無(wú)論是人工免疫網(wǎng)絡(luò)算法、否定選擇算法還是克隆選擇算法,都需要有足夠多的歷史數(shù)據(jù)進(jìn)行建模,才能實(shí)現(xiàn)對(duì)在線數(shù)據(jù)的診斷，這也就限制了人工免疫系統(tǒng)對(duì)沒(méi)有歷史數(shù)據(jù)的未知故障的診斷識(shí)別。如何將石油化工過(guò)程的理論基礎(chǔ)和經(jīng)驗(yàn)知識(shí)轉(zhuǎn)換為相應(yīng)的歷史數(shù)據(jù),應(yīng)用到故障診斷建模中,是包括人工免疫系統(tǒng)在內(nèi)的諸多基于歷史數(shù)據(jù)的算法需要解決的問(wèn)題。

4)在實(shí)際石油化工工業(yè)應(yīng)用過(guò)程中,一般傳感器都存在一定的失效概率,因此實(shí)際采集的石油化工工業(yè)裝置數(shù)據(jù)中經(jīng)常會(huì)有一些與實(shí)際值存在偏差或者出現(xiàn)缺失,未來(lái)的石油化工過(guò)程故障診斷研究必須考慮數(shù)據(jù)可靠性,在故障診斷過(guò)程中排除錯(cuò)誤數(shù)據(jù)的干擾,最終實(shí)現(xiàn)石油化工裝置的應(yīng)用。