清华大学CJChE丨基于自适应多尺度卷积神经网络的化工过程故障诊断模型

智能故障诊断方法是保证生产流程安全运行并长期可靠的关键技术。由于原料性质、设备损耗以及外界环境等条件的变化，化工生产装置运行工况随之波动，因此传感器监测的过程变量会包含具有不同时间尺度的数据特征。尽管近年来深度学习在故障诊断领域取得了很大进展，但大多数模型都无法高效提取多尺度数据特征，也难以在跨工况任务上展现较好的鲁棒性。本文提出了一种基于自适应多尺度卷积神经网络的化工过程故障诊断模型AMCNN，可以自动从时间序列数据中挖掘多尺度特征，同时模型中自适应注意力机制有助于选择与故障状态联系更紧密的关键特征加以训练，受度量学习启发引入的三元组损失函数用于提升模型对多工况故障特征的泛化能力。本文采用连续搅拌反应器仿真系统和田纳西-伊斯曼过程模拟数据集对所提方法的效果进行验证，实验结果证明AMCNN模型具有优异的故障诊断性能和跨工况通用性。

本文构建的自适应多尺度卷积神经网络模型结构如下图所示，AMCNN整体由三部分模块组成，分别是多尺度卷积模块、融合两种机制协同作用的自适应注意力模块和三元组损失优化模块，分类器用于输出故障类别。

图1  AMCNN模型架构

图2  多尺度卷积模块

图3  自适应通道注意力机制

图4  自适应空间注意力机制

图5  三元组损失优化原理

基于AMCNN的故障诊断方法框架包含离线阶段和在线阶段两个部分。离线阶段利用预处理后的训练数据集构建模型并优化超参数设置，在线阶段对实时多工况数据进行诊断并计算诊断准确率。

图6  基于AMCNN的故障诊断方法框架

本文在非等温连续搅拌釜CSTR体系和田纳西-伊斯曼过程TEP两类仿真数据集上进行实验，将所提出的AMCNN模型与其他经典的统计模型与近期热门的深度学习模型做对比。实验结果证明AMCNN的诊断准确率更高，多工况适用性更强。 

表1 CSTR模拟设置的4种操作工况

表2 CSTR跨工况迁移训练的故障诊断准确率对比

图7  TEP故障诊断混淆矩阵

表3 不同方法对TEP跨工况迁移故障诊断的结果对比

赵劲松，清华大学化学工程系教授，博士生导师；现任过程系统工程研究所所长，工业大数据系统与应用北京市重点实验室副主任；兼任中国工程师联合体文化与伦理委员会常务副主任委员，中国化工学会工程伦理教育工作委员会主任委员，中国过程系统工程专业委员会副主任委员，中国公共安全科学技术学会预测预警专业工作委员会副主任委员等，是国务院安委会危险化学品安全专业委员会专家组成员、国家生态环境部第一届生态环境应急专家组成员，北京市安全生产领域学科带头人。《中国化学工程学报（英文版）》副主编，国际期刊Computers & Chemical Engineering, Process Safety and Environmental Protection 编委。主要研究方向包括化工过程安全，人工智能与工业大数据技术等。科研成果转化入选国家“十三五”科技创新成就.