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用

魏巧玲，趙勁松，鐘本和

（1 四川大學化學工程學院，四川 成都 610065；2 清華大學化學工程系，北京 100084）

引 言

間歇過程比連續(xù)過程操作頻繁、狀態(tài)變化復雜，在生產(chǎn)過程中報警繁多、產(chǎn)品質(zhì)量波動，其原因不易分析，易引起危險事故和經(jīng)濟損失。面對不間斷的、大量的報警信息，操作人員往往難以迅速發(fā)現(xiàn)異常、準確分析原因、及時排除事故隱患[1]。因此，迅速、準確、及時、智能地發(fā)現(xiàn)故障并診斷出原因，給工廠技術(shù)人員提示和指導意見，從而輔助排除事故隱患，對于保證生產(chǎn)的正常進行和預防事故的發(fā)生有重要意義。

故障診斷方法已有四十多年的發(fā)展歷史，當前遇到了一些亟待解決的問題。故障診斷方法的適應性、自學習能力等難以滿足當前需求，模型開發(fā)所必需的先驗知識和數(shù)據(jù)樣本嚴重缺乏，對于波動頻繁、事故頻發(fā)的開停車、重啟、間歇操作等過程的研究不深入。

目前，間歇過程故障診斷方法的研究主要集中在基于過程歷史數(shù)據(jù)的方法[2]，如多向主元分析[3]（multi-way principal component analysis，MPCA）、多向偏最小二乘法[4]（multi-way partial least squares，MPLS）、人工神經(jīng)網(wǎng)絡(luò)[5]（artificial neural networks，ANN）、petri 網(wǎng)[6]和專家系統(tǒng)等，及其改進方法和多種方法的組合[7]。大多以Tennessee Eastman（TE）模型[8]、PenSim 模型[9]等理想化模型為研究對象，討論上述間歇過程故障診斷方法的診斷效果。對于特定的間歇過程工業(yè)裝置，監(jiān)測變量不完整不全面，過程數(shù)據(jù)波動繁雜，各批次時間和樣本長度不完全一致[10]，故障樣本嚴重缺乏，故障診斷方法的適應性和準確性有待考究。

本文基于工業(yè)過程的生產(chǎn)數(shù)據(jù)，利用Aspen 軟件對氯乙烯懸浮聚合間歇過程進行建模和動態(tài)模擬，由模擬得到的樣本數(shù)據(jù)生成模擬疫苗（SV）[11-12]，結(jié)合工業(yè)數(shù)據(jù)建立抗體庫，利用基于動態(tài)時間彎曲（DTW）算法的人工免疫系統(tǒng)（AIS）進行故障診斷，以檢驗SV-AIS 故障診斷方法對于氯乙烯懸浮聚合間歇過程工業(yè)裝置的適應性。

1 基于模擬疫苗的人工免疫系統(tǒng)

AIS 是一種基于過程歷史數(shù)據(jù)[7]的故障診斷方法，結(jié)合免疫學與工程學，利用基于免疫思想的數(shù)學模型和各類信息處理技術(shù)、計算技術(shù)，應用于科學和工程的各種智能系統(tǒng)，能夠記憶、學習和模式識別。AIS 的研究不足30年，在自動控制、異常和故障診斷、模式識別、機器學習等領(lǐng)域有一定研究與應用[13]。在化工間歇過程故障診斷方面，戴一陽等[2]將AIS 思想分別與DTW 算法、PCA 算法結(jié)合，以PenSim 模型[11,14-15]、乙醇-水精餾塔開車實驗裝置[11]以及環(huán)氧丙烷水合模型[16]為研究對象，驗證了AIS 對于理想模型和實驗過程的可行性。

本文研究的故障診斷過程包括工業(yè)數(shù)據(jù)提取、SV 生成和AIS 故障診斷3 部分，診斷過程如圖1所示。

1.1 抗體庫的建立

通過動態(tài)仿真模型迅速有效地得到大量正常樣本數(shù)據(jù)和故障樣本數(shù)據(jù)，生成正常SV和故障SV，分別與工業(yè)裝置的正常歷史數(shù)據(jù)和同類故障歷史數(shù)據(jù)雜交后構(gòu)建正?？贵w庫和故障抗體庫，用于故障檢測和識別。要實現(xiàn)SV 在故障診斷中的應用，建立可靠的仿真模型是基礎(chǔ)。

1.2 差異度的計算

圖1 基于模擬疫苗的人工免疫系統(tǒng)故障診斷流程Fig.1 Flowchart of AIS fault diagnosis based on SV

DTW 算法是運用動態(tài)規(guī)劃的思想，非線性地錯位兩條軌跡，構(gòu)造兩條軌跡的差異度矩陣，尋找使兩條軌跡平均標準距離最短的一條最優(yōu)路徑[17]。相比于傳統(tǒng)的計算最短歐氏距離的方法，該算法解決了時間序列數(shù)據(jù)在時間軸上的彎曲變形[18]。本文通過DTW 算法計算抗原與正常抗體庫和故障抗體庫中各抗體的差異度，構(gòu)建故障檢測、識別的量化指標。

1.3 人工免疫系統(tǒng)

AIS 故障診斷過程分為初始化、故障檢測、故障識別和自學習4 個階段[11]。計算或設(shè)定正?？贵w庫和故障抗體庫的閾值，讀取特定時間寬度的數(shù)據(jù)，進行歸一化后生成抗原，計算抗原與當前階段的正常抗體庫內(nèi)所有抗體的差異度。若所有差異度均大于正?？贵w庫閾值，則檢測出故障，進入故障識別階段，否則讀取下一組數(shù)據(jù)。在檢測出故障后，計算該抗原與故障抗體庫內(nèi)所有抗體的差異度。若差異度小于某類故障抗體庫閾值，則識別為該類型故障，并將該抗原加入對應故障抗體庫進行更新；若所有差異度都大于對應的閾值，則診斷為新故障。再進行人工診斷分析，若出現(xiàn)誤診，則對模型進行校正；若診斷為新故障，則生成新故障對應的模擬疫苗，建立新故障抗體庫，進行系統(tǒng)自學習。

2 氯乙烯懸浮聚合過程模型

氯乙烯懸浮聚合過程[19]是將單體、水、引發(fā)劑等物質(zhì)按照一定加料順序加入帶有夾套的聚合反應釜中，氯乙烯均勻分散在水中形成小液滴，聚合反應在小液滴中劇烈進行，通過工藝水、連續(xù)注入水、夾套冷卻、冷凝器冷卻等方式移除反應熱、控制反應溫度，待反應釜產(chǎn)生一定壓降時加入終止劑，一段時間后出料，并進行氣提、干燥等操作，得到聚氯乙烯產(chǎn)品顆粒。

依據(jù)工業(yè)數(shù)據(jù)，利用Aspen polymer plus（v 7.3）軟件建立105 m3聚合釜SG-5 型PVC 的聚合模型，部分工業(yè)參數(shù)見表1。選擇PolyNRTL 物性方法，選取文獻中聚合動力學參數(shù)為初值[20-22]，以VCM轉(zhuǎn)化率、引發(fā)劑殘留量等理論數(shù)據(jù)和DPN、MWN、PDI 等產(chǎn)品質(zhì)量指標的工業(yè)數(shù)據(jù)為目標函數(shù)，進行靈敏度分析和優(yōu)化，得到一組較合適的反應動力學參數(shù)，見表2。導入Aspen dynamics（v 7.3）后添加控制器，通過夾套冷卻水流率和冷卻水溫度串級控制釜溫，并對控制器參數(shù)進行調(diào)優(yōu)，然后進行動態(tài)運行，流程如圖2所示。

表1 部分過程參數(shù)Table 1 Part of process parameters

表2 動力學參數(shù)Table 2 Kinetic parameters

圖2 動態(tài)模擬流程Fig.2 Flowsheet of dynamic simulation

3 故障診斷

本文選取氯乙烯聚合過程易于測量且工業(yè)裝置中有監(jiān)測點的9 個過程變量，見表3，選取變量波動劇烈、最難控制的反應階段為研究對象，截取反應時間為4 h、采樣點時間間隔為0.01 h。

表3 選取的工業(yè)監(jiān)測變量在反應段的變化范圍Table 3 Selected industrial monitoring variables and control ranges in reaction stage

保證過程變量在正常波動范圍內(nèi)和報警限內(nèi)，調(diào)整控制器參數(shù)，微調(diào)工藝參數(shù)，得到6 組正常樣本數(shù)據(jù)。引入夾套冷卻水溫度階躍、夾套冷卻水流率階躍、連續(xù)注入水流率階躍3 類故障，每類故障由不同的引入時間和變化程度組合生成4 組故障樣本，共計12 組故障樣本數(shù)據(jù)，見表4。將這些分別包含9 個變量、400 個采樣點的18 組樣本數(shù)據(jù)讀入AIS 系統(tǒng)，進行初始化，生成模擬疫苗，建立正常樣本庫和故障樣本庫。

另外選取2 組正常的模擬數(shù)據(jù)和上述3 種故障各2 組模擬數(shù)據(jù)，以及2 組發(fā)生氣體泄漏故障的模擬數(shù)據(jù)，構(gòu)成測試樣本。利用Matlab（2012a）軟件構(gòu)建AIS 系統(tǒng)，將上述10 組測試數(shù)據(jù)讀入AIS 系統(tǒng)，進行故障診斷，見表5?？梢钥闯?，SV-AIS 方法可以對氯乙烯聚合反應間歇過程進行故障診斷。

4 結(jié) 論

本文基于SV 思想，將AIS 基本原理結(jié)合DTW算法，應用于間歇化工過程的故障診斷。根據(jù)工業(yè)過程數(shù)據(jù)，建立了氯乙烯懸浮聚合間歇過程的動態(tài)仿真模型，生成SV 構(gòu)建正常樣本庫和故障樣本庫，解決了故障診斷過程中故障樣本數(shù)據(jù)缺乏的問題。對于氯乙烯懸浮聚合間歇過程，可以及時、準確地診斷出故障原因，并具有較好的自學習能力。

表4 故障訓練樣本Table 4 Fault training samples

表5 故障診斷結(jié)果Table 5 Fault diagnosis results

[1]Srinivasan R,Qian M S.State-specific key variables for monitoring multi-stage processes [J].Chemical Engineering Research and Design,2007,85 (12A):1630-1644

[2]Kourti T.Abnormal situation detection,three-way data and projection methods; robust data archiving and modeling for industrial applications [J].Annual Reviews in Control,2003,27:131-139

[3]Nomikos P.Detection and diagnosis of abnormal batch operations based on multi-way principal component analysis [J].ISA Transactions,1996,35 (3):259-266

[4]Nomikos P,MacGregor J F.Multi-way partial least squares in monitoring batch processes [J].Chemometrics and Intelligent Laboratory Systems,1995,30 (1):97-108

[5]Ruiz D,Nougués J M,Calderón Z,Espu?a A,Puigjaner L.Neural network based framework for fault diagnosis in batch chemical plants [J].Computer and Chemical Engineering,2000,24 (2-7):777-784

[6]Chen Y C,Yeh M L,Hong C L,Chang C T.Petri-net based approach to configure online fault diagnosis systems for batch processes [J].Industrial and Engineering Chemistry Research,2010,49 (9):4249-4268

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

[8]Downs J J,Vogel E F.A plant-wide industrial process control problem [J].Computers and Chemical Engineering,1993,17 (3):245-255

[9]Birol G,ündey C,?inar A.A modular simulation package for fed-batch fermentation:penicillin production [J].Computers and Chemical Engineering,2002,26 (11):1553-1565

[10]Scenna N J.Some aspects of fault diagnosis in batch processes [J].Reliability Engineering and System Safety,2000,70 (1):95-110

[11]Dai Yiyang (戴一陽).Research on fault diagnosis of chemical process based on artificial immune system [D].Beijing:Tsinghua University,2012

[12]Zhao Jinsong (趙勁松),Dai Yiyang (戴一陽),Shu Yidan (舒逸耽),Zhu Jianfeng (朱劍鋒).Dynamics artificial immune fault diagnosis method based on simulated vaccine[P]:CN,201210229367

[13]Mo Hongwei (莫宏偉).Artificial Immune System Theory and Application (人工免疫系統(tǒng)原理與應用) [M].Harbin:Harbin Institution of Technology Press,2003

[14]Dai Yiyang (戴一陽),Chen Ning (陳寧),Zhao Jinsong (趙勁松),Chen Bingzhen (陳丙珍).Application of AIS to batch chemical process fault diagnosis [J].CIESCJournal(化工學報),2009,60 (1):172-176

[15]Dai Yiyang,Zhao Jinsong.Fault diagnosis of batch chemical processes using a dynamic time warping (DTW)-based artificial immune system [J].Industrial and Engineering Chemistry Research,2011,50 (8):4534-4544

[16]Dai Yiyang (戴一陽),Zhao Jinsong (趙勁松),Chen Bingzhen (陳丙珍).Application of hybrid diagnostic system for chemical processes [J].CIESCJournal(化工學報),2010,61 (2):342-346

[17]Kashima T.Average trajectory calculation for batch processes using dynamic time warping//Proceedings of the SICE Annual Conference 2010 [C].Taipei,Taiwan:2010,2939-2941

[18]Srinivasan R,Qian M S.Online temporal signal comparison using singular points augmented time warping [J].Industrial and Engineering Chemistry Research,2007,46 (13):4531-4548

[19]Nie Lintao (聶林濤).The dynamic simulation of the reactor and the control system of the PVC [D].Beijing:Beijing University of Chemical Technology,2007

[20]Kiparissides C,Daskalakis D,Achilias D S,Sidiropoulou E.Dynamic simulation of industrial poly(vinyl chloride) batch suspension polymerization reactors [J].Industrial and Engineering Chemistry Research,1997,36 (4):1253-1267

[21]Krallis A,Kotoulas C,Papadopoulos S,Kiparissides C,Bousquet J,Bonardi C.A comprehensive kinetic model for the free-radical polymerization of vinyl chloride in the presence of monofunctional and bifunctional initiators [J].Industrial and Engineering Chemistry Research,2004,43 (20):6382-6399

[22]Krallis A,Kiparissides C.Computer aided design and operation of industrial poly(vinyl chloride) batch suspension polymerization reactors [J].Plastics,Rubber and Composites,2008,37 (9/10):436-441