SSA和DSC-ResNet的TE過程故障診斷方法

付麗君，張齊鵬，姜宇宏，楊 青

(沈陽(yáng)理工大學(xué) 自動(dòng)化與電氣工程學(xué)院，沈陽(yáng) 110159)

近年來(lái)，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(fù)雜性不斷增加，操作設(shè)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(xué)物質(zhì)泄露、火災(zāi)、爆炸等難以預(yù)測(cè)的安全隱患的發(fā)生，同時(shí)也會(huì)導(dǎo)致環(huán)境污染等嚴(yán)重的人身安全問題和財(cái)產(chǎn)損失事故[1]。因此，對(duì)化工過程進(jìn)行故障診斷可以預(yù)防災(zāi)難性事故的發(fā)生和減少人員的傷亡以及達(dá)到保證產(chǎn)品質(zhì)量的目的。

伊斯曼化學(xué)公司創(chuàng)建的田納西-伊斯曼(TE)化工過程，其主要作用是對(duì)化工過程的故障診斷及監(jiān)測(cè)研究領(lǐng)域提供實(shí)際的工業(yè)過程控制數(shù)據(jù)集。現(xiàn)階段，使用TE數(shù)據(jù)集進(jìn)行故障檢測(cè)和診斷的研究已經(jīng)取得了一定的進(jìn)展和成果；并且由于研究者對(duì)深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)研究的不斷深入，使得更多的研究者以深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，對(duì)TE過程進(jìn)行故障診斷分析。

劉麗云等[2]使用K-means聚類方法對(duì)TE過程進(jìn)行故障診斷，并通過主成分分析(Principal Component Analysis，PCA)方法對(duì)故障發(fā)生的原因進(jìn)行分析和識(shí)別。Wu D S等[3]提出了基于提升小波和支持向量機(jī)(Lifting Wavelets and Support Vector Machine，LWSVM)相結(jié)合的故障診斷方法；首先使用提升小波對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理操作，然后使用支持向量機(jī)(Support Vector Machine，SVM)進(jìn)行故障診斷。楊青等[4]提出一種基于變分模態(tài)分解、獨(dú)立主成分分析和核主成分分析相結(jié)合的多模態(tài)故障檢測(cè)方法，以此達(dá)到對(duì)TE過程進(jìn)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(luò)的結(jié)構(gòu)模型，對(duì)TE過程進(jìn)行故障診斷；同時(shí)這一模型在卷積神經(jīng)網(wǎng)絡(luò)中加入Mixup卷積網(wǎng)絡(luò)，以此訓(xùn)練網(wǎng)絡(luò)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(jí)卷積神經(jīng)網(wǎng)絡(luò)對(duì)軸承故障數(shù)據(jù)進(jìn)行診斷的方法，針對(duì)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(zhuǎn)化成二維圖像數(shù)據(jù)，然后通過分類網(wǎng)絡(luò)對(duì)二維圖像數(shù)據(jù)進(jìn)行故障診斷。

綜上，在針對(duì)TE數(shù)據(jù)的診斷分類上，大多數(shù)方法是對(duì)一維數(shù)據(jù)直接進(jìn)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(luò)來(lái)進(jìn)行特征提取，從而保證數(shù)據(jù)特征的全面性及分類的準(zhǔn)確性。所以本文采用小波包變換的方法對(duì)TE數(shù)據(jù)進(jìn)行處理，生成二維小波圖像；然后通過改進(jìn)殘差網(wǎng)絡(luò)模型對(duì)預(yù)處理后的TE數(shù)據(jù)進(jìn)行特征提取并完成相應(yīng)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(yù)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(hào)的特征，達(dá)到進(jìn)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(guān)于線性時(shí)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(dòng)性，其主要作用是自動(dòng)適應(yīng)時(shí)頻信號(hào)的分析要求。小波變換對(duì)原函數(shù)使用小波從不同的角度對(duì)函數(shù)進(jìn)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(jí)和優(yōu)化，其與小波變換最大的區(qū)別在于：小波變換是對(duì)低頻部分進(jìn)行分解，將其分解為高頻、低頻兩類；而小波包變換則是對(duì)高、低頻兩部分進(jìn)行分解?？梢詫⑿〔ò儞Q看作信號(hào)在子空間坐標(biāo)系下的投影。第j層分解后的小波包節(jié)點(diǎn)可表達(dá)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(duì)TE數(shù)據(jù)進(jìn)行二維圖像的轉(zhuǎn)換時(shí)，利用小波包變換對(duì)每一個(gè)輸入的信號(hào)進(jìn)行第10層分解，即j=10，并對(duì)節(jié)點(diǎn)能量進(jìn)行計(jì)算。從上至下、從左至右對(duì)應(yīng)小波包圖像的每個(gè)像素點(diǎn)，構(gòu)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(huì)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(dá)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(yīng)度值可以表達(dá)為

(4)

式中Fx表示適應(yīng)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(yīng)度值的發(fā)現(xiàn)者能夠優(yōu)先獲取食物，同時(shí)，作為發(fā)現(xiàn)者還負(fù)責(zé)整個(gè)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(duì)輸入的特征層進(jìn)行逐層的特征提取，然后再使用1×1的卷積核對(duì)融合后的輸出特征層的通道數(shù)進(jìn)行調(diào)節(jié)[10]。將深度可分離卷積的思想應(yīng)用到殘差分類網(wǎng)絡(luò)中，構(gòu)成深度可分離卷積殘差網(wǎng)絡(luò)(Dept-hwise Sparable Convolution-ResNet，DSC-ResNet)模型，該模型改變殘差網(wǎng)絡(luò)中傳統(tǒng)的卷積操作，從而減少了模型的參數(shù)，改變了計(jì)算方式，并縮短了訓(xùn)練時(shí)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(jìn)行一次卷積操作和深度可分離卷積操作。計(jì)算通過卷積操作后的參數(shù)量為3×3×3×16=432，而進(jìn)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。可以明顯看出，進(jìn)行深度可分離卷積操作和進(jìn)行卷積操作的計(jì)算方式不同，從而減少了參數(shù)量，達(dá)到降低訓(xùn)練時(shí)間復(fù)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(yù)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(jié)構(gòu)圖

預(yù)處理階段第一步，為保證數(shù)據(jù)的時(shí)間連續(xù)性，對(duì)數(shù)據(jù)按時(shí)間性進(jìn)行分割；預(yù)處理階段第二步，利用WPT方法將一維時(shí)間序列數(shù)據(jù)轉(zhuǎn)化成為二維圖像數(shù)據(jù)。

故障診斷網(wǎng)絡(luò)以傳統(tǒng)的殘差分類網(wǎng)絡(luò)為基礎(chǔ)，但因?yàn)閭鹘y(tǒng)的殘差網(wǎng)絡(luò)在圖像分類應(yīng)用中，通常使用較多的網(wǎng)絡(luò)層數(shù)以提高對(duì)圖像分類的精度，因此隨著網(wǎng)絡(luò)層數(shù)的不斷增多，過多的網(wǎng)絡(luò)層數(shù)也會(huì)使網(wǎng)絡(luò)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(luò)中。

故障診斷階段在對(duì)二維圖像進(jìn)行訓(xùn)練診斷時(shí)，對(duì)網(wǎng)絡(luò)中的卷積層和深度可分離卷積層進(jìn)行批量歸一化；同時(shí)采用SSA智能優(yōu)化算法對(duì)分類網(wǎng)絡(luò)中的學(xué)習(xí)率及各個(gè)卷積層的大小和數(shù)量等主要參數(shù)進(jìn)行優(yōu)化，以實(shí)現(xiàn)在不損失分類精度的基礎(chǔ)上縮短分類時(shí)間的效果。

2 實(shí)驗(yàn)研究

為驗(yàn)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(yàn)證的實(shí)驗(yàn)數(shù)據(jù)集。TE過程主要由反應(yīng)器、冷凝器、汽提塔等多個(gè)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(duì)故障進(jìn)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(shí)驗(yàn)的數(shù)據(jù)集；使用Matlab對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理和圖像生成；利用Python軟件進(jìn)行分類網(wǎng)絡(luò)的實(shí)驗(yàn)和驗(yàn)證。在實(shí)驗(yàn)過程中，對(duì)四種故障數(shù)據(jù)進(jìn)行劃分，按7∶3的比例將數(shù)據(jù)集分為訓(xùn)練和測(cè)試兩個(gè)樣本，每次訓(xùn)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(zhǔn)確率曲線圖。

表1 TE過程故障

圖5 二維數(shù)據(jù)準(zhǔn)確率曲線圖

由圖5可知，經(jīng)過WPT-SSA-DSC-ResNet故障分類網(wǎng)絡(luò)訓(xùn)練后的訓(xùn)練集的準(zhǔn)確率能夠達(dá)到99%；測(cè)試集準(zhǔn)確率可達(dá)到98%。

損失率的結(jié)果如圖6所示。由圖6可知，利用WPT-SSA-DSC-ResNet故障分類網(wǎng)絡(luò)訓(xùn)練后，訓(xùn)練集的損失率為0.6%；測(cè)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(shí)驗(yàn)數(shù)據(jù)集下與其他故障診斷方法的準(zhǔn)確率對(duì)比如表2所示。

表2 故障診斷方法準(zhǔn)確率對(duì)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(zhǔn)確率優(yōu)于其他模型。

3 結(jié)論

針對(duì)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(luò)相結(jié)合的集合型故障診斷方法。在數(shù)據(jù)預(yù)處理階段使用小波包變換對(duì)TE數(shù)據(jù)進(jìn)行預(yù)處理，將其一維數(shù)據(jù)轉(zhuǎn)換成二維的圖像數(shù)據(jù)；在傳統(tǒng)的殘差網(wǎng)絡(luò)基礎(chǔ)上將殘差網(wǎng)絡(luò)中的卷積層替換成深度可分離卷積，可有效地減少訓(xùn)練所需時(shí)間，提高診斷效率。通過對(duì)TE數(shù)據(jù)分類的實(shí)驗(yàn)結(jié)果分析，證明了WPT-SSA-DSC-ResNet方法的可行性。