基于人工免疫系統(tǒng)的石油化工過程故障診斷應(yīng)用研究

湯大可

中國石油天然氣股份有限公司廣東石化分公司, 廣東 揭陽 515200

0 前言

石油和石油化工行業(yè)在國民經(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)的一項重要目標(biāo)。石油化工生產(chǎn)過程復(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)并及時應(yīng)急處置[1]。而利用專家積累的豐富經(jīng)驗,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]。石油化工過程故障診斷能夠有效彌補(bǔ)DCS在報警時表現(xiàn)出報警信息過于簡單、報警不及時的不足,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,隨著人們對生物機(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)大的識別非我信號的能力,以及在自適應(yīng)和自學(xué)習(xí)能力上表現(xiàn)出來的優(yōu)勢,被引入到了石油化工過程故障診斷的研究中。

1 石油化工過程故障診斷

在石油化工過程故障診斷研究中,故障是指石油化工過程中的某一個觀測變量或操作參數(shù)出現(xiàn)不可接受的偏離[4]。石油化工過程故障診斷與單設(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。由于石油化工過程故障診斷涉及的設(shè)備更多、數(shù)據(jù)量更大,在診斷過程中需要處理的對象也更加復(fù)雜。

石油化工過程的故障主要包括三種類型:參數(shù)故障,即在裝置運(yùn)行過程中,操作參數(shù)或者其他外來參數(shù)由于誤操作或者環(huán)境的變化發(fā)生擾動,影響石油化工過程的正常運(yùn)行;系統(tǒng)結(jié)構(gòu)故障,即石油化工過程中涉及的設(shè)備本身發(fā)生損壞或者失效,導(dǎo)致整個生產(chǎn)過程偏離正常工況;傳感器和執(zhí)行器故障,即在裝置運(yùn)行過程中,監(jiān)測與故障診斷系統(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,基本的石油化工過程故障診斷主要包括兩部分:故障檢測,即在生產(chǎn)運(yùn)行過程中,判斷監(jiān)控對象是否偏離預(yù)期的正常工況;故障識別,即監(jiān)測與故障診斷系統(tǒng)根據(jù)檢測到的故障信息和獲取的過程變量,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程歷史知識的方法三大類[5],見圖1。

圖1 石油化工過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)實際過程建立一個定量的動態(tài)數(shù)學(xué)模型,將實際過程的變量數(shù)據(jù)與動態(tài)模型產(chǎn)生的結(jié)果進(jìn)行計算分析,從而實現(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建立實際過程的定量模型,而是根據(jù)已有的知識和歷史經(jīng)驗,建立石油化工過程的定性模型。再根據(jù)實際過程數(shù)據(jù),按照一定的搜索策略,通過模型診斷故障。

基于過程歷史知識的方法:該類方法主要是將歷史數(shù)據(jù)轉(zhuǎn)化為診斷系統(tǒng)的先驗知識,通過數(shù)據(jù)挖掘等方法實現(xiàn)對歷史數(shù)據(jù)中知識的提取,建立相應(yīng)的數(shù)學(xué)模型。將過程的實際運(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)行故障的檢測和識別。

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)。它能夠識別入侵生物體的外來物質(zhì),并發(fā)動免疫反應(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,在美國召開了第一次人工免疫系統(tǒng)專題會議,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,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)建一個或多個傳感器網(wǎng)絡(luò),網(wǎng)絡(luò)中的每個節(jié)點代表傳感器網(wǎng)絡(luò)系統(tǒng)的一個變量對應(yīng)一個狀態(tài),節(jié)點間的連接權(quán)值表示各節(jié)點間的關(guān)系,根據(jù)節(jié)點的狀態(tài)判斷傳感器網(wǎng)絡(luò)系統(tǒng)是否故障。在工程應(yīng)用時,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,就能夠檢測出故障。而在傳感器網(wǎng)絡(luò)系統(tǒng)運(yùn)行過程中,人工免疫網(wǎng)絡(luò)可以通過在線數(shù)據(jù)對節(jié)點間的連接權(quán)值進(jìn)行校正更新,從而實現(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),他通過構(gòu)建多個人工免疫網(wǎng)絡(luò),區(qū)分傳感器故障和工廠老化,實現(xiàn)對傳感器故障的診斷。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)算法對復(fù)雜非線性控制系統(tǒng)進(jìn)行優(yōu)化,并實現(xiàn)對控制系統(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,在動態(tài)優(yōu)化、自動控制等方面的應(yīng)用都有良好表現(xiàn)。但是由于人工免疫網(wǎng)絡(luò)訓(xùn)練的過程較為復(fù)雜,需要的參數(shù)多,適應(yīng)性不好,無法很好地解決復(fù)雜的非線性問題。因此,在處理石油化工過程故障診斷問題時,人工免疫網(wǎng)絡(luò)算法無法很好地檢測、識別參數(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)生一個覆蓋所有非我集合的檢測器,利用成熟的檢測器,測試在線數(shù)據(jù)中所有的非我部分。否定選擇算法應(yīng)用于石油化工過程故障診斷時,首先需要隨機(jī)生成大量的初始檢測器集合,其次將這些初始檢測器與自我的集合進(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)的成熟檢測器。在線檢測時,將檢測數(shù)據(jù)錄入成熟的檢測器對其進(jìn)行匹配度檢測,如果檢測數(shù)據(jù)與檢測器匹配,則認(rèn)為檢測數(shù)據(jù)屬于故障狀態(tài)；否則視作正常,而正常的檢測數(shù)據(jù)則可以用于更新校正檢測器,實現(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程故障診斷便是采用否定選擇算法,檢測油井的蹩壓、冷凍、電梯及閥門故障等。2008年,Wang Cunjie等人[14]針對石油化工過程實數(shù)變量遠(yuǎn)多于0和1這兩個變量的情況,提出了實數(shù)否定選擇算法,應(yīng)用于石油化工過程故障診斷。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)時計算量過大的問題。這兩個工作不約而同地使用了TE模型(Tennessee Eastman模型，即TE過程，是一個實際化工過程的仿真模擬)作為診斷對象,沒有用實際裝置對實驗進(jìn)行驗證。2011年,Ghosh K等人[16]改進(jìn)了基于Vorono檢測器的否定選擇算法,應(yīng)用于全混釜反應(yīng)器、實驗級精餾塔開車等典型石油化工過程故障診斷,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間上都有明顯優(yōu)勢,但是,實驗選用的測試樣本和訓(xùn)練樣本在故障引入時間和幅度上基本一致,并不符合實際過程中故障分布隨機(jī)性的特點。

否定選擇算法由于具有識別非我能力的特點,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,對于否定選擇算法,當(dāng)變量數(shù)目及復(fù)雜度增加時,檢測器的數(shù)量會相應(yīng)地成指數(shù)形式增加。而石油化工過程的變量數(shù)目巨大,且大多數(shù)變量都為跨度較大的實數(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]。但對于多變量的復(fù)雜石油化工過程,降維幅度有限,且降維過程中會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,在故障識別的過程中會影響診斷效果。

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)驗以克隆的方式保存下來,當(dāng)歷史出現(xiàn)重復(fù)時便可以快速、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算以及克隆和變異流程,通過免疫記憶機(jī)制,以及對歷史經(jīng)驗的學(xué)習(xí)和變異的思想,在故障診斷過程中實現(xiàn)通過克隆選擇算法對重現(xiàn)的故障進(jìn)行自動學(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)用于石油化工過程故障診斷的研究還相對較少。由于傳統(tǒng)的克隆選擇算法多采取一時刻的變量數(shù)據(jù)集合作為抗體或抗原,使得抗體和抗原無法表現(xiàn)出時間趨勢信息,因此無法對動態(tài)的石油化工過程進(jìn)行準(zhǔn)確描述。為解決這一問題,Dai Yiyang等人[20]在克隆選擇思想的基礎(chǔ)上提出了基于動態(tài)時間規(guī)整算法(Dynamic Time Warping,DTW)的人工免疫系統(tǒng)算法,以變量的時間序列為檢測對象,生成抗原和抗體,并采用DTW算法進(jìn)行親和度計算,實現(xiàn)了對青霉素發(fā)酵過程故障診斷。

克隆選擇算法通過對歷史經(jīng)驗的學(xué)習(xí)和變異,實現(xiàn)對故障的檢測和對已知故障的識別。而遇見未知故障時,可以在有限的人員干預(yù)下對故障進(jìn)行學(xué)習(xí)和記憶,當(dāng)同類型故障再次出現(xiàn)時則可實現(xiàn)準(zhǔn)確的檢測和診斷,但克隆選擇算法依然無法解決對未知故障的識別。

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程故障診斷中的應(yīng)用。人工免疫系統(tǒng)憑借其對非我信號的識別能力和較強(qiáng)的自適應(yīng)及自學(xué)習(xí)能力,在石油化工過程故障診斷領(lǐng)域有良好的應(yīng)用前景,但要真正實現(xiàn)工業(yè)化應(yīng)用還需解決以下問題。

1)目前的人工免疫系統(tǒng)在進(jìn)行石油化工過程故障診斷時,對于參數(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算系數(shù)以及克隆選擇算法的抗體變異系數(shù)等。未來需要對不同類型、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準(zhǔn)確性更強(qiáng)。

2)石油化工過程的變量數(shù)量非常龐大,無論是構(gòu)建免疫網(wǎng)絡(luò)、生成否定選擇檢測器還是生成克隆抗體,都不可能將所有的過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)的石油化工過程故障診斷方法在變量選擇上更多還是根據(jù)經(jīng)驗來進(jìn)行估計選取,缺少定量的方法對變量進(jìn)行取舍和處理,這就增大了故障診斷模型建立過程中的不確定性。要實現(xiàn)人工免疫系統(tǒng)在實際石油化工過程故障診斷的應(yīng)用,還需要深入開展對于變量篩選的方法性研究。

3)人工免疫系統(tǒng)從本質(zhì)上來說還是一種基于歷史數(shù)據(jù)的故障診斷方法。無論是人工免疫網(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,才能實現(xiàn)對在線數(shù)據(jù)的診斷，這也就限制了人工免疫系統(tǒng)對沒有歷史數(shù)據(jù)的未知故障的診斷識別。如何將石油化工過程的理論基礎(chǔ)和經(jīng)驗知識轉(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題。

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