基于深度迁移学习的复杂化工过程故障诊断理论及方法研究

Chemical process fault diagnosis is a critical technology for ensuring the safe operations of chemical facilities. However, the current fault diagnosis methods require a large number of fault data samples for training the diagnosis model. In a certain chemical process, since fault is a low possibility event, the number of fault data samples is rather rare. Therefore, how to overcome the fault data sample rareness issue is urgently needed for the work safety of the chemical industry. To make a breakthrough in this area, deep transfer learning will be theoretically investigated for chemical process fault diagnosis in this project, Fault diagnosis transfer learning among different operating modes and different facilities of the same process will be thoroughly studied. The methodology for extracting and characterizing the common spatial and temporal fault features will be proposed so that the law about how the faults occur and develop can be disclosed. In order to improve the reliability of transfer learning, the criteria for judging the transferability of fault data from multiple sources will be given. Deep transfer learning based multiple-source fault diagnosis model will be established. A theoretical framework for deep transfer learning based fault diagnosis utilizing big data from multiple sources will be created with a set of related algorithms, which will help promote the real applications of this intelligent chemical process fault diagnosis technology into the chemical industry.

化工过程故障诊断是保障化工装置安全运行的关键技术，但是目前的故障诊断方法均严重依赖大量故障样本，而对于某一个化工装置来讲，发生故障又是小概率事件，故障样本稀缺。因此，如何破解因故障样本稀缺导致化工过程故障诊断技术迟迟不能走向工业应用这一难题，已经成为化工行业安全生产领域的一项重大需求。为此，本项目将在理论上探讨将深度迁移学习理论用于化工过程故障诊断，使得该领域的研究取得突破性进展。本项目将分别以故障诊断领域公认的TE过程模型和三套规模不同的乙醇精馏中试装置为研究对象，研究同一装置不同工况、相同工艺不同装置的故障诊断迁移学习问题，提出故障共性时空特征提取和表征方法，揭示故障发生发展规律；建立多源故障样本可迁移度的理论判据，构建多源过程故障诊断深度迁移学习模型，最终创立一套基于多源大数据环境下的深度迁移学习故障诊断理论框架和相关算法，推动化工过程故障诊断智能技术在化工行业安全生产中的实际应用。

故障检测和诊断是化工过程监控的基础关键技术，近年来基于数据驱动的故障检测与诊断模型不断涌现，其中深度学习模型受到大量关注。但基于深度学习的故障检测与诊断模型需要大量标记故障数据样本进行训练，而对于实际化工生产过程而言，发生故障概率较低，故障样本稀缺，并且通过专家对样本进行大量标注十分困难；此外，化工装置往往需要根据原料、产品、市场、环境等因素不断调整操作条件、改变操作工况，化工多工况特性会导致故障诊断模型的性能大大下降。因此，在故障样本稀缺和多工况运行情况下的化工故障检测与诊断研究成为国内外化工安全领域的一个重大需求和研究前沿。本课题针对上述理论难点与应用痛点，提出了一套基于深度迁移学习的复杂化工过程故障诊断理论框架及多项相关算法，形成了从训练样本特征提取到多工况知识跨域迁移诊断再到增强模型自适应性与可解释性的一套迁移学习故障检测与诊断方法的完整策略，取得了一批原创性的国际前沿理论成果，为化工过程故障检测与诊断技术的工程实际应用提供坚实的理论支撑。.项目所提出的各项算法均得到仿真实验或工业实际案例的数据验证，相关理论研究成果正在部署应用于多项工业横向课题，并入选国家“十三五”科技创新成就展。在本项目支持下，已发表和录用的学术论文共12篇，出版本项目研究领域的学术专著2部，申请并授权与项目关键技术相关的专利1项，同时正在着手提交1份与项目关键技术相关的专利申请，已形成一支高水平的研究团队，入站博士后1名，累计培养博士生10名、硕士生6名。