基于二维卷积神经网络高层数据特征学习的过程故障检测

李 元, 杨东昇， 李大舟

(沈阳化工大学 信息工程学院， 辽宁 沈阳 110142)

化工生产过程系统正快速向着大型化、复杂化发展，在带来经济效益的同时也使得设备故障和人员受伤的几率增大.与传统工业环境相比，这些系统发生故障，一方面带来经济方面的损失，另一方面还有可能引起爆炸、火灾、毒气泄漏等特大事故，从而给社会、人员和环境带巨大的伤害.所以，确保化工过程安全、可靠，故障检测的准确性具有十分重要的意义.故障检测的研究也成为大量海内外专家学习和研究的热点[1-4].

故障检测技术包含4大类：(1)基于专家系统的诊断方法;(2)基于多元统计分析的诊断方法;(3)基于机器学习的诊断方法;(4)基于深度学习的诊断方法.其中专家系统包括浅知识专家系统和深知识专家系统，具有知识获取方便、形式统一、维护简单等优点，但存在知识集不完善、过分依赖专家经验和推理速度相对较慢的缺点.常用的多元统计分析方法包括主元分析(principal component analysis,PCA)[5]、基于k近邻的方法(k-nearest neighbor,kNN)[6]、偏最小二乘法(partial least squares,PLS)[7]，以及独立主元分析(independent component analysis,ICA)[8]，具有方法简单、数学解释性强的优点，但是针对化工过程数据的多模态、非线性问题并不能妥善处理.机器学习包含了人工神经网络(artificial neural network,ANN)[9]、支持向量机(support vector machine,SVM)[10]、高斯混合模型(Gaussian mixture model,GMM)[11]等，具有特征学习能力强的优点，同时也存在着故障检测率低的不足.深度学习包含了深度信念网络(deep belief network,DBN)[12]、卷积神经网络(convolutional neural networks,CNN)[13]等，具有可通过捕捉输入样本的模式特征、通过网络连接的方式提取出……