基于多块卷积变分信息瓶颈的多变量动态过程故障诊断

何雨旻， 侍洪波

（华东理工大学化工过程先进控制和优化技术教育部重点实验室，上海 200237）

随着化工行业的快速发展，化工生产过程的复杂性也随之增加。然而，如此复杂的工业过程一旦发生故障，可能导致严重的财产损失和人员伤亡，因此，高效的故障检测和诊断（Fault Detection and Diagnosis，FDD）方法对于维护化工过程的安全稳定生产是十分重要的[1-4]。在故障诊断方法中，按照建模原理的不同可以分为基于模型的方法以及基于数据的方法两大类。基于模型的方法需要对化工过程进行机理建模，但由于现代化工过程的复杂性，很难直接应用基于模型的故障诊断方法。与此同时，由于集散控制系统（Distributed Control System，DCS）技术的广泛运用，系统可以收集大量的工业数据，这有利于开发基于数据的故障诊断方法。目前，基于数据的故障诊断方法主要根据变量之间的相关性来提取特征。传统的基于数据的故障诊断算法主要有：主成分分析（Principal Component Analysis，PCA）、费舍尔判别分析（Fisher Discriminant Analysis，FDA）、支持向量机（Support Vector Machine，SVM）等[5-9]，其中，PCA、FDA 通过线性方法提取特征，不适用于实际的化工过程。而SVM 将故障诊断视为分类任务，建立判别函数对故障进行分类，但这类方法需要手动设计特征，导致实用性有限。此外，上述方法均未考虑过程数据间的时序关联性。因此，为了提高故障诊断方法的性能，应开发一种直接、有效的非线性动态特征提取方法。

深度学习技术能有效地学习复杂、抽象的特征，因此，深度学习在过去几年中引起了FDD 领域研究者的关注[10-13]。……