基于模擬疫苗的人工免疫系統在氯乙烯聚合間歇過程故障診斷中的應用

魏巧玲，趙勁松，鐘本和

（1 四川大學化學工程學院，四川 成都 610065；2 清華大學化學工程系，北京 100084）

引 言

間歇過程比連續過程操作頻繁、狀態變化復雜，在生產過程中報警繁多、產品質量波動，其原因不易分析，易引起危險事故和經濟損失。面對不間斷的、大量的報警信息，操作人員往往難以迅速發現異常、準確分析原因、及時排除事故隱患[1]。因此，迅速、準確、及時、智能地發現故障并診斷出原因，給工廠技術人員提示和指導意見，從而輔助排除事故隱患，對于保證生產的正常進行和預防事故的發生有重要意義。

故障診斷方法已有四十多年的發展歷史，當前遇到了一些亟待解決的問題。故障診斷方法的適應性、自學習能力等難以滿足當前需求，模型開發所必需的先驗知識和數據樣本嚴重缺乏，對于波動頻繁、事故頻發的開停車、重啟、間歇操作等過程的研究不深入。

目前，間歇過程故障診斷方法的研究主要集中在基于過程歷史數據的方法[2]，如多向主元分析[3]（multi-way principal component analysis，MPCA）、多向偏最小二乘法[4]（multi-way partial least squares，MPLS）、人工神經網絡[5]（artificial neural networks，ANN）、petri 網[6]和專家系統等，及其改進方法和多種方法的組合[7]。大多以Tennessee Eastman（TE）模型[8]、PenSim 模型[9]等理想化模型為研究對象，討論上述間歇過程故障診斷方法的診斷效果。對于特定的間歇過程工業裝置，監測變量不完整不全面，過程數據波動繁雜，各批次時間和樣本長度不完全一致[10]，故障樣本嚴重缺乏，故障診斷方法的適應性和準確性有待考究。

本文基于工業過程的生產數據，利用Aspen 軟件對氯乙烯懸浮聚合間歇過程進行建模和動態模擬，由模擬得到的樣本數據生成模擬疫苗（SV）[11-12]，結合工業數據建立抗體庫，利用基于動態時間彎曲（DTW）算法的人工免疫系統（AIS）進行故障診斷，以檢驗SV-AIS 故障診斷方法對于氯乙烯懸浮聚合間歇過程工業裝置的適應性。

1 基于模擬疫苗的人工免疫系統

AIS 是一種基于過程歷史數據[7]的故障診斷方法，結合免疫學與工程學，利用基于免疫思想的數學模型和各類信息處理技術、計算技術，應用于科學和工程的各種智能系統，能夠記憶、學習和模式識別。AIS 的研究不足30年，在自動控制、異常和故障診斷、模式識別、機器學習等領域有一定研究與應用[13]。在化工間歇過程故障診斷方面，戴一陽等[2]將AIS 思想分別與DTW 算法、PCA 算法結合，以PenSim 模型[11,14-15]、乙醇-水精餾塔開車實驗裝置[11]以及環氧丙烷水合模型[16]為研究對象，驗證了AIS 對于理想模型和實驗過程的可行性。

本文研究的故障診斷過程包括工業數據提取、SV 生成和AIS 故障診斷3 部分，診斷過程如圖1所示。

1.1 抗體庫的建立

通過動態仿真模型迅速有效地得到大量正常樣本數據和故障樣本數據，生成正常SV和故障SV，分別與工業裝置的正常歷史數據和同類故障歷史數據雜交后構建正常抗體庫和故障抗體庫，用于故障檢測和識別。要實現SV 在故障診斷中的應用，建立可靠的仿真模型是基礎。

1.2 差異度的計算

圖1 基于模擬疫苗的人工免疫系統故障診斷流程Fig.1 Flowchart of AIS fault diagnosis based on SV

DTW 算法是運用動態規劃的思想，非線性地錯位兩條軌跡，構造兩條軌跡的差異度矩陣，尋找使兩條軌跡平均標準距離最短的一條最優路徑[17]。相比于傳統的計算最短歐氏距離的方法，該算法解決了時間序列數據在時間軸上的彎曲變形[18]。本文通過DTW 算法計算抗原與正常抗體庫和故障抗體庫中各抗體的差異度，構建故障檢測、識別的量化指標。

1.3 人工免疫系統

AIS 故障診斷過程分為初始化、故障檢測、故障識別和自學習4 個階段[11]。計算或設定正常抗體庫和故障抗體庫的閾值，讀取特定時間寬度的數據，進行歸一化后生成抗原，計算抗原與當前階段的正常抗體庫內所有抗體的差異度。若所有差異度均大于正常抗體庫閾值，則檢測出故障，進入故障識別階段，否則讀取下一組數據。在檢測出故障后，計算該抗原與故障抗體庫內所有抗體的差異度。若差異度小于某類故障抗體庫閾值，則識別為該類型故障，并將該抗原加入對應故障抗體庫進行更新；若所有差異度都大于對應的閾值，則診斷為新故障。再進行人工診斷分析，若出現誤診，則對模型進行校正；若診斷為新故障，則生成新故障對應的模擬疫苗，建立新故障抗體庫，進行系統自學習。

2 氯乙烯懸浮聚合過程模型

氯乙烯懸浮聚合過程[19]是將單體、水、引發劑等物質按照一定加料順序加入帶有夾套的聚合反應釜中，氯乙烯均勻分散在水中形成小液滴，聚合反應在小液滴中劇烈進行，通過工藝水、連續注入水、夾套冷卻、冷凝器冷卻等方式移除反應熱、控制反應溫度，待反應釜產生一定壓降時加入終止劑，一段時間后出料，并進行氣提、干燥等操作，得到聚氯乙烯產品顆粒。

依據工業數據，利用Aspen polymer plus（v 7.3）軟件建立105 m3聚合釜SG-5 型PVC 的聚合模型，部分工業參數見表1。選擇PolyNRTL 物性方法，選取文獻中聚合動力學參數為初值[20-22]，以VCM轉化率、引發劑殘留量等理論數據和DPN、MWN、PDI 等產品質量指標的工業數據為目標函數，進行靈敏度分析和優化，得到一組較合適的反應動力學參數，見表2。導入Aspen dynamics（v 7.3）后添加控制器，通過夾套冷卻水流率和冷卻水溫度串級控制釜溫，并對控制器參數進行調優，然后進行動態運行，流程如圖2所示。

表1 部分過程參數Table 1 Part of process parameters

表2 動力學參數Table 2 Kinetic parameters

圖2 動態模擬流程Fig.2 Flowsheet of dynamic simulation

3 故障診斷

本文選取氯乙烯聚合過程易于測量且工業裝置中有監測點的9 個過程變量，見表3，選取變量波動劇烈、最難控制的反應階段為研究對象，截取反應時間為4 h、采樣點時間間隔為0.01 h。

表3 選取的工業監測變量在反應段的變化范圍Table 3 Selected industrial monitoring variables and control ranges in reaction stage

保證過程變量在正常波動范圍內和報警限內，調整控制器參數，微調工藝參數，得到6 組正常樣本數據。引入夾套冷卻水溫度階躍、夾套冷卻水流率階躍、連續注入水流率階躍3 類故障，每類故障由不同的引入時間和變化程度組合生成4 組故障樣本，共計12 組故障樣本數據，見表4。將這些分別包含9 個變量、400 個采樣點的18 組樣本數據讀入AIS 系統，進行初始化，生成模擬疫苗，建立正常樣本庫和故障樣本庫。

另外選取2 組正常的模擬數據和上述3 種故障各2 組模擬數據，以及2 組發生氣體泄漏故障的模擬數據，構成測試樣本。利用Matlab（2012a）軟件構建AIS 系統，將上述10 組測試數據讀入AIS 系統，進行故障診斷，見表5。可以看出，SV-AIS 方法可以對氯乙烯聚合反應間歇過程進行故障診斷。

4 結 論

本文基于SV 思想，將AIS 基本原理結合DTW算法，應用于間歇化工過程的故障診斷。根據工業過程數據，建立了氯乙烯懸浮聚合間歇過程的動態仿真模型，生成SV 構建正常樣本庫和故障樣本庫，解決了故障診斷過程中故障樣本數據缺乏的問題。對于氯乙烯懸浮聚合間歇過程，可以及時、準確地診斷出故障原因，并具有較好的自學習能力。

表4 故障訓練樣本Table 4 Fault training samples

表5 故障診斷結果Table 5 Fault diagnosis results

[1]Srinivasan R,Qian M S.State-specific key variables for monitoring multi-stage processes [J].Chemical Engineering Research and Design,2007,85 (12A):1630-1644

[2]Kourti T.Abnormal situation detection,three-way data and projection methods; robust data archiving and modeling for industrial applications [J].Annual Reviews in Control,2003,27:131-139

[3]Nomikos P.Detection and diagnosis of abnormal batch operations based on multi-way principal component analysis [J].ISA Transactions,1996,35 (3):259-266

[4]Nomikos P,MacGregor J F.Multi-way partial least squares in monitoring batch processes [J].Chemometrics and Intelligent Laboratory Systems,1995,30 (1):97-108

[5]Ruiz D,Nougués J M,Calderón Z,Espu?a A,Puigjaner L.Neural network based framework for fault diagnosis in batch chemical plants [J].Computer and Chemical Engineering,2000,24 (2-7):777-784

[6]Chen Y C,Yeh M L,Hong C L,Chang C T.Petri-net based approach to configure online fault diagnosis systems for batch processes [J].Industrial and Engineering Chemistry Research,2010,49 (9):4249-4268

[7]Venkatasubramanian V,Rengaswamy R,Kavuri S N,Yin K.A review of process fault detection and diagnosis (Ⅲ):Process history based methods [J].Computers and Chemical Engineering,2003,27 (3):327-346

[8]Downs J J,Vogel E F.A plant-wide industrial process control problem [J].Computers and Chemical Engineering,1993,17 (3):245-255

[9]Birol G,ündey C,?inar A.A modular simulation package for fed-batch fermentation:penicillin production [J].Computers and Chemical Engineering,2002,26 (11):1553-1565

[10]Scenna N J.Some aspects of fault diagnosis in batch processes [J].Reliability Engineering and System Safety,2000,70 (1):95-110

[11]Dai Yiyang (戴一陽).Research on fault diagnosis of chemical process based on artificial immune system [D].Beijing:Tsinghua University,2012

[12]Zhao Jinsong (趙勁松),Dai Yiyang (戴一陽),Shu Yidan (舒逸耽),Zhu Jianfeng (朱劍鋒).Dynamics artificial immune fault diagnosis method based on simulated vaccine[P]:CN,201210229367

[13]Mo Hongwei (莫宏偉).Artificial Immune System Theory and Application (人工免疫系統原理與應用) [M].Harbin:Harbin Institution of Technology Press,2003

[14]Dai Yiyang (戴一陽),Chen Ning (陳寧),Zhao Jinsong (趙勁松),Chen Bingzhen (陳丙珍).Application of AIS to batch chemical process fault diagnosis [J].CIESCJournal(化工學報),2009,60 (1):172-176

[15]Dai Yiyang,Zhao Jinsong.Fault diagnosis of batch chemical processes using a dynamic time warping (DTW)-based artificial immune system [J].Industrial and Engineering Chemistry Research,2011,50 (8):4534-4544

[16]Dai Yiyang (戴一陽),Zhao Jinsong (趙勁松),Chen Bingzhen (陳丙珍).Application of hybrid diagnostic system for chemical processes [J].CIESCJournal(化工學報),2010,61 (2):342-346

[17]Kashima T.Average trajectory calculation for batch processes using dynamic time warping//Proceedings of the SICE Annual Conference 2010 [C].Taipei,Taiwan:2010,2939-2941

[18]Srinivasan R,Qian M S.Online temporal signal comparison using singular points augmented time warping [J].Industrial and Engineering Chemistry Research,2007,46 (13):4531-4548

[19]Nie Lintao (聶林濤).The dynamic simulation of the reactor and the control system of the PVC [D].Beijing:Beijing University of Chemical Technology,2007

[20]Kiparissides C,Daskalakis D,Achilias D S,Sidiropoulou E.Dynamic simulation of industrial poly(vinyl chloride) batch suspension polymerization reactors [J].Industrial and Engineering Chemistry Research,1997,36 (4):1253-1267

[21]Krallis A,Kotoulas C,Papadopoulos S,Kiparissides C,Bousquet J,Bonardi C.A comprehensive kinetic model for the free-radical polymerization of vinyl chloride in the presence of monofunctional and bifunctional initiators [J].Industrial and Engineering Chemistry Research,2004,43 (20):6382-6399

[22]Krallis A,Kiparissides C.Computer aided design and operation of industrial poly(vinyl chloride) batch suspension polymerization reactors [J].Plastics,Rubber and Composites,2008,37 (9/10):436-441