一種改進的CSCA+PCA化工過程異常檢測技術*

王靜虹，李晨陽,支有冉，王志榮

(1．南京工業大學 安全科學與工程學院，江蘇 南京 210009；2.江蘇省危險化學品本質安全與控制技術重點實驗室，江蘇 南京 210009；3．南京工程學院 機械工程學院，江蘇 南京 210009)

數字出版日期： 2017-07-19

0 引言

化工生產過程往往具有易燃易爆、高溫高壓、有毒有害等特點，一旦在安全方面出現問題，極易引發重大的人員傷亡和財產損失事故。當化工生產過程中的人、機、環、管等主體發生或即將發生某些事件時，化工企業應能夠對一些異常進行快速反應，在事件造成后果前或者事件發生前，就對異常情況進行控制，從生產的不安全狀態迅速恢復到安全狀態。這種能力必須依賴于在嚴格的時間限制內對這些主體釋放的信息進行監測、捕獲、分析、預警以及調控。而這種功能與自然界生物體的免疫系統具有很強的相似性。

免疫系統能夠保護機體不受外部細菌、病毒的感染。基于生物免疫系統中蘊含豐富的信息處理機制，人工免疫系統(Artificial Immune system, AIS)的概念自20世紀七八十年代被提出以來，在故障診斷、網絡監測等領域都獲得了迅猛的發展[1-2]。在化工過程異常診斷方面，繼傳統的基于歷史數據[3]、基于動態模型[4]和不依賴動態模型的診斷方法[5]之后，利用人工免疫進行異常診斷的研究也逐漸開展，如清華大學的趙勁松團隊在國內率先基于人工免疫原理對間歇化工過程開展故障診斷研究，取得了一系列進展[6-8]。但大多數的過程異常檢測都存在一個很突出的問題，即過程參數數量眾多且關聯關系極其復雜，傳統的人工免疫算法如克隆選擇算法、陰性選擇算法、人工免疫網絡算法等直接應用于過程異常檢測時并不一定有顯著的效果，而且現有研究也多是基于特定的化工過程，其檢測方法的適用性仍有待提高。

此外，針對過程參數進行特征提取可以有效改善故障診斷的效率，其中應用最為廣泛的1種方法就是主成分分析法[9]，如孟程程等人[10]提出利用核主成分分析方法對高爐冶煉過程中的故障進行檢測，以適應高爐的非線性特征；吳卓卓[11]建立了1種基于主成分分析和支持向量數據描述的故障檢測模型，并通過TE數據進行仿真實驗；陳果[12]提出基于主成分分析的轉靜碰摩故障特征提取方法并與支持向量機相結合，驗證了方法的有效性。但在化工過程異常檢測中，人工免疫算法與主成分分析方法的結合效果、適用范圍及具體技術方案仍有待深入的研究。

以下利用人工免疫系統的識別、學習、記憶、自適應等特點，基于人工免疫算法中經典的克隆選擇分類算法CSCA (Clonal Selection Classification Algorithm) 和主成分分析方法PCA(Principal Component Analysis)，構建適用于多參數多模式的化工過程異常檢測方案，采用國際通用的TE過程數據集開展數值實驗，測試并驗證經PCA方法改進后的CSCA對化工過程異常檢測的效果，從而為化工過程異常檢測提供1種具有較廣泛適用性和較高準確性的科學技術手段。

1 克隆選擇分類算法CSCA及其檢測效果

Brownlee[13]在2005年基于克隆選擇算法提出了克隆選擇分類算法CSCA，并在機器學習領域獲得了廣泛認可和應用。該算法的流程如圖1所示。已有研究指出[14]，CSCA算法相對一般的克隆算法，在準確率上有明顯提高，而在平均絕對誤差和均方根誤差中，CSCA算法均要低于一般克隆算法。另外，由于CSCA采用了更為復雜的克隆選擇和迭代策略，因此，系統構建時間會比一般克隆算法明顯增多。

圖1 CSCA算法流程Fig.1 The flowchart of CSCA algorithm

根據這一算法的思想，構建基于克隆選擇分類算法(CSCA)針對化工過程異常檢測分類的主要步驟，如圖2所示。在這過程中，免疫系統概念與過程異常檢測算法的對應關系如表1所示。

圖2 基于CSCA的過程異常檢測分類步驟Fig.2 The procedure of anomaly detection and classification of chemical process by CSCA

考慮通用的具有代表性的TE過程(田納西一伊斯曼過程)數據對所建立的CSCA化工過程異常檢測技術進行驗證，通過TE過程數據調試該檢測技術的性能。TE過程數據包含訓練集和測試集，訓練集和測試集各自含有22種異常模式，每個異常模式下的數據均包含53個屬性[15]，能夠為異常檢測研究提供所需的基礎數據。

表1 免疫系統概念與CSCA過程異常檢測分類算法的對應關系

表2所示是采用機器學習領域2個標準數據庫“Iris Plants Database”和“Large Soybean Database”對CSCA算法進行驗證以及進一步采用TE過程數據中的訓練集和測試集分別進行檢測之后的結果?？梢钥吹?，CSCA對Iris和Soybean 2個標準數據集的分類效果都比較好，因此CSCA檢測技術本身是準確的、有效的。而采用TE過程數據進行分類時，發現，當數據樣本很大、屬性很多的情況下，分類效果很不理想。

現實情況是，化工過程異常需要考慮很多種類，且依靠單一屬性參數(如溫度、壓力、濃度等)往往無法及時檢出早期微小異常，因此基于大樣本多屬性的過程數據進行異常檢測，是更符合過程安全現實需求的。這就提出一個問題：如何對過程數據進行可靠的預處理，尋求在數據樣本規模、樣本結構和異常檢測效果之間的最優匹配，以實現基于CSCA的過程早期微小異常的準確、高效檢測和識別。

表2 基于CSCA的異常分類效果

2 結合主成分分析的CSCA分類檢測效果

2.1 過程數據降維后的檢測結果分析

考慮到TE訓練集包含53個屬性，22種異常模式，先采用主成分分析(PCA)方法對其屬性進行降維處理；再將降維之后的樣本作為CSCA的檢測樣本，對其進行異常檢測分類。PCA分析的結果如圖3所示。由圖可知，前11個主成份的貢獻率累積達85.37%(≥85%)，所對應的屬性為att01，att09，att13，att18，att19，att21，att34，att38，att39，att45和att51。運用CSCA對經過主成分分析篩選出的樣本再次進行異常檢測分類，此時的數據樣本總數仍為10 580，針對每一類屬生成的記憶細胞數目如圖4所示。最終結果顯示，同樣在22種異常模式情況下，進行PCA處理之后的樣本正確分類比例為39.8%，未正確分類比例為60.2%。由此可知，盡管采用PCA方法進行了屬性降維，但由于總的樣本數仍十分龐大，分類準確率雖有所提高，但仍無法令人滿意。

圖3 主成分的貢獻率累積百分比Fig.3 The cumulative percentage of the contributionrate of principal components

圖4 生成的記憶細胞數目Fig.4 Number of memory cells

在此基礎上進一步考慮縮減樣本規模。由于TE過程異常數據是從第8 h后開始引入不同類型的異常，前8 h均為穩態無異常數據，因此，考慮到異常檢測效果應該在異常情況一出現即盡快將其檢出，因此選擇10 h的數據樣本(前8h為穩態正常數據，后2 h為異常數據)，樣本總數為4 399。考慮到如果基于這10h的數據能夠獲得好的異常檢測效果，那么也就意味著在過程異常出現2 h內，CSCA即能檢測并識別出異常情況的類型。首先，對數據進行PCA處理，獲取4個主成分，對應屬性att05，att38，att45和att51，運用CSCA分類正確率為30.2%。而未進行PCA處理時，正確率為26.5%。如果仍采用之前的11個主成分時，正確率40.9%。具體結果整理見表3所示。從中可以看到，過程異常數據的規模、屬性的數目對CSCA異常檢測效果具有明顯的影響。盡管CSCA可以對大多數通用數據集有不錯的檢測分類效果，但對于化工過程數據來說，由于樣本規模過大以及異常類別過多等現實情況的存在，還需要進一步探討更為有效的數據降維或重構方案，才能使異常檢測正確率提高到滿意的程度。

表3 基于CSCA+PCA的異常檢測分類效果(未數據重整)

2.2 過程數據重整后的CSCA異常檢測

基于主成分分析的結果，在TE數據中選擇4個主成分的主要構成參數作為監測對象。選取異常模式class01，class02，class03和class04的數據作為試驗數據。數據重整中重點關注異常引入的時間，即：考慮到每個異常模式下的前160個數據是引入異常模式之前的，在異常檢測中有可能形成干擾，因此只采用引入異常模式之后1h的數據，組織成樣本集1，共80組數據。采用引入異常模式之后2 h的數據，組織成樣本集2，共160組數據。將異常發生后第3 h的數據單獨提取，組織成樣本集3，共80組數據。仍然采用CSCA算法對重整后的異常樣本進行檢測分類，分類結果如表4所示?？梢钥吹?，控制分類樣本數之后，CSCA對4種異常模式具有較好的檢測效果。

在此基礎上，對樣本集3的異常模式進行預測，詳細預測結果列于表5，其中下劃線顯示的是預測錯誤的樣本。共計85%的樣本被準確定位為class03異常模式，與實際情況相符。

表5 樣本集3的預測結果

注：表格中的預測值通過四位二進制表示所屬的異常類型，例如“0001”表示歸屬為故障模式class04。

3 結論

1)基于人工免疫原理的克隆選擇分類算法(CSCA)面對大樣本多屬性的化工過程數據時，在異常檢測效果方面存在局限性，即過程異常數據的規模、屬性的數目對CSCA異常檢測效果具有明顯的負面影響。

2)基于TE過程數據的異常檢測和分類實驗表明，通過主成分分析(PCA)方法進行數據降維及數據重整之后，CSCA對過程異常分類辨識的準確率可提升到85%以上，從而適應化工過程異常檢測的實際需求。

3)研究提出的CSCA+PCA的化工過程異常檢測技術方案，可以應用于多參數多異常模式的化工過程；為進一步提高異常檢測分類的準確性和可靠性，今后將進一步研究過程數據的樣本規模、樣本結構及其復雜非線性關系對于異常檢測效果的影響。

[1] González F A. A study of artificial immune systems applied to anomaly detection[M]. The University of Memphis, 2003.

[2] Morteza J, Hossein M, Kasra M, et al. A Method in Security of Wireless Sensor Network based on Optimized Artificial immune system in Multi-Agent Environments[J]. Research Journal of Recent Sciences, 2013,2(10):99-106.

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

[4] Tian W D, Sun S L, Liu J Q. Fault diagnosis in chemical processes based on dynamic simulation[J]. Journal of System Simulation, 2007, 19(12):2831-2835.

[5] 黃啟明, 錢宇, 林偉璐,等. 化工過程故障診斷研究進展[J]. 化工自動化及儀表, 2000, 27(3):1-5.

HUANG Qiming, QIAN Yu，LIN Weilu,et al. Advances of fault diagnosis for chemical process[J]. Control and Instruments in Chemical Industry, 2000, 27(3):1-5.

[6] 魏巧玲, 趙勁松, 鐘本和. 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[J]. 化工學報, 2015, 66(2):635-639.

WEI Qiaolin, ZHAO Jinsong,ZHONG Benhe . Application of AIS based on SV for fault diagnosis of vinyl chloride polymerization batch process[J]. CIESC Journal, 2015, 66(2):635-639.

[7] 戴一陽，趙勁松，陳丙珍. 化工過程混合故障診斷系統的應用[J]. 化工學報，2010,61(2):342-346.

DAI Yiyang, ZHAO Jinsong ,CHEN BingZhen. Application of hybrid diagnostic system for chemical processes[J]. CIESC Journal, 2010,61(2):342-346.

[8] 戴一陽, 陳寧, 趙勁松,等. 人工免疫系統在間歇化工過程故障診斷中的應用[J]. 化工學報, 2009, 60(1):172-176.

DAI Yiyang,CHEN Ning,ZHAO Jinsong,et al. Application of AIS to batch chemical process fault diagnosis[J]. CIESC Journal , 2009, 60(1):172-176.

[9] 陸寧云, 楊英華, 王福利. 基于迭代主成分分析的過程監測方法的研究與實現[J]. 控制與決策, 2002, 17(2):215-218.

LU Ningyun, YANG Yinghua,WANG Fuli. Research and implementation of process monitoring based on iterative principal component analysis( PCA)[J]. Contr ol and Decision, 2002, 17(2):215-218.

[10] 孟程程，曾九孫，李文軍. 核主成分分析的高爐故障檢測研究[J]. 中國計量學院學報，2012,23(4)：332-337.

MENG Chengcheng,ZENG Jiusun,LI Wenjun. Blast furnace fault detection based on KPCA[J]. Journal of China University of Metrology, 2012,23(4): 332-337.

[11] 吳卓卓. 基于田納西—伊斯曼過程故障檢測方法研究[D]. 上海：華東交通大學, 2016.

[12] 陳果. 基于一類支持向量機與主成分分析的轉靜碰摩故障檢測技術[J]. 振動與沖擊，2012,31(22)：29-33，38.

CHEN Guo. Rotor-stator rubbing fault testing technique based on one-class support vector machine and primary component analysis[J]. 2012,31(22):29-33，38.

[13] Brownlee J. Clonal Selection Theory & Clonalg: The Clonal Selection Classification Algorithm (CSCA)[J]. Cheminform, 2005, 36(14):341.

[14] 黃黎黎. 人工免疫算法研究及其在癌癥診斷中的應用[D]. 北京：北京郵電大學, 2010.

[15] 齊向娟, 李士雨, 孫靈棟. ChemCAD在精餾塔動態模擬中的應用[J]. 計算機與應用化學, 2008, 25(6):752-756.

QI Xiangjuan, LI Shiyu, SUN Lingdong. Applied of ChemCAD in distillation column dynamic simulation [J]. Computers and Applied Chemistry, 2008, 25(6):752-756.