基于模拟疫苗的人工免疫系统在氯乙烯聚合间歇过程故障诊断中的应用

魏巧玲，赵劲松，钟本和

（1 四川大学化学工程学院，四川 成都 610065；2 清华大学化学工程系，北京 100084）

引 言

间歇过程比连续过程操作频繁、状态变化复杂，在生产过程中报警繁多、产品质量波动，其原因不易分析，易引起危险事故和经济损失。面对不间断的、大量的报警信息，操作人员往往难以迅速发现异常、准确分析原因、及时排除事故隐患[1]。因此，迅速、准确、及时、智能地发现故障并诊断出原因，给工厂技术人员提示和指导意见，从而辅助排除事故隐患，对于保证生产的正常进行和预防事故的发生有重要意义。

故障诊断方法已有四十多年的发展历史，当前遇到了一些亟待解决的问题。故障诊断方法的适应性、自学习能力等难以满足当前需求，模型开发所必需的先验知识和数据样本严重缺乏，对于波动频繁、事故频发的开停车、重启、间歇操作等过程的研究不深入。

目前，间歇过程故障诊断方法的研究主要集中在基于过程历史数据的方法[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）、人工神经网络[5]（artificial neural networks，ANN）、petri 网[6]和专家系统等，及其改进方法和多种方法的组合[7]。大多以Tennessee Eastman（TE）模型[8]、PenSim 模型[9]等理想化模型为研究对象，讨论上述间歇过程故障诊断方法的诊断效果。对于特定的间歇过程工业装置，监测变量不完整不全面，过程数据波动繁杂，各批次时间和样本长度不完全一致[10]，故障样本严重缺乏，故障诊断方法的适应性和准确性有待考究。

本文基于工业过程的生产数据，利用Aspen 软件对氯乙烯悬浮聚合间歇过程进行建模和动态模拟，由模拟得到的样本数据生成模拟疫苗（SV）[11-12]，结合工业数据建立抗体库，利用基于动态时间弯曲（DTW）算法的人工免疫系统（AIS）进行故障诊断，以检验SV-AIS 故障诊断方法对于氯乙烯悬浮聚合间歇过程工业装置的适应性。

1 基于模拟疫苗的人工免疫系统

AIS 是一种基于过程历史数据[7]的故障诊断方法，结合免疫学与工程学，利用基于免疫思想的数学模型和各类信息处理技术、计算技术，应用于科学和工程的各种智能系统，能够记忆、学习和模式识别。AIS 的研究不足30年，在自动控制、异常和故障诊断、模式识别、机器学习等领域有一定研究与应用[13]。在化工间歇过程故障诊断方面，戴一阳等[2]将AIS 思想分别与DTW 算法、PCA 算法结合，以PenSim 模型[11,14-15]、乙醇-水精馏塔开车实验装置[11]以及环氧丙烷水合模型[16]为研究对象，验证了AIS 对于理想模型和实验过程的可行性。

本文研究的故障诊断过程包括工业数据提取、SV 生成和AIS 故障诊断3 部分，诊断过程如图1所示。

1.1 抗体库的建立

通过动态仿真模型迅速有效地得到大量正常样本数据和故障样本数据，生成正常SV和故障SV，分别与工业装置的正常历史数据和同类故障历史数据杂交后构建正常抗体库和故障抗体库，用于故障检测和识别。要实现SV 在故障诊断中的应用，建立可靠的仿真模型是基础。

1.2 差异度的计算

图1 基于模拟疫苗的人工免疫系统故障诊断流程Fig.1 Flowchart of AIS fault diagnosis based on SV

DTW 算法是运用动态规划的思想，非线性地错位两条轨迹，构造两条轨迹的差异度矩阵，寻找使两条轨迹平均标准距离最短的一条最优路径[17]。相比于传统的计算最短欧氏距离的方法，该算法解决了时间序列数据在时间轴上的弯曲变形[18]。本文通过DTW 算法计算抗原与正常抗体库和故障抗体库中各抗体的差异度，构建故障检测、识别的量化指标。

1.3 人工免疫系统

AIS 故障诊断过程分为初始化、故障检测、故障识别和自学习4 个阶段[11]。计算或设定正常抗体库和故障抗体库的阈值，读取特定时间宽度的数据，进行归一化后生成抗原，计算抗原与当前阶段的正常抗体库内所有抗体的差异度。若所有差异度均大于正常抗体库阈值，则检测出故障，进入故障识别阶段，否则读取下一组数据。在检测出故障后，计算该抗原与故障抗体库内所有抗体的差异度。若差异度小于某类故障抗体库阈值，则识别为该类型故障，并将该抗原加入对应故障抗体库进行更新；若所有差异度都大于对应的阈值，则诊断为新故障。再进行人工诊断分析，若出现误诊，则对模型进行校正；若诊断为新故障，则生成新故障对应的模拟疫苗，建立新故障抗体库，进行系统自学习。

2 氯乙烯悬浮聚合过程模型

氯乙烯悬浮聚合过程[19]是将单体、水、引发剂等物质按照一定加料顺序加入带有夹套的聚合反应釜中，氯乙烯均匀分散在水中形成小液滴，聚合反应在小液滴中剧烈进行，通过工艺水、连续注入水、夹套冷却、冷凝器冷却等方式移除反应热、控制反应温度，待反应釜产生一定压降时加入终止剂，一段时间后出料，并进行气提、干燥等操作，得到聚氯乙烯产品颗粒。

依据工业数据，利用Aspen polymer plus（v 7.3）软件建立105 m3聚合釜SG-5 型PVC 的聚合模型，部分工业参数见表1。选择PolyNRTL 物性方法，选取文献中聚合动力学参数为初值[20-22]，以VCM转化率、引发剂残留量等理论数据和DPN、MWN、PDI 等产品质量指标的工业数据为目标函数，进行灵敏度分析和优化，得到一组较合适的反应动力学参数，见表2。导入Aspen dynamics（v 7.3）后添加控制器，通过夹套冷却水流率和冷却水温度串级控制釜温，并对控制器参数进行调优，然后进行动态运行，流程如图2所示。

表1 部分过程参数Table 1 Part of process parameters

表2 动力学参数Table 2 Kinetic parameters

图2 动态模拟流程Fig.2 Flowsheet of dynamic simulation

3 故障诊断

本文选取氯乙烯聚合过程易于测量且工业装置中有监测点的9 个过程变量，见表3，选取变量波动剧烈、最难控制的反应阶段为研究对象，截取反应时间为4 h、采样点时间间隔为0.01 h。

表3 选取的工业监测变量在反应段的变化范围Table 3 Selected industrial monitoring variables and control ranges in reaction stage

保证过程变量在正常波动范围内和报警限内，调整控制器参数，微调工艺参数，得到6 组正常样本数据。引入夹套冷却水温度阶跃、夹套冷却水流率阶跃、连续注入水流率阶跃3 类故障，每类故障由不同的引入时间和变化程度组合生成4 组故障样本，共计12 组故障样本数据，见表4。将这些分别包含9 个变量、400 个采样点的18 组样本数据读入AIS 系统，进行初始化，生成模拟疫苗，建立正常样本库和故障样本库。

另外选取2 组正常的模拟数据和上述3 种故障各2 组模拟数据，以及2 组发生气体泄漏故障的模拟数据，构成测试样本。利用Matlab（2012a）软件构建AIS 系统，将上述10 组测试数据读入AIS 系统，进行故障诊断，见表5。可以看出，SV-AIS 方法可以对氯乙烯聚合反应间歇过程进行故障诊断。

4 结 论

本文基于SV 思想，将AIS 基本原理结合DTW算法，应用于间歇化工过程的故障诊断。根据工业过程数据，建立了氯乙烯悬浮聚合间歇过程的动态仿真模型，生成SV 构建正常样本库和故障样本库，解决了故障诊断过程中故障样本数据缺乏的问题。对于氯乙烯悬浮聚合间歇过程，可以及时、准确地诊断出故障原因，并具有较好的自学习能力。

表4 故障训练样本Table 4 Fault training samples

表5 故障诊断结果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,Espuña 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,Çinar 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 (戴一阳).Research on fault diagnosis of chemical process based on artificial immune system [D].Beijing:Tsinghua University,2012

[12]Zhao Jinsong (赵劲松),Dai Yiyang (戴一阳),Shu Yidan (舒逸耽),Zhu Jianfeng (朱剑锋).Dynamics artificial immune fault diagnosis method based on simulated vaccine[P]:CN,201210229367

[13]Mo Hongwei (莫宏伟).Artificial Immune System Theory and Application (人工免疫系统原理与应用) [M].Harbin:Harbin Institution of Technology Press,2003

[14]Dai Yiyang (戴一阳),Chen Ning (陈宁),Zhao Jinsong (赵劲松),Chen Bingzhen (陈丙珍).Application of AIS to batch chemical process fault diagnosis [J].CIESCJournal(化工学报),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 (戴一阳),Zhao Jinsong (赵劲松),Chen Bingzhen (陈丙珍).Application of hybrid diagnostic system for chemical processes [J].CIESCJournal(化工学报),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 (聂林涛).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