智能故障診斷方法是保證生產流程安全運行并長期可靠的關鍵技術。由于原料性質、設備損耗以及外界環境等條件的變化，化工生產裝置運行工況隨之波動，因此傳感器監測的過程變量會包含具有不同時間尺度的數據特征。盡管近年來深度學習在故障診斷領域取得了很大進展，但大多數模型都無法高效提取多尺度數據特征，也難以在跨工況任務上展現較好的魯棒性。本文提出了一種基于自適應多尺度卷積神經網絡的化工過程故障診斷模型AMCNN，可以自動從時間序列數據中挖掘多尺度特征，同時模型中自適應注意力機制有助于選擇與故障狀態聯系更緊密的關鍵特征加以訓練，受度量學習啟發引入的三元組損失函數用于提升模型對多工況故障特征的泛化能力。本文采用連續攪拌反應器仿真系統和田納西-伊斯曼過程模擬數據集對所提方法的效果進行驗證，實驗結果證明AMCNN模型具有優異的故障診斷性能和跨工況通用性。

本文構建的自適應多尺度卷積神經網絡模型結構如下圖所示，AMCNN整體由三部分模塊組成，分別是多尺度卷積模塊、融合兩種機制協同作用的自適應注意力模塊和三元組損失優化模塊，分類器用于輸出故障類別。

圖1  AMCNN模型架構

圖2  多尺度卷積模塊

圖3  自適應通道注意力機制

圖4  自適應空間注意力機制

圖5  三元組損失優化原理

基于AMCNN的故障診斷方法框架包含離線階段和在線階段兩個部分。離線階段利用預處理后的訓練數據集構建模型并優化超參數設置，在線階段對實時多工況數據進行診斷并計算診斷準確率。

圖6  基于AMCNN的故障診斷方法框架

本文在非等溫連續攪拌釜CSTR體系和田納西-伊斯曼過程TEP兩類仿真數據集上進行實驗，將所提出的AMCNN模型與其他經典的統計模型與近期熱門的深度學習模型做對比。實驗結果證明AMCNN的診斷準確率更高，多工況適用性更強。 

表1 CSTR模擬設置的4種操作工況

表2 CSTR跨工況遷移訓練的故障診斷準確率對比

圖7  TEP故障診斷混淆矩陣

表3 不同方法對TEP跨工況遷移故障診斷的結果對比

趙勁松，清華大學化學工程系教授，博士生導師；現任過程系統工程研究所所長，工業大數據系統與應用北京市重點實驗室副主任；兼任中國工程師聯合體文化與倫理委員會常務副主任委員，中國化工學會工程倫理教育工作委員會主任委員，中國過程系統工程專業委員會副主任委員，中國公共安全科學技術學會預測預警專業工作委員會副主任委員等，是國務院安委會危險化學品安全專業委員會專家組成員、國家生態環境部第一屆生態環境應急專家組成員，北京市安全生產領域學科帶頭人。《中國化學工程學報（英文版）》副主編，國際期刊Computers & Chemical Engineering, Process Safety and Environmental Protection 編委。主要研究方向包括化工過程安全，人工智能與工業大數據技術等。科研成果轉化入選國家“十三五”科技創新成就.