智能诊断与预警

近代故障诊断与预警技术始于20世纪80年代。故障诊断与预警可分成两大类：基于数学模型的方法和基于人工智能的方法。随着人工智能技术的发展，以数值计算与信号处理为核心的传统诊断与预警过程被以知识处理和知识推理为核心的诊断预警过程所取代。智能诊断与预警方法主要包括：基于故障树的方法、基于神经网络的方法、基于支持向量机的方法、基于专家系统的方法、基于模糊数学的方法、基于模拟进化的方法、基于人工免疫的方法、基于集群智能的方法等。

智能诊断与预警的具体功能是：当故障发生时，诊断故障类型、故障位置及故障原因，最终给出解决方案，实现故障恢复，并根据故障特征之间的关联信息建立早期故障的潜伏状态规律；根据设备或系统运行状态或通过观测获得的可能性前兆，在设备或系统实际发生故障之前，及时预测设备或系统的异常状态，并采取相应的措施，以尽量减少设备或系统故障造成的损失，确保化工过程的安全生产。智能诊断与预警通常包括3个环节：①信号获取，对设备或系统的运行状态进行监测，获取传感器的多物理监测信号，反映设备或系统健康状况。②特征提取，通过分析获取的监测数据，提取特征揭示故障信息。③故障识别与预测，基于提取的特征，通过人工智能模型和方法对故障进行识别和预测，实现设备或系统在不停运或不拆卸的情况下，对传感器监测数据的分析来判断是否存在故障以及确定故障的原因及位置，并对设备或系统可能发生的故障进行预测。

随着现代化工过程生产规模的扩大和装置设备的增多，化工现场的安全生产和可靠运行面临的挑战与日俱增。由于化工生产数据存在着规模较大、维度较高、数据相关性较强，故障源和故障特征之间复杂度较高，且伴有噪声影响等许多复杂特性，推动智能诊断与预警领域步入了“大数据”时代。智能诊断与预警需针对性地深度挖掘隐藏在大数据中有价值的信息和知识，并帮助诊断人员从更高的层面和更广的视角了解设备或系统的运行状况，从而提高洞察力和决策效率。智能诊断与预警挖掘的信息主要体现在以下3方面：①标准大数据库，获取、存储、传输完整准确的各类监测数据，涵盖设备或系统历史正常和不同故障运行的信息。②深度学习，建立具有深层结构的深度学习网络，以设备或系统的运行数据为输入，逐层抽象地完成故障特征知识自适应提取和推理过程，并自动识别设备或系统健康状况。③远程可视化平台，搭建云计算开发环境，结合大规模并行处理等技术进行大数据存储共享、智能诊断与预警算法的分布式计算等，并通过交互式视觉表现方式表征故障规律，实现可靠的决策。

智能诊断与预警技术已广泛应用于化工、机械、电力等诸多领域。例如，基于神经网络的化工过程智能诊断与预警方法是：利用传感器采集的温度、压力、流量等过程变量的监测数据，通过神经网络的学习能力构建并表征故障征兆与故障原因之间的映射关系，然后使用训练过的神经网络模型直接从故障征兆中推断出故障原因。