贾旭清, 杨 霞, 田文德, 李传坤, 刘福胜, 罗忠军, 王 辉

(1. 青岛科技大学 化工学院, 山东 青岛 266042; 2. 中国石化安全工程研究院 化学品安全控制国家重点实验室, 山东 青岛 266071; 3. 山东齐旺达集团石油化工有限公司, 山东 临淄 255400)

1 前 言

化工生产是一种涉及复杂物理变化和苛刻化学反应的过程，存在人为误操作、设备异常等引起的多种可能异常状况。如果忽视异常状况发展，轻则导致系统瘫痪，重则发生火灾、爆炸等灾难性事故，所以针对化工过程进行异常检测与识别十分必要[1]。

近年来，异常检测与识别技术快速发展，已被广泛应用于化工生产过程监控。基于数据驱动的异常检测与识别技术受到学术界的广泛关注，例如主成分分析(principal component analysis, PCA)[2-3]和k 近邻算法[4]等，但是以上方法大多是基于浅层知识，难以学习到数据的深层次特征[5]。深度学习[6-7]由于基于深层次的抽象性而拥有更好的特征表示能力，其中卷积神经网络(convolutional neural network, CNN)[8]通过卷积操作学习工艺过程的特征进而构建高精度的异常识别模型，已被成功应用于化工过程异常检测与识别工作[9-10]。异常识别方法假设源域(训练数据)和目标域(测试数据)服从同一分布[11]，因此不适用于时刻处于动态平衡的化工过程。YANG 等[12]最早提出了边缘分布自适应的方法，该方法缩短了不同域数据的边缘分布距离。SAITO 等[13]利用条件分布自适应的方法减少了不同域数据的条件分布距离。LONG等[14]提出了联合分布自适应(joint distribution adaptation, JDA)方法，同时考虑了边缘概率分布和条件概率分布。……