冯子芸， 王治红， 戴一阳

(1.西南石油大学 化学化工学院，四川 成都 610500；2.四川大学 化学工程学院，四川 成都 610065)

化工过程的故障诊断技术是化工过程在自动化程度与日俱增情况下，保障化工行业安全运行的一个重要手段。随着化工企业硬件条件的提升和大数据技术的高速发展，化工过程的数字化、智能化发展脚步日益加速，基于数据驱动的故障诊断方法也成为研究最广、应用前景最广泛的方法。利用大量的历史数据训练诊断模型，不仅能快速地检测出故障，更能有效识别故障类别，从而可以在实际操作中指导操作员做出正确响应。

传统的基于多元统计和降维的方法，如：偏最小二乘法(Partial Least Squares，PLS)[1]和主成分分析法(Principal Component Analysis，PCA)[2]等，在故障检测的研究中表现出了良好的性能，但在故障类型的识别上表现不尽如人意。而一些基于模式识别的机器学习方法在故障检测和故障识别领域都有较好的表现，如：支持向量机(Support Vector Machine，SVM)[3]、k最小近邻(k-Nearest Neighbors，kNN)[4]、贝叶斯网络(Bayesian Network，BN)[5]和人工神经网络(Artificial Neural Networks，ANN)[6]等。随着深度学习的不断发展，深度信念网络[7](Deep Belief Network，DBN)和卷积神经网络(Convolutional Neural Networks，CNN)[8]方法在大数据条件下的故障诊断中表现出了优异的能力。

然而，化工过程现场采集到的监测数据，常因传感器故障、传输路线损坏及仪器量程溢出等原因而失真，出现数据的缺失、漂移或卡死等问题，影响故障诊断方法的准确性。因此，对存在不可靠数据的化工过程进行故障诊断研究具有重要意义。

基于数据不完整情况下的故障诊断已有不少报道。……