袁 壮

(中国石化青岛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 266104)

0 前言

故障诊断能有效检测、识别和预示连续运行设备的状态，避免故障带来的伤亡或损失。随着石化设备的大型化、复杂化和信息化，非线性和不确定性激增，难以建立解析模型以辨识和定位异常。构建诊断规则库所需的专业知识也更为高深，存在获取和表达瓶颈；此外，设备时刻产生大量反映其运行状态的监测数据，如何利用这些数据满足日益提升的可靠性需求成为亟待解决的新课题。

智能诊断从正常和故障数据出发，运用机器学习建立测量特征与故障模式之间的映射模型，实现更加精准和智能的模式识别。常用的机器学习算法，如BP神经网络(Back Propagation Neural Network, BPNN)、支持向量机(Support Vector Machine, SVM)和深度神经网络(Deep Neural Network, DNN)等均有不俗效果。

上述算法的优异性能多建立在可用故障样本充足的基础上。而实际工业环境中，设备长期正常运行，故障频次较低，加之样本标注代价高昂，致使监测数据呈现出小样本不均衡特性。受制于有限的标签样本，模型训练不足，泛化能力有限，无法辨识极少样本或没有样本的故障。因此，智能诊断多在模拟实验下开展，工程应用较少，且面临准确率低、漏报误报等难题。针对小样本困境，部分学者引入迁移学习：沈飞等构造迁移分类器，用于变转速、变负载的电机故障诊断；陈超等基于辅助集提出样本不足时的迁移诊断算法；基于深度迁移网络的跨工况诊断也在轴承和齿轮箱上加以验证。……