张敬川 田慧欣,2*

(天津工业大学 1.电气工程与自动化学院; 2.电工电能新技术天津重点实验室， 天津 300387)

引 言

随着现代化工过程愈加精密化、复杂化，其安全问题也逐渐受到重视。与其他工业过程故障相比，化工故障易引发毒气泄漏、爆炸等更大的危险事故[1]，因此，适用于现代复杂化工过程的故障诊断方法引起广泛的关注并得到不断的发展。近年来，该领域的故障诊断技术已形成了一个庞大的体系[2-5]，但由于化工过程的精确数学模型难以建立、专家经验的可移植性差等原因，基于解析模型和经验知识的方法的发展受到了极大限制；基于数据驱动的方法只需分析化工过程的历史数据即可进行有效的故障诊断，因而逐渐成为该领域的研究重点。主成分分析(PCA)、核主成分分析(KPCA)、独立成分分析(ICA)、Fisher判别分析(FDA)等多元统计方法[6-9]，以及BP神经网络(BPNN)、支持向量机(SVM)等[10-11]人工智能领域的浅层故障诊断方法均已在故障诊断领域取得了重要应用。此外,多元统计方法与BP神经网络、支持向量机相结合的故障诊断研究也取得了重要成果[12-14]。然而，这些故障诊断方法在处理高纬度、非线性、强耦合且具有时间序列信息的现代化工过程数据时，往往无法有效提取其特征，且无法分辨特征相似的故障类别，不能满足现代化工故障诊断的要求。

自编码器(auto-encoder, AE)作为一种无监督学习算法，已在现代化工故障诊断领域展现出比多元统计方法和浅层学习方法更好的诊断性能。……