为什么要把故障诊断单独做
化工装置普遍多变量、强耦合、非线性,一个参数漂移可能沿工艺链放大。传统单点阈值报警要么漏报、要么在工况切换时大量误报。把故障类型判别交给数据驱动模型,可以在报警的同时给出故障指向,帮助工艺与仪表人员快速定位。本文以公开的田纳西-伊斯曼过程为基准,给出一条可在本地落地的故障分类流水线。
数据基准:田纳西-伊斯曼过程
田纳西-伊斯曼过程(Tennessee Eastman Process)由 Downs 与 Vogel 于 1993 年提出,模拟一套含反应器、冷凝器、分离器、汽提塔与压缩机的化工装置,定义了 1 个正常工况与 21 类预设故障(编号 IDV1 至 IDV21),共 52 个过程变量。它长期作为过程监控与故障诊断算法的标准评测基准,开源项目 tep2py 可直接生成仿真数据。
步骤一:加载并构造监督数据
把每行样本整理为 52 个过程特征加一个故障标签 label(0 表示正常,1 至 21 对应 IDV1 至 IDV21);
按标签分层抽样切分训练集与测试集,避免少数故障类样本被稀释;
对特征做标准化,消除量纲差异对距离类模型的影响。
import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
# 载入田纳西-伊斯曼过程数据: 每行 52 个过程变量 + 故障标签 label
df = pd.read_csv('te_process.csv')
X = StandardScaler().fit_transform(df.drop(columns=['label']))
y = df['label']
X_tr, X_te, y_tr, y_te = train_test_split(
X, y, test_size=0.3, stratify=y, random_state=42)步骤二:已知故障用随机森林分类
对 21 类已知故障,训练一个多分类模型做类型判别,输出每类概率,便于按置信度决定人工复核优先级。
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report
clf = RandomForestClassifier(n_estimators=300, random_state=42)
clf.fit(X_tr, y_tr)
print(classification_report(y_te, clf.predict(X_te)))步骤三:未知故障用孤立森林兜底
基准里的 IDV16 至 IDV21 属于未知故障,模型未见过。对未标注的新故障,用仅以正常样本训练的孤立森林做异常检测,只要得分低于阈值即判为异常,交人工进一步分析。
from sklearn.ensemble import IsolationForest
iso = IsolationForest(n_estimators=200, contamination=0.1, random_state=42)
iso.fit(X_tr[y_tr == 0]) # 只用正常样本训练
score = iso.decision_function(X_te)
print('异常样本数:', int((score < iso.threshold_).sum()))提醒:故障诊断模型是辅助决策手段,最终处置仍由工艺与仪表专业人员确认;模型输出不应直接联动停车或切断,须走报警确认与人工复核流程。工况随原料与负荷漂移时,应定期用新数据重训。
参考来源
Downs J J, Vogel E F. A plant-wide industrial process control problem. Computers and Chemical Engineering, 1993, 17(3):245-255 - 田纳西-伊斯曼过程原始论文。
scikit-learn 官方文档 - 随机森林与孤立森林用户指南。
tep2py 开源项目(GitHub)- 田纳西-伊斯曼过程仿真数据生成工具。