基于DSC-BiGRU的化工过程故障诊断

针对化工过程数据具有动态时序性以及少数故障特征不明显难以进行故障诊断问题,本文将深度可分离卷积(DSC)和双向门控循环单元(BiGRU)相结合,提出基于DSC-BiGRU的集合型故障诊断方法。首先,对数据进行归一化处理并输入DSC网络提取空域特征,并将数据降维;再将DSC的输出作为BiGRU的输入,通过BiGRU从两个方向提取时域特征;最后,通过全连接层(FC)进行故障诊断。经田纳西-伊士曼(TE)过程验证,该方法较传统方法能够有效提升化工过程的故障诊断精度。

基于t分布随机邻域嵌入算法的工业过程故障分类

针对在工业过程中数据普遍存在的非线性特性,基于数据的局部相关关系对分类的影响,提出一种基于t分布随机邻域嵌入(t-SNE)的数据特征提取和故障分类方法。利用t-SNE算法非线性、非参数降维的优势,与费舍判别分析(FDA)、支持向量机(SVM)分类器相结合建立故障分类模型。利用t-SNE算法对故障数据进行非线性特征提取,获取数据的关键区分特征。用FDA和SVM算法实现故障分类和识别。通过田纳西-伊士曼(TE)过程获得的实验数据进行实验仿真分析,并分别与基于核主元分析法(KPCA)、拉普拉斯特征映射(LE)构建的KPCA-FDA、LE-FDA、KPCA-SVM、LE-SVM 4种故障分类模型进行比较。定量评估结果表明:即使基于不同分类器,相较于其他2种方法,该文方法的分类准确率分别提升了2%和7%,且其平均分类准确率能保持在97%以上。

基于总体平均经验模态分解残差的故障诊断方法

为了提高化工过程故障诊断的效率,基于残差对故障状态具有敏感性以及经验模态分解(EMD)无需建模仅依据输入输出数据分析的优势,提出了一种基于总体平均经验模态分解(EEMD)残差进行故障诊断的新方法。基于历史数据的6σ控制图,确定残差的故障诊断控制限。利用在线实时数据采用贝叶斯信息准则在线确定EEMD的移动窗口。基于移动窗口的采样数据,在线获得EEMD残差最大值的变化,结合相应的故障诊断控制限在线诊断故障并确定故障发生时间及原因。该文方法与传统的希尔伯特谱分析方法相比,具有可在线诊断故障的优势,提高了故障诊断的准确率。将该文方法用于田纳西-伊士曼(TE)过程的故障在线诊断,验证了其有效性。

改进的网格搜索算法在SVM故障诊断中的应用

针对网格搜索法在支持向量机参数寻优时存在复杂度高、运算量大等不足,提出了一种改进的网格搜索SVM分类器的最佳参数选择算法,并将其应用于田纳西-伊士曼过程。实验表明,与改进前的算法相比,改进的网格搜索SVM分类器参数选择算法可以有效地减少SVM分类器的运算量、改进学习性能并提高识别率。

基于ELSTM的集合型故障诊断方法研究

智能的故障诊断技术是处理工业大数据的一种有效方法,该技术能够快速、高效地处理原始数据并提供准确的诊断结果。为更好提取出数据的有效信息,针对化工数据的时序性和高维非线性的特点,本文提出一种基于扩展长短期记忆网络(LSTM)的集合型故障诊断方法(ELSTM)。先用LSTM处理数据得到包含原始数据时空信息的隐层输出,然后利用卷积神经网络(CNN)从多维数据中提取特征的能力,先用1D卷积提取每一个时间序列内部的局部特征,再用2D卷积提取相邻时间序列之间存在的相互依赖特征,最终将提取的特征数据经过全连接层,得到分类结果。将ELSTM用于复杂系统的田纳西-伊士曼过程(TE),实验结果表明,所用方法比标准的LSTM网络、自编码(autoencoder)具有更高的识别准确率。