田纳西-伊斯曼过程故障特性仿真

基于文献提供的部分数据,建立了田纳西-伊斯曼过程的非线性动态数学模型。重点对其中的反应器、分离器和汽提塔进行了研究,进行了故障状态下的动态特性模拟。计算结果表明,所建模型精确合理,响应特性满足故障模拟的要求。该工作为基于模型的定量故障诊断数学模型建立、诊断方法选择和后果分析等方面的研究奠定了基础。

基于CNN-LSTM-LOF的过程故障预测模型

在现代工业过程中,故障预测可以及时预测设备的潜在故障,减少事故的发生以及降低经济损失,因此故障预测对于过程系统至关重要。由于过程系统的复杂性以及运行数据集分布不均,使用正常数据集离线预测运行状态的方法没有较好的泛用性,且不太准确。针对以上问题,将卷积神经网络(CNN)与长短期记忆网络(LSTM)相结合,用于提取设备运行数据的特征,在线预测之后的运行状态;随后将预测结果送入在离线状态下训练好的局部异常因子(LOF)模型中,计算预测出时间序列的异常值;最后将异常值与离线状态下训练出的故障阈值进行比较,大于阈值则认为存在潜在故障。将模型用于田纳西-伊斯曼(TE)时间序列进行验证,并与传统的故障预测方法进行比较,实验结果表明:本文所提模型对于多故障以及单故障预测相比传统故障预测方法均具有更好的效果,可以提前1个采样窗口检测到数据异常,有应用于工业故障预测的潜力。

基于KPCA融合AdaBoost-IBOA-ELM模型的TE过程故障诊断

为了保障化工系统的安全运行和高质量生产,准确判别化工过程的故障就显得尤为重要。针对田纳西-伊斯曼(Tennessee Eastman,TE)过程故障难以区分以及神经网络等方法在故障诊断中分类准确率较低、分类不稳定等问题,提出一种优化改进极限学习机(extreme learning machine,ELM)的TE过程故障诊断模型。首先利用核主成分分析(kernel principal components analysis,KPCA)方法对TE过程数据进行降维和特征提取,然后采用改进蝴蝶算法(improved butterfly optimization algorithm,IBOA)优化ELM的权值和阈值,最后利用自适应提升(adaptive boosting,AdaBoost)算法对分类器进行集成,完成故障分类。仿真结果表明,IBOA比其他优化算法具有更好的寻优能力,改进效果显著,AdaBoost-IBOA-ELM模型能够对测试集中的不同故障进行准确分类,最后的分类准确率高达98.5%,通过和其他网络对比,进一步验证了模型的合理性和优越性。

基于mini-1D-CNN模型的TE过程故障诊断

为提升石化企业过程监测与故障诊断系统性能,满足化工过程故障诊断实时性、时效性的要求,提出一种基于过程历史数据驱动的最小一维卷积神经网络(mini-1D-CNN)的故障诊断模型。首先,通过一维卷积核学习和识别不同故障类型的数据特征,自动提取优势特征并进行故障分类;其次,通过逐步向后回归选择重要特征参数,优化模型结构。利用可实时获取的31个过程变量与操作参数,输入一维卷积神经网络(1D-CNN),监测与诊断田纳西-伊斯曼(TE)过程的主要故障。结果表明:相对于其他故障诊断模型,mini-1D-CNN模型在测试集上故障诊断率(FDR)较高,可达到96.50%;同时,mini-1D-CNN模型关注于TE过程故障诊断的重要特征参数,在降低参数量及降低训练和测试时间上具有显著优势。

基于灰狼算法优化卷积神经网络的工业过程故障诊断

针对工业过程故障诊断中数据规模的逐渐增大以及数据之间映射关系、复杂程度的增加,文中以TE过程为数据背景提出一种基于灰狼算法(Grey Wolf Optimizer,GWO)优化卷积神经网络(GWO Convolutional Neural Networks,GWO-CNN)的模型,结合GWO算法具有搜索能力强、结构清晰、容易实现等特点,寻找CNN卷积核的个数等参数的最优解,并利用所寻得的最优参数搭建GWO-CNN模型并将其应用于工业过程的故障诊断。仿真结果表明,相比传统的卷积神经网络,GWO-CNN算法能够从原始数据中提取更多故障特征,从而提升原有的故障诊断的准确率。

基于改进乌鸦算法优化SCN的TE过程故障诊断

现代化工过程变得越来越复杂,及时准确发现故障显得尤为重要。针对随机配置网络(SCN)泛化能力差、分类准确率低以及乌鸦搜索算法(CSA)寻优能力差等问题,提出了改进乌鸦算法(ICSA)优化随机配置网络的田纳西-伊斯曼(TE)过程故障诊断方法,结合ICSA算法和其它优化算法的寻优对比试验以及优化SCN网络对TE过程中不同故障的分类结果,可以得出,将所提方法应用于TE过程中,可以明显提高不同故障的分类准确率,整个测试集的分类准确率也高达97.6%,具有较好的分类效果,也更符合现代化工生产的需求。

基于RF-RFECV和PSO-SVM的化工过程故障诊断方法

针对复杂化工生产过程数据多样性、高维性以及耦合性的特点,提出一种基于交叉验证递归特征消除算法(RFECV)、粒子群优化算法(PSO),并结合随机森林(RF)和支持向量机(SVM)的故障诊断方法。首先利用RF-RFECV方法对混合运行数据进行K折交叉验证学习与重要性排序,抽取并重构故障特征信息;将预处理后的数据作为输入样本,利用PSO与序列最小优化算法(SMO)搜索超参数得到最佳SVM分类器,实现故障诊断。应用于田纳西-伊斯曼(Tennessee Eastman, TE)过程的仿真实验结果表明:RF-RFECV与PSO-SVM融合故障诊断方法泛化能力强、诊断准确率高,识别准确率可达到99.5%以上。

基于最大信息系数和深度残差图卷积的工业过程故障诊断方法

针对工业数据非线性、时变性、时空特征耦合的特点,提出一种基于最大信息系数和残差图卷积网络的工业过程故障诊断算法(MIC-RGCN)。引入最大信息系数(MIC)挖掘变量之间的相关关系,将高维变量之间的相关信息转换为空间距离信息,构建相关性矩阵作为图卷积层的邻接矩阵输入;构建改进的深度残差图卷积网络(GCN)模型对数据的时空特征进行深度融合提取并精准分类。在田纳西-伊斯曼过程和三相流过程数据集上将该算法与4种典型机器学习和深度学习算法进行对比测试。实验结果表明,该算法有效地提升了故障诊断的准确率。

基于PCA-LVQ神经网络的化工过程故障诊断

提出将学习矢量量化(LVQ)神经网络应用于化工过程的故障诊断中。LVQ算法是在有教师状态下对竞争层进行训练的一种学习算法,其网络结构简单,适用于故障诊断。当网络输入数据过大时,会导致计算复杂,计算速度缓慢,因此,采用主元分析法(PCA)对数据进行降维处理,将得到的数据作为网络的输入,再用LVQ算法对田纳西-伊斯曼(TE)过程进行故障诊断。最后,将诊断识别率与LVQ算法以及BP算法进行比较,仿真表明,采用PCA降维处理的LVQ算法在识别率上有了较大的提高。

基于AC-CNN模型的过程故障识别

针对复杂工业过程中故障变量特征提取效率低,分类数量较少且故障识别率较低等问题,提出基于非对称卷积核(asymmetric convolutions)的卷积神经网络(CNN)的工业过程故障识别模型。采取故障变量重构对故障数据进行预处理;引入非对称卷积核模型对重构后的输入故障变量进行特征提取,提高特征提取的效率;根据CNN模型改进得到具有AC架构的AC-CNN模型,识别TE(田纳西-伊斯曼)过程故障的在线测试集样本,实验结果表明,所提方法对TE过程故障数据集的识别效果明显,验证了模型的有效性和优异性。

DSC-LSTM的TE过程故障诊断

为提高化工过程的故障诊断效果,将深度可分离卷积(DSC)和长短期记忆网络(LSTM)相结合,提出基于DSC-LSTM的集合型故障诊断方法,采用时空结合的方式从两个角度提取特征进行故障诊断。首先对数据进行归一化处理后将其送入DSC网络,通过DSC提取空域特征,同时对数据进行降维;再将DSC的输出作为LSTM的输入,通过LSTM提取时域特征,然后通过全连接层(FC)进行故障诊断;最后在田纳西-伊斯曼(TE)化工过程上对该方法进行验证。结果表明,DSC-LSTM集合方法可有效地提高故障诊断的准确率指标。

基于集成KPCA的非线性工业过程状态监测

传统的KPCA(Kernel Principal Component Analysis)过程监测方法一般根据经验选取需要的核函数及一定宽度的参数,这样做是非常盲目的。同时单一KPCA模型不能对所有故障都有好的监测效果。为了解决此问题,提出基于集成KPCA的非线性工业过程状态监测方法。通过选取一系列的核函数及其参数构建不同的KPCA模型得到子模型,用贝叶斯方法将众多子模型的监测统计量转化为故障概率,分两步进行融合,得到最终监测结果。实验结果表明,该方法显著地提高了监测性能,同时减小核函数及参数选取对故障监测的影响。

基于核熵成分分析的工业过程故障诊断

针对实际工业过程数据往往具有高斯与非高斯共存、非线性的特点,及传统核主成分分析在特征提取时仅考虑变量方差最大化导致信息丢失,并且处理非高斯数据能力欠佳,因此传统核主成分在故障诊断分析中难以取得令人满意的结果的问题,提出一种核熵成分分析(kernel entropy component analysis, KECA)、余弦相似度K均值(K-means of cosine similarity, CSK)的故障诊断方法。首先将数据投影至高维空间,KECA方法根据Renyi熵大小选取投影方向,对数据进行降维;然后,基于KECA能够以角结构方式捕捉数据内部的集群结构信息,设计一种余弦相似度的K均值聚类器,对数据进行聚类并建立故障诊断模型;最后,将KECA-CSK方法应用于田纳西-伊斯曼化工过程进行仿真实验。结果表明:与核主成分聚类分析相比,KECA-CSK方法具有更好的诊断结果,验证了所提方法的优越性。

基于子空间混合相似度的过程监测与故障诊断

针对现代工业过程多变量、过程数据通常同时包含高斯性和非高斯性分布的特点,提出了一种基于混合子空间的系统性能监控与故障诊断方法。首先使用小波去噪、PCA和ICA方法来进行过程检测,然后将基于PCA特征子空间距离相似度和基于ICA子空间余弦相似度的方法结合,建立故障诊断库,计算混合相似度,确定各类故障的诊断阈值。最后对在线的数据进行监控,判断过程是否正常。当有故障发生时,利用混合子空间相似度确定故障类型。该方法可以充分利用过程数据中的高斯和非高斯信息。通过对Tennessee Eastman(TE)过程的仿真研究,验证了该方法的可行性与有效性,与变量贡献图方法相比可以更加有效地监测出故障原因。

改进的PCA方法在化工过程故障诊断中的应用研究

主元分析(PCA)方法作为一种基于信号处理的数据驱动方法,已广泛应用于工业过程故障诊断中。但由于PCA本身的缺陷,对故障类型的识别方面存在不足。为此,引入人工神经网络(ANN)方法,与PCA方法相结合,增强了故障识别能力。以田纳西伊斯曼过程为例,验证了改进后的PCA方法在化工过程故障识别和诊断中应用的有效性。

样本重构多尺度孪生卷积网络的化工过程故障检测

基于数据驱动的故障检测已成为工业过程故障检测的重要手段,但其在实际应用时受限于过程历史数据的规模,往往难以取得令人满意的检测精度。针对这一问题,提出了一种样本空间重构策略,该策略基于随机采样构造同类、异类样本对,在扩充数据规模的同时,将复杂的分类建模问题转化为样本间的相似度对比问题,降低了任务的复杂度。在此基础上,引入并改进孪生卷积神经网络(Siamese CNN)结构,提出了一种基于多尺度孪生卷积神经网络(Multi-scale Siamese CNN)的化工过程故障检测方法。田纳西-伊斯曼(TE)过程数据测试结果表明,所提算法的平均故障检测准确率达到89.66%,相对于常规数据驱动的故障检测算法提高8%以上。

基于LTSA和联合指标的非高斯过程监控方法及应用

很多实际工业过程数据都具有高维、非线性且不严格服从高斯分布等特点。为处理数据维数高且是高斯分布和非高斯分布的混合体等问题,实现高效的过程监控,提出了一种基于LTSA和联合指标的非高斯过程监控方法。首先采用局部切空间排列(LTSA)算法从正常样本数据中提取低维子流形以实现维数约减;然后基于非高斯-高斯两步策略建立统计模型并得到非高斯统计量和高斯统计量,再对其进行加权得到新的统计量以实现对过程的监控;最后将该方法应用于田纳西-伊斯曼标准测试平台和实际乙烯裂解炉的过程监控,说明了所提方法的有效性。

基于主元分析方法的化工过程故障诊断与识别

提出采用主元分析方法分析化工过程积累的数据,进而实现化工过程故障的诊断与识别。首先,通过PCA方法对正常工况数据进行训练,获得统计量T2与SPE的控制限阈值;然后计算故障工况数据的统计量,并与控制限进行比较,超过控制限阈值即判断为故障工况数据,计算故障发现率并作为故障诊断能力的评价标准;最后计算变量的统计量贡献率,识别出引起故障的主控变量。对田纳西-伊斯曼过程进行案例研究,选择正常工况数据集和6种故障模式数据集,当提取主元个数为31时,对6种故障均有很高的诊断能力,识别出的主控变量也与该故障实际的工艺扰动监测值相对应。

基于LSTM-DAE的化工故障诊断方法研究

现代化工过程愈加精密化、复杂化,使得化工过程数据呈现高度非线性、强耦合等特点,传统的故障诊断模型难以学习此类数据的有效特征表示,且无法挖掘隐含的时间序列信息。针对上述问题,提出了一种长短期记忆(long short-term memory,LSTM)网络与降噪自编码器(denoising auto-encoder,DAE)结合的LSTM-DAE化工故障诊断方法,用基于LSTM的特殊编码方式代替传统DAE模型的全连接网络编码方式,并结合高斯噪声处理和全连接网络解码层,搭建出基于LSTM-DAE的特征提取模型,最后由Softmax分类器输出故障诊断结果。该方法结合了DAE与LSTM的优点,确保了编码特征获取的有效性。使用田纳西-伊斯曼(Tennessee-Eastman,TE)过程数据设计所提方法与其他5类模型的对比实验,实验结果表明:在多故障诊断效果上,基于LSTM-DAE的化工故障诊断方法的训练集正确率达到了96.02%,测试集正确率达到了97.31%,平均误报率仅为0.65%,平均漏检率仅为3.19%,在6类模型中为最优;在单故障诊断效果上,基于LSTM-DAE的化工故障诊断方法能够提高对故障14的分辨能力,并缩短对故障18的检测延迟时间,有效降低了漏检率,表明所提方法能够在实际化工过程中进行有效的故障诊断。

基于改进的DAEN在TE过程故障诊断中的应用研究

现代化工生产过程中故障情况十分复杂,具有非线性、多种类、少标签问题,传统方法很难建立准确的诊断模型。基于深度自编码网络(DAEN),提出了一种新型智能故障诊断方法,并且添加Softmax分类器,构建了深度自编码网络诊断模型。该模型采取稀疏理论进行了改进,解决故障数据少,与正常数据不平衡问题。并且所提方法采取大量无标签样本作为训练集,进行预训练,优化模型参数,并以少量有标签样本作为测试集,进行微调。通过田纳西-伊斯曼(TE)过程仿真数据实验结果表明,相比较支持向量机(SVM)、K最近邻(KNN)等学习方法,DAEN与Softmax回归结合,得到更高的故障诊断正确率;而相比传统的DAEN诊断方法、以及基于反向传播神经网络(BPNN)的传统机器学习故障诊断方法,本文改进的DAEN诊断方法诊断精度得到明显提高。