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。     

改进的基于数据重构的KPCA故障识别方法

核主元分析(KPCA)方法相对于主元分析(PCA)方法在非线性过程监测方面具有一定的优势,但是KPCA很难找到由特征空间到原始空间的逆映射函数,这给基于KPCA的故障诊断带来了很大的障碍.为此,在KPCA故障数据重构方法的基础上,对故障识别指标进行改进.改进后的方法既能够识别单变量引起的故障,又能识别多变量引起的故障,而且减少了指标计算过程中的运算量,避免了传统故障识别方法只能实现单变量故障追溯的缺陷.将提出的故障识别方法在田纳西过程中进行了仿真研究,结果表明所提方法的有效性.     

基于ICA的工业过程监控方法及其在TEP中的应用

针对工业过程的监控,论文采用独立分量分析(ICA)方法提取过程的独立分量,并把正常工况下的独立分量构成特征子空间,将待监测的数据投影到该子空间,提出以投影系数的变化作为监控指标的监控方法.仿真应用表明独立分量分析能够提取有效的TEP状态特征,监控指标可以有效的对系统进行监控.     

基于余弦相似度的复杂网络故障检测方法及应用

提出一种基于余弦相似度的复杂网络故障检测方法。利用余弦相似度确定变量之间的相关性,得到邻接矩阵,进而构建变量之间的网络模型;结合系统的网络拓扑结构,计算相应的复杂网络度量指标,对比故障状态与无故障状态下的网络结构与度量指标的差异,确定故障源;最后利用Tennessee-Eastman（TE）过程故障检测实例,结果表明,与偏相关系数方法对比,本文所提方法能有效且更准确地检测出故障。     

基于EMICA-KRR的长输管道压力监测与泄漏定位方法

为解决长输管道压力监测过程中泄漏突发,难以实时预警并精确定位的问题,提出一种基于集成改进独立分量分析(EMICA)和核岭回归(KRR)的管道泄漏故障检测与定位方法.首先,建立基于EMICA算法的故障检测模型,提取并分离压力数据中的高斯信号和非高斯信号并构造相关统计量,实现故障信号分离与主分量选择;然后,根据EMICA模型获得的故障信号,进一步构造基于KRR算法的故障诊断模型,拟合数据得出故障信号压力变化幅值,实现泄漏信号的选择与泄漏故障的定位;最后进行TE(田纳西-伊斯曼)过程的数值仿真实验以验证算法的性能.仿真结果表明:EMICA-KRR算法拥有更良好的信号分离能力,可以准确识别泄漏故障信号并精确定位管段失效位置,克服了传统方法的低效、延时等缺点.