發(fā)布時間：2020-12-07 13:05

　　化工過程安全一直以來是化學工業(yè)中尤為重要的問題之一,故障檢測與診斷作為化工異常工況管理最常用的工具,給過程安全提供了保障。由于現(xiàn)代化工過程具有復雜性、非線性、高噪聲、非高斯分布等特性使得傳統(tǒng)的化工過程故障檢測方法并不表現(xiàn)出優(yōu)良的診斷性能,尤其是對于某些微小擾動性的故障檢測性能表現(xiàn)不佳。隨著深度神經(jīng)網(wǎng)絡技術(shù)的發(fā)展,很多深度學習算法已經(jīng)被提出,然而這些算法卻很少被應用于化工過程故障診斷。深度神經(jīng)網(wǎng)絡是一種強大的特征學習工具,由于其較淺層神經(jīng)網(wǎng)絡而言能夠更為深度地挖掘原始數(shù)據(jù)中所隱含的信息,因此應用到化工過程的故障檢測與診斷是一種新思路。本文首先考慮了復雜化工過程的嚴重非線性,開發(fā)出了基于稀疏過濾特征學習的化工過程故障檢測方法。該方法通過稀疏過濾無監(jiān)督學習,從化工過程原始數(shù)據(jù)中自適應地以無監(jiān)督方式學習出特征,然后將特征輸入到邏輯回歸模型,以有監(jiān)督的方式對過程運行狀態(tài)進行分類。TE過程案例研究結(jié)果表明,該方法具有良好的診斷性能,可以及時有效地診斷出故障。同時為了進一步提高故障檢測的性能,針對化工過程的非線性、高噪聲特性,本文又開發(fā)了一種基于粒子群優(yōu)化的棧式降噪稀疏自動編碼機的化工過程故障檢測方... 

【文章來源】：華南理工大學廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：102 頁

【學位級別】：碩士

【部分圖文】：

化學工業(yè)發(fā)展的四個階段Fig.1-1Fourdevelopmentstagesofchemicalindustry.

新的多路獨立分量分析(MICA)混合模型，并將其應用于間歇過程故障檢測與診斷，所提出的方法能夠檢測不同階段的異常工況事件并具有較高的診斷率。圖1-3 間歇過程數(shù)據(jù)的處理方法Fig.1-3 Arrangement method of batch processes data .1.3.4 神經(jīng)網(wǎng)絡方法的改進人工神經(jīng)網(wǎng)絡(Artificial Neural Network，ANN)，是一種仿生物學的信息處理模型。ANN一般需要通過調(diào)整神經(jīng)元之間相互連接的權(quán)重值，獲取神經(jīng)元的激活值，從而構(gòu)建出對信息的知識抽取模型。ANN具有較好的非線性映射能力、自組織能力，人工神經(jīng)網(wǎng)絡已經(jīng)成為人工智能領域研究的重要課題之一。神經(jīng)網(wǎng)絡應用到故障診斷方法主要有三方面：從特征分類的角度應用神經(jīng)網(wǎng)絡作為分類器，從而進行故障診斷；從預測角度將神經(jīng)網(wǎng)絡作為預測模型進行故障預測；將神經(jīng)網(wǎng)絡結(jié)合其他方法進行故障診斷[10]。例如，Kramer[50]開發(fā)了一種基于自動關聯(lián)神經(jīng)網(wǎng)絡PCA的非線性方法，該方法可以進行非線性降維原始數(shù)據(jù)

第二章 基于稀疏過濾特征學習的化工故障檢測方法標準差。圖 2-4 給出了不同特征數(shù)量下訓練平均故障檢出率、測試平均故障檢出率、總耗時的變化趨勢，圖 2-5 給出了不同特征數(shù)量下訓練平均誤報率、測試平均誤報率、總耗時的變化趨勢�？偤臅r包括離線訓練時間和在線測試時間(計算機配置為Intel Corei5-4750 CPU 和 4G RAM)。從圖 2-4 中可以看出，隨著特征數(shù)量的增大，其測試平均故障檢出率和訓練平均故障檢出率均先增大后保持平穩(wěn)，說明該方法具有一定的故障檢出極限能力，同時，隨著特征數(shù)量的增大，總運行時間也不斷增大。從圖 2-5 可以看出，隨著特征數(shù)量的增大，測試平均誤報率和訓練平均誤報率先逐漸降低后趨于平穩(wěn)，相應的標準偏差也越來越小。為了使方法性能更優(yōu)，即FDR較高、FAR較低、總耗時較短、穩(wěn)定性好，本文針對TE過程選擇L=200 作為學習的特征數(shù)量。在該特征數(shù)量下，測試樣本的平均故障檢出率為 72.10%，平均誤報率為 4.77%，標準偏差為 0.38%，總耗時為1328.4s，由于計算過程涉及迭代且計算平臺性能一般，因此運行時間較長。

【參考文獻】：
期刊論文
[1]化工過程深度神經(jīng)網(wǎng)絡軟測量的結(jié)構(gòu)與參數(shù)自動調(diào)整方法[J]. 王康成,尚超,柯文思,江永亨,黃德先.  化工學報. 2018(03)
[2]化工安全事故的常見原因分析及預防措施[J]. 楊丹丹,馬立強.  石化技術(shù). 2017(03)
[3]深度學習方法研究新進展[J]. 劉帥師,程曦,郭文燕,陳奇.  智能系統(tǒng)學報. 2016(05)
[4]化學工業(yè)4.0新范式及其關鍵技術(shù)[J]. 吉旭,許娟娟,衛(wèi)柯丞,唐盛偉.  高�；瘜W工程學報. 2015(05)
[5]基于深度學習理論的機械裝備大數(shù)據(jù)健康監(jiān)測方法[J]. 雷亞國,賈峰,周昕,林京.  機械工程學報. 2015(21)
[6]深度學習研究進展[J]. 郭麗麗,丁世飛.  計算機科學. 2015(05)
[7]粒子群優(yōu)化算法的發(fā)展研究[J]. 黃文秀.  軟件. 2014(04)
[8]深度學習研究進展[J]. 劉建偉,劉媛,羅雄麟.  計算機應用研究. 2014(07)
[9]環(huán)己酮生產(chǎn)工藝過程安全性分析[J]. 郭凡,袁東明,於孝春.  化學工程與裝備. 2014(01)
[10]我國燃氣管道風險評估及現(xiàn)狀[J]. 陳建中.  安全. 2013(06)

碩士論文
[1]基于流程模擬的化工過程監(jiān)測技術(shù)在分離過程中的應用[D]. 袁延江.華南理工大學 2015
[2]基于最小熵損的環(huán)己烷氧化過程監(jiān)控技術(shù)開發(fā)[D]. 康德禮.華南理工大學 2014
[3]定性趨勢分析及其在化工過程中的應用[D]. 王慧.華南理工大學 2011



本文編號：2903309