基于DMFA与深度学习的化工过程多工况异常识别

发布时间：2021-08-09 23:18

　　为了解决动态变化过程数据随设备参数变化而服从不同分布的问题,提出了一种基于深层化工机理和自适应方法的多工况深层机理特征自适应（deep mechanism feature adaptation, DMFA）与深度学习的异常识别方法。首先,建立了工艺的物料衡算和热量衡算方程。其次,卷积操作抽取了工艺的机理特征表示。然后,自适应了源域（训练数据）和目标域（测试数据）的深层机理特征分布。最后,基于深度学习实现了无监督目标域的异常识别。由于DMFA在学习工艺机理时,使模型得到了紧致的机理特征表示,适配了工艺过程的设备参数变化,所以DMFA可以有效解决欠拟合、过拟合以及欠适配问题。脱丙烷精馏过程的应用表明,该方法能够有效识别精馏过程多工况,其异常识别的平均F1分数达到了99.87%。 

【文章来源】：高校化学工程学报. 2020,34(04)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

基于DMFA-DCNN的异常识别模型Fig.1AnomalyidentificationmodelbasedonDMFA-DCNN函数映射(式(4))

t获得新数据表示，具体如式(5)和(6)所示。stst2stst,stTT11min(,)minijijxxDPPxxnmAAXXAA(5)st()t2st()s()t,1stTT11min(,)minijCijcccxxDQQxxnmccAAXXAA()s(6)其中，D(x)代表最大均值距离；ns代表源域样本数；Xs代表源域样本矩阵；mt代表目标域样本数；Xt代表目标域样本矩阵；C代表类别数。DMFA-DCNN方法分为2个阶段：离线训练阶段和在线识别阶段，如图1所示。第1阶段是离线训练阶段，主要实现步骤如下：(1)根据历史运行数据建立研究对象的物料衡算方程和热量衡算方程，从而确定式(1)中各实体值；(2)通过卷积(式(2))、池化(式(3))和非线性激活函数映射(式(4))等操作层层抽取物料衡算方程和热量衡算方程各项实体值特征；(3)将抽取的特征划分为源域和目标域；(4)同时适配源域和目标域的P(式(5))和Q(式(6))，以获得最小化MMD时的As和At；(5)通过As和At将源域和目标域变换为新源域和新目标域；(6)定义DCNN的超参数。(7)为有效测试模型的泛化性，新目标域仅用于测试识别模型，新源域用于训练识别模型。若模型达到最佳性能则保存模型，否则重新调整模型超参数。第2阶段是在线识别阶段。该阶段实时获取化工过程的运行数据，采用建立的DMFA-DCNN模型实时识别过程数据状态。图1基于DMFA-DCNN的异常识别模型Fig.1AnomalyidentificationmodelbasedonDMFA-DCNN

AAXXAA(5)st()t2st()s()t,1stTT11min(,)minijCijcccxxDQQxxnmccAAXXAA()s(6)其中，D(x)代表最大均值距离；ns代表源域样本数；Xs代表源域样本矩阵；mt代表目标域样本数；Xt代表目标域样本矩阵；C代表类别数。DMFA-DCNN方法分为2个阶段：离线训练阶段和在线识别阶段，如图1所示。第1阶段是离线训练阶段，主要实现步骤如下：(1)根据历史运行数据建立研究对象的物料衡算方程和热量衡算方程，从而确定式(1)中各实体值；(2)通过卷积(式(2))、池化(式(3))和非线性激活函数映射(式(4))等操作层层抽取物料衡算方程和热量衡算方程各项实体值特征；(3)将抽取的特征划分为源域和目标域；(4)同时适配源域和目标域的P(式(5))和Q(式(6))，以获得最小化MMD时的As和At；(5)通过As和At将源域和目标域变换为新源域和新目标域；(6)定义DCNN的超参数。(7)为有效测试模型的泛化性，新目标域仅用于测试识别模型，新源域用于训练识别模型。若模型达到最佳性能则保存模型，否则重新调整模型超参数。第2阶段是在线识别阶段。该阶段实时获取化工过程的运行数据，采用建立的DMFA-DCNN模型实时识别过程数据状态。图1基于DMFA-DCNN的异常识别模型Fig.1AnomalyidentificationmodelbasedonDMFA-DCNN


本文编号：3332973