基于降噪正交自编码器的TE过程故障诊断

发布时间：2020-04-13 08:51

【摘要】：随着生产技术的不断革新和系统规模的逐渐扩大,工业系统的内部结构也越来越复杂,运行过程中的任何异常都有可能带来难以预估的安全隐患和财产损失。随着工业4.0时代的来临,生产系统的各个环节都将信息数据化和高效智能化,如何有效地利用与系统相关的数据信息,对故障做出快速准确的检测是本文的研究重点。目前,传统的过程监控和故障诊断方法存在着诸多的限制:实际系统过程中的数据难以达到理想的分布状态,生产设备状态难以保持恒定,还有其他复杂因素的影响如物理环境变量、传感器测量误差等。结合上述研究背景和需求,本文在对各种故障检测与诊断方法进行调研后,主要围绕基于自编码器的故障检测算法展开研究,并对已有算法进行改进,引入了正交性限制和降噪措施,提出了改进的自编码器算法,并在该算法的基础上进行故障检测和诊断。本文以化工过程Tennessee Eastman仿真平台为实验背景,对提出的故障检测与诊断方法进行验证。本文的具体工作有:1)提出基于降噪正交自编码器的故障检测算法大型系统的故障诊断是一个非常复杂的任务,由于传统的故障诊断方法存在许多限制,只通过传统的故障检测与诊断方法的检测效果是非常有限的。针对数据本身存在的冗余和噪声,本文在自编码器的基础上引入正交性以及降噪措施,提出基于降噪正交自编码器的故障检测算法(Denoising Orthogonal Auto-Encoder,DQAE)来克服自编码器算法的缺点并且提升对关键特征的提取和学习能力。在Tennessee Eastman过程仿真实验中运用该算法进行故障检测,实验结果与传统的故障检测方法相比,有更低的误报率和漏检率,验证了该方法的有效性和优越性。2)提出基于多故障降噪正交自编码器的故障诊断算法随着系统的复杂化与大型化演变,不仅其故障带来的后果非常严重,对于故障的维修难度以及成本也非常高。实时在线的故障诊断功能对系统越来越重要,同时对故障检测与诊断的准确性和快速性的要求也越来越高。本文针对故障诊断问题,提出以DQAE算法作为特征提取子模型,针对每个故障种类训练并融合成多故障降噪正交自编码器的故障诊断算法(Multi-fault Denoising Orthogonal Auto-Encoder,MDQAE)。通过对模型输出的统计量及其阈值进行归一化,将测试数据统计量与阈值进行比较判定故障种类,从而提升故障诊断的可信度与准确度。实验结果证明,该方案对大部分故障都有较低的误报率和漏检率,同时降低了其实现的复杂度,运行时间较短,为在线进行故障诊断提供了可能性,易于在工程中的应用与普及。
【图文】：

1 研究背景及意义伴随着工业 4.0 时代的来临，为了能够满足快速更新迭代的需求，现代工系统的各个环节都将进行信息数据化和高效智能化的转变，，建立具有高度、个性化与灵活性的生态模式。与此同时，现代工业的制造流程越来越复密，运行过程中的任何异常都可能引发故障，造成无法估计的损失。近年来越多的生产环节由机械取代人力，形成自动化生产流程。虽然生产率得并且人力成本下降，但由于缺少人工的操作和监控，如果系统无法自动对行检测，无法及时察觉系统故障并采取有效的解决措施，可能会引起严重和损失。由于工艺流程的工况环境多为高温高压，化工用品通常具有易燃易爆的属此，化工行业中的重大事故尤为触目惊心。2017 年 10 月，美国 TennesseeEas学总部发生大型爆炸，经事故调查得知，事故起因是由于过量的硫化氢被空气中从而引发了大规模的爆炸。图 1-1 中即为事故发生当时现场的状况。

上海交通大学硕士学位论文能力来提高自身的安全性和可维护性。近年来，越来越多的学者投身于故障检测与诊断理论与应用领域的研究。20 世纪中期，美国麻省理工学院 Beard 教授提出了一种故障的诊断方法：通过将硬件冗余用解析冗余取代，使系统自组织闭环稳定，比较观测器的输出来获取与故障有关的信息，标志着故障检测与诊断相关研究的开端。科学技术的进步大大促进了生产系统的发展，如风力涡轮机、飞机、高速列车和机床等。图 1-2 中给出了一些常见的故障诊断系统对象。机械设备的关键部件，由于重载、高温、高速等复杂而恶劣的条件，不可避免地会产生不同程度的不同故障。传统的故障检测通常是基于系统模型的方法，面临复杂系统和环境时有很多限制。一方面，在实际环境中的物理环境变量、生产设备状态、传感器测量误差等多种因素的共同影响下，复杂的控制系统难以通过对其建立精准的物理模型进行监控。另一方面，随着物联网技术的日渐成熟，生产系统的实时状态以及工况数据(如硬件状态参数、负载和作业环境等)得以自动被采集和保存。
【学位授予单位】：上海交通大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP212;TP277;TN762

【参考文献】

相关期刊论文 前10条

1 蒋维;;基于灰色粗糙集理论的风电机组传动链智能故障诊断方法[J];电网与清洁能源;2012年12期

2 李娟;周东华;司小胜;陈茂银;徐春红;;微小故障诊断方法综述[J];控制理论与应用;2012年12期

3 郭莹;;数据空间关键问题探究[J];软件导刊;2012年07期

4 齐咏生;王普;高学金;;基于核主元分析-主元分析的的多多阶段间歇过程故障监测与诊断[J];控制理论与应用;2012年06期

5 李申林;张殷疆;张信明;;模糊理论在油料装备故障智能诊断中的应用[J];中国储运;2011年07期

6 陈秀英;;基于自学习机制的网络故障诊断专家系统研究[J];指挥信息系统与技术;2011年01期

7 李晗;萧德云;;基于数据驱动的故障诊断方法综述[J];控制与决策;2011年01期

8 赵春晖;王福利;姚远;高福荣;;基于时段的间歇过程统计建模、在线监测及质量预报[J];自动化学报;2010年03期

9 周东华;胡艳艳;;动态系统的故障诊断技术[J];自动化学报;2009年06期

10 詹玉龙;翟海龙;曾广芳;;基于支持向量机的船舶柴油机故障诊断的研究[J];中国航海;2007年02期

相关博士学位论文 前2条

1 王书舟;支持向量机方法及其应用研究[D];哈尔滨工业大学;2009年

2 王刚;基于最大非高斯估计的独立分量分析理论研究[D];国防科学技术大学;2005年

相关硕士学位论文 前1条

1 王海颖;多源数据关联与融合算法研究[D];江南大学;2016年

本文编号：2625828