大型化工过程监测与故障诊断方法研究

发布时间：2017-07-20 04:18

  本文关键词：大型化工过程监测与故障诊断方法研究

  更多相关文章： 故障诊断 小波降噪 核主元分析法 概率神经网络 故障树分析

【摘要】：对于大型的化工生产过程,过程监测与故障诊断是保障安全生产的一个重要环节。本文提出一个基于核主元分析(Kernel Principal Component Analysis,KPCA)、概率神经网络(Probabilistic Neural Network,PNN)和故障树分析(Fault Tree Analysis,FTA)的过程监测和故障诊断方法。首先,建立小波降噪(Wavelet Denoising,WD)与KPCA结合的过程监测方法(WDKPCA),通过对系统运行时采集的数据进行小波降噪,提高过程监测数据的质量,利用降噪后的数据建立KPCA模型,通过计算得、SPE数据及其控制限的数据,实现对系统过程状态的监测。以田纳西—伊斯曼过程(Tennessee Eastman Process,TEP)中4种不同类型的故障作为实例进行验证,结果表明当小波降噪与核主元分析法相结合时,能够大幅提升在线故障监测的效率,及时诊断出故障的发生。然后,针对核主元分析法不能进行故障识别这一不足,提出了基于模糊C均值聚类(Fuzzy C-Means Algorithm,FCM)的概率神经网络故障诊断方法。概率神经网络在故障种类少的情况下,诊断正确率非常高。但是,当神经网络面对大样本数据时,诊断正确率下降,为提高训练样本的质量,对训练神经网络的样本数据进行模糊C均值聚类处理,从而去除冗余样本,提高神经网络的训练效率。实例分析结果表明,在对样本数据去冗余后,神经网络的训练时间减少,故障诊断正确率提升明显。最后对系统重要部件的故障建立故障树,通过故障树分析出系统的薄弱环节,辨识出故障模式,预先优化生产过程,消除故障隐患,从而降低故障发生的概率;当概率神经网络诊断失败或结果不理想时,通过分析建立好的故障树,可及时找出故障的根本原因,进而采取有效措施,避免更大的事故发生。
【关键词】：故障诊断 小波降噪 核主元分析法 概率神经网络 故障树分析
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TQ086
【目录】：

• 摘要5-6
• ABSTRACT6-11
• 第1章 绪论11-17
• 1.1 课题来源、背景及研究目的和意义11-12
• 1.2 过程故障诊断技术概述12-16
• 1.2.1 故障及其分类12
• 1.2.2 故障诊断的步骤12-13
• 1.2.3 故障诊断方法的分类13-16
• 1.3 本文研究内容16-17
• 第2章 基于小波理论和核主元分析的故障监测方法17-33
• 2.1 引言17
• 2.2 小波分析理论基础17-20
• 2.2.1 小波分析的定义17-18
• 2.2.2 离散小波函数和二进小波变换18-20
• 2.3 信号的小波降噪20-23
• 2.3.1 信号的噪声模型与小波降噪原理20
• 2.3.2 小波降噪的步骤与方法20-21
• 2.3.3 母小波的选择21
• 2.3.4 小波阈值降噪的方法21-23
• 2.4 主元分析23-28
• 2.4.1 主元分析原理24
• 2.4.2 核主元分析原理24-27
• 2.4.3 主元数目的确定27
• 2.4.4 核函数的选择27-28
• 2.5 基于核主元分析的故障检测方法28-30
• 2.5.1 T~2统计量28-29
• 2.5.2 SPE统计量29-30
• 2.5.3 统计量监测结果分析30
• 2.6 小波降噪与核主元分析法故障检测的具体步骤30-32
• 2.7 本章小结32-33
• 第3章 基于小波降噪与核主元分析法的应用33-47
• 3.1 引言33
• 3.2 田纳西—伊斯曼过程简介33-37
• 3.2.1 TE过程的工艺流程33-34
• 3.2.2 TE过程中的测量变量和操作变量34-37
• 3.2.3 TE过程故障类型37
• 3.3 小波去噪37-40
• 3.3.1 母函数的选择37-39
• 3.3.2 阈值规则的选择39
• 3.3.3 阈值函数的选择39-40
• 3.4 WDKPCA与KPCA的过程监测方法对比40-46
• 3.5 本章小结46-47
• 第4章 基于概率神经网络的故障识别方法47-64
• 4.1 引言47
• 4.2 人工神经网络47
• 4.3 概率神经网络47-51
• 4.3.1 概率神经网络的结构48-49
• 4.3.2 模式识别的Bayes判决准则49-50
• 4.3.3 概率神经网络的数学描述50
• 4.3.4 概率神经网络的特点50
• 4.3.5 基于概率神经网络故障识别50-51
• 4.4 基于概率神经网络故障识别的应用实例51-57
• 4.4.1 数据的采集和预处理51-52
• 4.4.2 Matlab仿真及诊断结果52-57
• 4.5 聚类算法57-62
• 4.5.1 聚类方法的分类57
• 4.5.2 基于目标函数的聚类分析方法57-60
• 4.5.3 FCM算法的应用60-62
• 4.6 本章小结62-64
• 第5章 故障树分析法64-74
• 5.1 引言64
• 5.2 故障树分析法概述64-68
• 5.2.1 故障树的应用和特点64-65
• 5.2.2 故障树分析的符号及含义65-66
• 5.2.3 故障树分析法的数学表示66-68
• 5.3 故障树的建立68
• 5.4 故障树的定性分析68-70
• 5.4.1 割集及最小割集的定义69-70
• 5.5 故障树实例分析70-73
• 5.5.1 故障树的建立70-73
• 5.5.2 故障树定性分析73
• 5.6 本章小结73-74
• 结论74-76
• 参考文献76-80
• 攻读硕士学位期间承担的科研任务与主要成果80-81
• 致谢81

【相似文献】

中国期刊全文数据库 前10条

1 赵众,金以慧,周东华;生产过程监测的多尺度定性特征因果推理方法[J];化工学报;2000年06期

2 李秀喜;钱宇;江燕斌;;基于数据分析的化工过程监测[J];计算机与应用化学;2004年04期

3 陈旭,雍克岚;分析技术在生物发酵过程监测中的应用[J];上海大学学报(自然科学版);2000年02期

4 浦学锋,B.卡浦谢夫斯基;平面磨削时表层质量过程监测参教的实验研究(1)——磨削表层金相组织状态及烧伤的过程监测和预报[J];南京航空航天大学学报;1991年03期

5 赵众,顾幸生,蒋慰孙;用于动态过程监测的非线性PLS小波神经网络[J];华东理工大学学报;1998年04期

6 王江萍;王怡;鲍泽富;;钻井过程监测与实时故障诊断综述[J];石油矿场机械;2006年06期

7 王海清,宋执环,李平;改进PCA及其在过程监测与故障诊断中的应用[J];化工学报;2001年06期

8 浦学锋,B.卡浦谢夫斯基;平面磨削时表层质量过程监测参数的实验研究(2)——磨削表层应力状态的过程监测和预报[J];南京航空航天大学学报;1991年03期

9 赵众,蒋慰孙,顾幸生;基于非线性PLS小波基神经网络的动态过程监测[J];化工学报;1998年03期

10 左文贵;彭振斌;易小华;陈乐求;;软土地基处理过程监测及效果检测对比分析[J];矿冶工程;2006年02期

中国重要会议论文全文数据库 前3条

1 张建中;;基于光纤光栅的液-固相变过程监测[A];中国光学学会2011年学术大会摘要集[C];2011年

2 张树誉;李星敏;李登科;景毅刚;;MODIS资料在2005年陕西春旱过程监测中的应用[A];第十五届全国遥感技术学术交流会论文摘要集[C];2005年

3 沈雁彬;刘钝;金砺;罗尧治;;杭州铁路东站站房结构施工过程监测研究[A];第十四届空间结构学术会议论文集[C];2012年

中国博士学位论文全文数据库 前7条

1 姜庆超;基于信息富集与特征选择的多元统计化工过程监测研究[D];华东理工大学;2015年

2 童楚东;基于特征提取与信息融合的工业过程监测研究[D];华东理工大学;2015年

3 王海清;工业过程监测：基于小波和统计学的方法[D];浙江大学;2001年

4 姚志湘;过程系统状态空间统计模型和化工过程监测[D];华南理工大学;2003年

5 李成;基于提升小波的数据处理及过程监测研究[D];浙江大学;2005年

6 张黎;过程监测与调整的理论和方法研究[D];西北工业大学;2006年

7 谢锋云;基于广义区间的加工过程监测中不确定性研究[D];华中科技大学;2014年

中国硕士学位论文全文数据库 前10条

1 陈曦;基于高斯伯努利受限玻尔兹曼机的过程监测研究[D];浙江大学;2016年

2 陈新如;基于线性动态系统模型的过程监测研究[D];浙江大学;2016年

3 薛田甜;加热炉建模及基于过程监测反馈的模型在线校正[D];东北大学;2014年

4 孔繁欣;大型化工过程监测与故障诊断方法研究[D];燕山大学;2016年

5 熊海霞;基于基因表达式编程的化工过程监测[D];华南理工大学;2010年

6 袁延江;基于流程模拟的化工过程监测技术在分离过程中的应用[D];华南理工大学;2015年

7 张淑美;基于数据分布特性的多变量过程监测及故障诊断[D];东北大学;2011年

8 刘瑛;信息熵在多尺度过程监测中的应用研究[D];北京化工大学;2010年

9 张文思;基于多传感器的切削过程监测与优化应用研究[D];东华大学;2007年

10 徐磊;基于混合PCA模型的多工况过程统计监测研究[D];浙江大学;2010年

，

本文编号：566239