基于LSTM和动态模型的化工过程混合故障诊断

发布时间：2020-06-19 13:39

【摘要】：为保证化工装置的安全运行,需要对化工装置进行故障识别和诊断,尽早地发现设备的故障征兆和劣化趋势,以便采取针对性的措施消除事故隐患。单一故障诊断方法面对复杂的化工过程难以准确定位和分析故障原因,诊断精度和速度都不易满足工业要求。因此,多方法结合实现对化工装置的故障诊断十分必要。本文以田纳西-伊斯曼(Tennessee Eastman,TE)过程和某工业催化裂化仿真流程为例,将长短期记忆网络(Long Short Term Memory Network,LSTM)和动态模型相结合,建立了一种数据与模型混合的故障诊断方法,实现了对化工装置的故障识别和故障参数分析。化工装置是一种复杂的非线性动态系统,变量多,特征变量难以选择。本文首先结合物料衡算和能量衡算等方程,建立了化工装置的动态模拟系统。在装置当前状态偏离正常状态时,开始故障诊断。首先,利用非线性降维的t-分布邻域嵌入(t-distributed Stochastic Neighbor Embedding,t-SNE)算法对多个变量组成的高维数据集进行降维。将降维后的数据划分为训练集、验证集和测试集,输入到LSTM中进行训练和测试,实现故障的识别。然后,结合最小二乘法(Least Squares,LSQ)实现对异常状态关键故障参数的反演,并通过偏最小二乘法(Partial Least Squares,PLS)拟合系统输出和故障参数之间的关系,直接计算并分析故障参数。因为PLS无需迭代计算,所以用PLS替代LSQ,可以加快运算速度,节省运算时间。应用结果表明,该混合方法可以准确地识别故障和分析故障参数,实现故障原因的定位和参数发展趋势的分析。具体地,在TE过程9种故障的5次重复识别试验中,故障识别准确率最高达到了97.6%,平均准确率为94%,说明LSTM网络可以对TE过程的故障状态进行高精度识别。以故障8为例,经过优化后的反演方法,在分析故障参数时,函数估计数减少了92.31%,运行速度提高了约13倍,证明了该方法的有效性。
【学位授予单位】：青岛科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TQ050.7

【参考文献】