基于深度神经网络的复杂化工过程故障检测研究
发布时间：2020-12-07 13:05
化工过程安全一直以来是化学工业中尤为重要的问题之一,故障检测与诊断作为化工异常工况管理最常用的工具,给过程安全提供了保障。由于现代化工过程具有复杂性、非线性、高噪声、非高斯分布等特性使得传统的化工过程故障检测方法并不表现出优良的诊断性能,尤其是对于某些微小扰动性的故障检测性能表现不佳。随着深度神经网络技术的发展,很多深度学习算法已经被提出,然而这些算法却很少被应用于化工过程故障诊断。深度神经网络是一种强大的特征学习工具,由于其较浅层神经网络而言能够更为深度地挖掘原始数据中所隐含的信息,因此应用到化工过程的故障检测与诊断是一种新思路。本文首先考虑了复杂化工过程的严重非线性,开发出了基于稀疏过滤特征学习的化工过程故障检测方法。该方法通过稀疏过滤无监督学习,从化工过程原始数据中自适应地以无监督方式学习出特征,然后将特征输入到逻辑回归模型,以有监督的方式对过程运行状态进行分类。TE过程案例研究结果表明,该方法具有良好的诊断性能,可以及时有效地诊断出故障。同时为了进一步提高故障检测的性能,针对化工过程的非线性、高噪声特性,本文又开发了一种基于粒子群优化的栈式降噪稀疏自动编码机的化工过程故障检测方...
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：102 页
【学位级别】：硕士
【部分图文】：
化学工业发展的四个阶段Fig.1-1Fourdevelopmentstagesofchemicalindustry.
新的多路独立分量分析(MICA)混合模型，并将其应用于间歇过程故障检测与诊断，所提出的方法能够检测不同阶段的异常工况事件并具有较高的诊断率。图1-3 间歇过程数据的处理方法Fig.1-3 Arrangement method of batch processes data .1.3.4 神经网络方法的改进人工神经网络(Artificial Neural Network，ANN)，是一种仿生物学的信息处理模型。ANN一般需要通过调整神经元之间相互连接的权重值，获取神经元的激活值，从而构建出对信息的知识抽取模型。ANN具有较好的非线性映射能力、自组织能力，人工神经网络已经成为人工智能领域研究的重要课题之一。神经网络应用到故障诊断方法主要有三方面：从特征分类的角度应用神经网络作为分类器，从而进行故障诊断；从预测角度将神经网络作为预测模型进行故障预测；将神经网络结合其他方法进行故障诊断[10]。例如，Kramer[50]开发了一种基于自动关联神经网络PCA的非线性方法，该方法可以进行非线性降维原始数据
第二章 基于稀疏过滤特征学习的化工故障检测方法标准差。图 2-4 给出了不同特征数量下训练平均故障检出率、测试平均故障检出率、总耗时的变化趋势，图 2-5 给出了不同特征数量下训练平均误报率、测试平均误报率、总耗时的变化趋势。总耗时包括离线训练时间和在线测试时间(计算机配置为Intel Corei5-4750 CPU 和 4G RAM)。从图 2-4 中可以看出，随着特征数量的增大，其测试平均故障检出率和训练平均故障检出率均先增大后保持平稳，说明该方法具有一定的故障检出极限能力，同时，随着特征数量的增大，总运行时间也不断增大。从图 2-5 可以看出，随着特征数量的增大，测试平均误报率和训练平均误报率先逐渐降低后趋于平稳，相应的标准偏差也越来越小。为了使方法性能更优，即FDR较高、FAR较低、总耗时较短、稳定性好，本文针对TE过程选择L=200 作为学习的特征数量。在该特征数量下，测试样本的平均故障检出率为 72.10%，平均误报率为 4.77%，标准偏差为 0.38%，总耗时为1328.4s，由于计算过程涉及迭代且计算平台性能一般，因此运行时间较长。
【参考文献】：
期刊论文
[1]化工过程深度神经网络软测量的结构与参数自动调整方法[J]. 王康成,尚超,柯文思,江永亨,黄德先. 化工学报. 2018(03)
[2]化工安全事故的常见原因分析及预防措施[J]. 杨丹丹,马立强. 石化技术. 2017(03)
[3]深度学习方法研究新进展[J]. 刘帅师,程曦,郭文燕,陈奇. 智能系统学报. 2016(05)
[4]化学工业4.0新范式及其关键技术[J]. 吉旭,许娟娟,卫柯丞,唐盛伟. 高校化学工程学报. 2015(05)
[5]基于深度学习理论的机械装备大数据健康监测方法[J]. 雷亚国,贾峰,周昕,林京. 机械工程学报. 2015(21)
[6]深度学习研究进展[J]. 郭丽丽,丁世飞. 计算机科学. 2015(05)
[7]粒子群优化算法的发展研究[J]. 黄文秀. 软件. 2014(04)
[8]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机应用研究. 2014(07)
[9]环己酮生产工艺过程安全性分析[J]. 郭凡,袁东明,於孝春. 化学工程与装备. 2014(01)
[10]我国燃气管道风险评估及现状[J]. 陈建中. 安全. 2013(06)
硕士论文
[1]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]. 袁延江.华南理工大学 2015
[2]基于最小熵损的环己烷氧化过程监控技术开发[D]. 康德礼.华南理工大学 2014
[3]定性趋势分析及其在化工过程中的应用[D]. 王慧.华南理工大学 2011
本文编号：2903309
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：102 页
【学位级别】：硕士
【部分图文】：
化学工业发展的四个阶段Fig.1-1Fourdevelopmentstagesofchemicalindustry.
新的多路独立分量分析(MICA)混合模型，并将其应用于间歇过程故障检测与诊断，所提出的方法能够检测不同阶段的异常工况事件并具有较高的诊断率。图1-3 间歇过程数据的处理方法Fig.1-3 Arrangement method of batch processes data .1.3.4 神经网络方法的改进人工神经网络(Artificial Neural Network，ANN)，是一种仿生物学的信息处理模型。ANN一般需要通过调整神经元之间相互连接的权重值，获取神经元的激活值，从而构建出对信息的知识抽取模型。ANN具有较好的非线性映射能力、自组织能力，人工神经网络已经成为人工智能领域研究的重要课题之一。神经网络应用到故障诊断方法主要有三方面：从特征分类的角度应用神经网络作为分类器，从而进行故障诊断；从预测角度将神经网络作为预测模型进行故障预测；将神经网络结合其他方法进行故障诊断[10]。例如，Kramer[50]开发了一种基于自动关联神经网络PCA的非线性方法，该方法可以进行非线性降维原始数据
第二章 基于稀疏过滤特征学习的化工故障检测方法标准差。图 2-4 给出了不同特征数量下训练平均故障检出率、测试平均故障检出率、总耗时的变化趋势，图 2-5 给出了不同特征数量下训练平均误报率、测试平均误报率、总耗时的变化趋势。总耗时包括离线训练时间和在线测试时间(计算机配置为Intel Corei5-4750 CPU 和 4G RAM)。从图 2-4 中可以看出，随着特征数量的增大，其测试平均故障检出率和训练平均故障检出率均先增大后保持平稳，说明该方法具有一定的故障检出极限能力，同时，随着特征数量的增大，总运行时间也不断增大。从图 2-5 可以看出，随着特征数量的增大，测试平均误报率和训练平均误报率先逐渐降低后趋于平稳，相应的标准偏差也越来越小。为了使方法性能更优，即FDR较高、FAR较低、总耗时较短、稳定性好，本文针对TE过程选择L=200 作为学习的特征数量。在该特征数量下，测试样本的平均故障检出率为 72.10%，平均误报率为 4.77%，标准偏差为 0.38%，总耗时为1328.4s，由于计算过程涉及迭代且计算平台性能一般，因此运行时间较长。
【参考文献】：
期刊论文
[1]化工过程深度神经网络软测量的结构与参数自动调整方法[J]. 王康成,尚超,柯文思,江永亨,黄德先. 化工学报. 2018(03)
[2]化工安全事故的常见原因分析及预防措施[J]. 杨丹丹,马立强. 石化技术. 2017(03)
[3]深度学习方法研究新进展[J]. 刘帅师,程曦,郭文燕,陈奇. 智能系统学报. 2016(05)
[4]化学工业4.0新范式及其关键技术[J]. 吉旭,许娟娟,卫柯丞,唐盛伟. 高校化学工程学报. 2015(05)
[5]基于深度学习理论的机械装备大数据健康监测方法[J]. 雷亚国,贾峰,周昕,林京. 机械工程学报. 2015(21)
[6]深度学习研究进展[J]. 郭丽丽,丁世飞. 计算机科学. 2015(05)
[7]粒子群优化算法的发展研究[J]. 黄文秀. 软件. 2014(04)
[8]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机应用研究. 2014(07)
[9]环己酮生产工艺过程安全性分析[J]. 郭凡,袁东明,於孝春. 化学工程与装备. 2014(01)
[10]我国燃气管道风险评估及现状[J]. 陈建中. 安全. 2013(06)
硕士论文
[1]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]. 袁延江.华南理工大学 2015
[2]基于最小熵损的环己烷氧化过程监控技术开发[D]. 康德礼.华南理工大学 2014
[3]定性趋势分析及其在化工过程中的应用[D]. 王慧.华南理工大学 2011
本文编号：2903309
本文链接：https://www.wllwen.com/kejilunwen/huaxuehuagong/2903309.html
