基于机理相关分析贝叶斯网络的化工过程故障诊断
发布时间：2021-04-14 23:08
随着化工过程集成化与自动化程度的提高,变量之间的关系越来越复杂,一旦在生产过程中发生故障,导致变量之间的连锁效应,所造成的后果将比之前更为严重。而且,过程中的测量变量无法代表全过程,若存在未观测的变量发生故障,会出现故障发生后检测不到或者是严重滞后的结果,带来极为严重的安全隐患。所以,在化工生产过程中,如何对过程进行有效的监控,及时检测出发生的故障,确定故障发生的真正根原因,是保证化工过程的平稳运行与产品质量稳定的关键。本文提出了机理相关分析贝叶斯网络的方法进行化工过程的故障诊断。首先基于互信息特征工程对过程进行故障的检测与识别。构建与故障状况最相关的特征子集用以监控过程的变化状态,并且找出对故障状态贡献度最大的变量,构建核极限学习机网络识别故障类型。以漏诊率、误诊率以及故障识别准确率检验所提出方法的性能。然后构建机理相关贝叶斯网络进行化工过程故障诊断。对化工过程变量之间的内在机理进行相关分析,找寻变量之间存在的因果关系,结合相关系数进一步确定变量之间的相关关系从而得到贝叶斯网络的结构。用贝叶斯区间估计的方法学习网络的参数,结合之前得到的因果关系构建贝叶斯网络。在故障检测出后,采用贝叶...
【文章来源】：青岛科技大学山东省
【文章页数】：89 页
【学位级别】：硕士
【部分图文】：
TE过程贝叶斯网络Figure4-4BNnetworkundernormalTEprocess
青岛科技大学研究生学位论文49图4-7TE过程故障2条件下贝叶斯网网络Figure4-7BNdiagraminthecaseofTEprocessunderfault2由于故障表现在与组分相关变量中，因此使用PCA方法分析故障2状况下不同采样处的组分变化，并与正常情况下的各组成成分进行比较，以进一步确定故障原因，各成分变化的贡献度如图4-8所示。通过分析间歇组分的测量变量，发现进料成分中的B组分含量与正常成分相比变化很大，在放空气体中的E组分含量也随着B成分的变化而增加。A/CABCDEFABCDEFGHDEFGH051015202530Componentcontributions图4-8故障2状况下组分的变化贡献图Figure4-8CompositionchangecontributionofTEprocessunderfault2对进料、放空气体以及产品组成的分析表明，故障的变化体现在气液分离器的气相产品与汽提塔的液相产品中，证明产品的质量受到较大的影响。从进料与放空气体中分析发现，进料与放空气体中的B组分影响都是最大的，而气液分离
青岛科技大学研究生学位论文51134567891011121314151617181921220220.00.10.20.30.40.50.60.70.80.9contributionsVariablenumber图4-11故障8贝叶斯贡献图Figure4-11Bayesiancontributionoffault8图4-12TE过程故障8状态下贝叶斯网络图Figure4-12BNdiagraminthecaseofTEprocessfault8故障8也是与组分相关的故障，与故障2一样，可以进一步分析这种情况下各组分的变化，如图4-13所示。汽提塔产品组成中的G确实有超出正常范围的波动。由于进料组成的变化，反应受到影响，导致一些反应物未反应，因此，在放空气体中，除大量的惰性气体之外，在正常条件下未反应的反应物组成也超过正常条件下的阈值范围。结果的确表明，除了进料中A、C组分波动超出正常范围外，进料中的惰性气体B的组成也有较大改变。因此，故障8的根本原因是进料中A、B和C成分的变化。图4-13中，RF1的子节点和SeT11的父节点都没有
【参考文献】：
期刊论文
[1]基于贝叶斯学习的复杂系统研制风险演化分析[J]. 徐一帆,吕建伟,史跃东,狄鹏. 系统工程理论与实践. 2019(06)
[2]基于互信息和自组织RBF神经网络的出水BOD软测量方法[J]. 李文静,李萌,乔俊飞. 化工学报. 2019(02)
[3]基于贝叶斯网络的柴油机润滑系统多故障诊断[J]. 王金鑫,王忠巍,马修真,刘龙,袁志国. 控制与决策. 2019(06)
[4]我国石油化工行业事故风险分析[J]. 赵岩,徐建华. 北京大学学报(自然科学版). 2018(04)
[5]基于Gath-Geva算法和核极限学习机的多阶段间歇过程软测量[J]. 张雷,张小刚,陈华. 化工学报. 2018(06)
[6]基于深层神经网络的多输出自适应软测量建模[J]. 邱禹,刘乙奇,吴菁,黄道平. 化工学报. 2018(07)
[7]基于KELM的连续搅拌反应釜模型辨识[J]. 李军,石青. 控制工程. 2017(10)
[8]基于部分互信息和贝叶斯打分函数的基因调控网络构建算法[J]. 刘飞,张绍武,高红艳. 西北工业大学学报. 2017(05)
[9]融合深度置信网络与与核极限学习机算法的核磁共振测井储层渗透率预测方法[J]. 朱林奇,张冲,周雪晴,魏旸,黄雨阳,高齐明. 计算机应用. 2017(10)
[10]基于AHP的贝叶斯网络故障诊断方法研究[J]. 耿志强,张玉婷,韩永明. 北京化工大学学报(自然科学版). 2017(05)
博士论文
[1]基于定性趋势分析的SDG故障诊断方法及其工业应用研究[D]. 高东.北京化工大学 2010
本文编号：3138181
【文章来源】：青岛科技大学山东省
【文章页数】：89 页
【学位级别】：硕士
【部分图文】：
TE过程贝叶斯网络Figure4-4BNnetworkundernormalTEprocess
青岛科技大学研究生学位论文49图4-7TE过程故障2条件下贝叶斯网网络Figure4-7BNdiagraminthecaseofTEprocessunderfault2由于故障表现在与组分相关变量中，因此使用PCA方法分析故障2状况下不同采样处的组分变化，并与正常情况下的各组成成分进行比较，以进一步确定故障原因，各成分变化的贡献度如图4-8所示。通过分析间歇组分的测量变量，发现进料成分中的B组分含量与正常成分相比变化很大，在放空气体中的E组分含量也随着B成分的变化而增加。A/CABCDEFABCDEFGHDEFGH051015202530Componentcontributions图4-8故障2状况下组分的变化贡献图Figure4-8CompositionchangecontributionofTEprocessunderfault2对进料、放空气体以及产品组成的分析表明，故障的变化体现在气液分离器的气相产品与汽提塔的液相产品中，证明产品的质量受到较大的影响。从进料与放空气体中分析发现，进料与放空气体中的B组分影响都是最大的，而气液分离
青岛科技大学研究生学位论文51134567891011121314151617181921220220.00.10.20.30.40.50.60.70.80.9contributionsVariablenumber图4-11故障8贝叶斯贡献图Figure4-11Bayesiancontributionoffault8图4-12TE过程故障8状态下贝叶斯网络图Figure4-12BNdiagraminthecaseofTEprocessfault8故障8也是与组分相关的故障，与故障2一样，可以进一步分析这种情况下各组分的变化，如图4-13所示。汽提塔产品组成中的G确实有超出正常范围的波动。由于进料组成的变化，反应受到影响，导致一些反应物未反应，因此，在放空气体中，除大量的惰性气体之外，在正常条件下未反应的反应物组成也超过正常条件下的阈值范围。结果的确表明，除了进料中A、C组分波动超出正常范围外，进料中的惰性气体B的组成也有较大改变。因此，故障8的根本原因是进料中A、B和C成分的变化。图4-13中，RF1的子节点和SeT11的父节点都没有
【参考文献】：
期刊论文
[1]基于贝叶斯学习的复杂系统研制风险演化分析[J]. 徐一帆,吕建伟,史跃东,狄鹏. 系统工程理论与实践. 2019(06)
[2]基于互信息和自组织RBF神经网络的出水BOD软测量方法[J]. 李文静,李萌,乔俊飞. 化工学报. 2019(02)
[3]基于贝叶斯网络的柴油机润滑系统多故障诊断[J]. 王金鑫,王忠巍,马修真,刘龙,袁志国. 控制与决策. 2019(06)
[4]我国石油化工行业事故风险分析[J]. 赵岩,徐建华. 北京大学学报(自然科学版). 2018(04)
[5]基于Gath-Geva算法和核极限学习机的多阶段间歇过程软测量[J]. 张雷,张小刚,陈华. 化工学报. 2018(06)
[6]基于深层神经网络的多输出自适应软测量建模[J]. 邱禹,刘乙奇,吴菁,黄道平. 化工学报. 2018(07)
[7]基于KELM的连续搅拌反应釜模型辨识[J]. 李军,石青. 控制工程. 2017(10)
[8]基于部分互信息和贝叶斯打分函数的基因调控网络构建算法[J]. 刘飞,张绍武,高红艳. 西北工业大学学报. 2017(05)
[9]融合深度置信网络与与核极限学习机算法的核磁共振测井储层渗透率预测方法[J]. 朱林奇,张冲,周雪晴,魏旸,黄雨阳,高齐明. 计算机应用. 2017(10)
[10]基于AHP的贝叶斯网络故障诊断方法研究[J]. 耿志强,张玉婷,韩永明. 北京化工大学学报(自然科学版). 2017(05)
博士论文
[1]基于定性趋势分析的SDG故障诊断方法及其工业应用研究[D]. 高东.北京化工大学 2010
本文编号：3138181
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3138181.html
