基于卷积神经网络的化工过程故障诊断研究

发布时间：2021-11-18 15:09

　　化工生产过程具有高度非线性、不确定性、易受干扰性和关联性等特性,化工的生产过程还是个特殊的动态系统,其生产环境不同于其它类型的工业过程,生产环境不稳定和危险性,使得生产过程中的安全管理非常困难。为了能够保证化工设备装置正常的运行,及时地检测到故障和准确地对故障进行诊断是必要的。本文针对化工过程数据的高维度非线性,提出基于卷积神经网络的故障诊断方法。所提方法在对数据进行小波变换去噪和标准化预处理;通过卷积神经网络的特征提取和学习,从化工过程中提取原始数据隐藏的信息特征;再经过softmax分类器进行故障分类。通过应用于TE过程的故障诊断研究结果,平均故障检出率为80.31%,误报率为2.837%,表明所提出基于卷积神经网络方法的有效性,且可以及时地检测出故障。针对卷积神经网络本身结构复杂,自身参数与结构有待优化的问题,提出粒子群优化算法对卷积神经网络的超参数进行寻优。为了验证PSO-CNN方法的故障诊断的有效性及故障诊断性能,以TE过程为实验案例进行了故障诊断研究。在粒子群优化过程中确定了卷积神经网络模型的最佳结构和参数。从实验结果得出,基于PSO-CNN方法的平均故障检出率相比CNN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】：76 页

【学位级别】：硕士

【部分图文】：

卷积神经网络模型

图 2-2 卷积操作示例图Fig.2-2 Example of convolution operation据输入矩阵包括四个维度：样本数、样本高度、样本宽度和样本阵与输入矩阵格式一样，但后三个维度经卷积后尺寸发生了变化积核高度、卷积核宽度、输入通道数、卷积核的个数。关于卷积阵、卷积核、输出矩阵三者之间是相互决定的关系。卷积核的输入矩阵的通道数所决定。输出矩阵的通道数（outdepth）由卷积。输出矩阵的高度（height）和宽度（width）这两个维度的尺寸由积计算的方式所共同决定。Padding 是填充，比如零填充是在输也可以不进行填充操作。Stride 是卷积步长。计算公式如（2-2） out in kernelout in kernel2 12 1height height height padding stridewidth width width padding stride 算之后需要通过激活函数对特征图进行输出。激活函数是用来为

池化操作Fig.2-3Poolingoperation

【参考文献】：
期刊论文
[1]基于深度置信网络的炼化空压机故障诊断方法[J]. 鲁春燕,李炜.  化工学报. 2019(02)
[2]面向原油总氢物性预测的数据扩增预处理方法[J]. 易令,吕忠元,丁进良,刘长鑫.  控制与决策. 2018(12)
[3]基于关联变量时滞分析卷积神经网络的生产过程时间序列预测方法[J]. 张浩,刘振娟,李宏光,杨博,路洁.  化工学报. 2017(09)
[4]基于卷积神经网络的输电线路区内外故障判断及故障选相方法研究[J]. 魏东,龚庆武,来文青,王波,刘栋,乔卉,林刚.  中国电机工程学报. 2016(S1)
[5]深度学习理论综述[J]. 韩小虎,徐鹏,韩森森.  计算机时代. 2016(06)
[6]基于卷积神经网络的时频图像识别研究[J]. 曾雪琼,黎杰.  机械与电子. 2016(05)
[7]基于径向基函数神经网络和模糊积分融合的电网分区故障诊断[J]. 石东源,熊国江,陈金富,李银红.  中国电机工程学报. 2014(04)
[8]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)
[9]基于KPCA的高压断路器故障诊断[J]. 王逸萍,梅军,郑建勇,陈厚源,戴永正,顾宇锋.  电测与仪表. 2013(08)
[10]环己醇和环己酮生产现状概述[J]. 王晨.  山西化工. 2013(02)



本文编号：3503125