化工過程安全一直以來是化學(xué)工業(yè)中尤為重要的問題之一,故障檢測與診斷作為化工異常工況管理最常用的工具,給過程安全提供了保障。由于現(xiàn)代化工過程具有復(fù)雜性、非線性、高噪聲、非高斯分布等特性使得傳統(tǒng)的化工過程故障檢測方法并不表現(xiàn)出優(yōu)良的診斷性能,尤其是對(duì)于某些微小擾動(dòng)性的故障檢測性能表現(xiàn)不佳。隨著深度神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展,很多深度學(xué)習(xí)算法已經(jīng)被提出,然而這些算法卻很少被應(yīng)用于化工過程故障診斷。深度神經(jīng)網(wǎng)絡(luò)是一種強(qiáng)大的特征學(xué)習(xí)工具,由于其較淺層神經(jīng)網(wǎng)絡(luò)而言能夠更為深度地挖掘原始數(shù)據(jù)中所隱含的信息,因此應(yīng)用到化工過程的故障檢測與診斷是一種新思路。本文首先考慮了復(fù)雜化工過程的嚴(yán)重非線性,開發(fā)出了基于稀疏過濾特征學(xué)習(xí)的化工過程故障檢測方法。該方法通過稀疏過濾無監(jiān)督學(xué)習(xí),從化工過程原始數(shù)據(jù)中自適應(yīng)地以無監(jiān)督方式學(xué)習(xí)出特征,然后將特征輸入到邏輯回歸模型,以有監(jiān)督的方式對(duì)過程運(yùn)行狀態(tài)進(jìn)行分類。TE過程案例研究結(jié)果表明,該方法具有良好的診斷性能,可以及時(shí)有效地診斷出故障。同時(shí)為了進(jìn)一步提高故障檢測的性能,針對(duì)化工過程的非線性、高噪聲特性,本文又開發(fā)了一種基于粒子群優(yōu)化的棧式降噪稀疏自動(dòng)編碼機(jī)的化工過程故障檢測方... 

【文章來源】：華南理工大學(xué)廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：102 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

化學(xué)工業(yè)發(fā)展的四個(gè)階段Fig.1-1Fourdevelopmentstagesofchemicalindustry.

新的多路獨(dú)立分量分析(MICA)混合模型，并將其應(yīng)用于間歇過程故障檢測與診斷，所提出的方法能夠檢測不同階段的異常工況事件并具有較高的診斷率。圖1-3 間歇過程數(shù)據(jù)的處理方法Fig.1-3 Arrangement method of batch processes data .1.3.4 神經(jīng)網(wǎng)絡(luò)方法的改進(jìn)人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)，是一種仿生物學(xué)的信息處理模型。ANN一般需要通過調(diào)整神經(jīng)元之間相互連接的權(quán)重值，獲取神經(jīng)元的激活值，從而構(gòu)建出對(duì)信息的知識(shí)抽取模型。ANN具有較好的非線性映射能力、自組織能力，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)成為人工智能領(lǐng)域研究的重要課題之一。神經(jīng)網(wǎng)絡(luò)應(yīng)用到故障診斷方法主要有三方面：從特征分類的角度應(yīng)用神經(jīng)網(wǎng)絡(luò)作為分類器，從而進(jìn)行故障診斷；從預(yù)測角度將神經(jīng)網(wǎng)絡(luò)作為預(yù)測模型進(jìn)行故障預(yù)測；將神經(jīng)網(wǎng)絡(luò)結(jié)合其他方法進(jìn)行故障診斷[10]。例如，Kramer[50]開發(fā)了一種基于自動(dòng)關(guān)聯(lián)神經(jīng)網(wǎng)絡(luò)PCA的非線性方法，該方法可以進(jìn)行非線性降維原始數(shù)據(jù)

第二章 基于稀疏過濾特征學(xué)習(xí)的化工故障檢測方法標(biāo)準(zhǔn)差。圖 2-4 給出了不同特征數(shù)量下訓(xùn)練平均故障檢出率、測試平均故障檢出率、總耗時(shí)的變化趨勢，圖 2-5 給出了不同特征數(shù)量下訓(xùn)練平均誤報(bào)率、測試平均誤報(bào)率、總耗時(shí)的變化趨勢。總耗時(shí)包括離線訓(xùn)練時(shí)間和在線測試時(shí)間(計(jì)算機(jī)配置為Intel Corei5-4750 CPU 和 4G RAM)。從圖 2-4 中可以看出，隨著特征數(shù)量的增大，其測試平均故障檢出率和訓(xùn)練平均故障檢出率均先增大后保持平穩(wěn)，說明該方法具有一定的故障檢出極限能力，同時(shí)，隨著特征數(shù)量的增大，總運(yùn)行時(shí)間也不斷增大。從圖 2-5 可以看出，隨著特征數(shù)量的增大，測試平均誤報(bào)率和訓(xùn)練平均誤報(bào)率先逐漸降低后趨于平穩(wěn)，相應(yīng)的標(biāo)準(zhǔn)偏差也越來越小。為了使方法性能更優(yōu)，即FDR較高、FAR較低、總耗時(shí)較短、穩(wěn)定性好，本文針對(duì)TE過程選擇L=200 作為學(xué)習(xí)的特征數(shù)量。在該特征數(shù)量下，測試樣本的平均故障檢出率為 72.10%，平均誤報(bào)率為 4.77%，標(biāo)準(zhǔn)偏差為 0.38%，總耗時(shí)為1328.4s，由于計(jì)算過程涉及迭代且計(jì)算平臺(tái)性能一般，因此運(yùn)行時(shí)間較長。

【參考文獻(xiàn)】：
期刊論文
[1]化工過程深度神經(jīng)網(wǎng)絡(luò)軟測量的結(jié)構(gòu)與參數(shù)自動(dòng)調(diào)整方法[J]. 王康成,尚超,柯文思,江永亨,黃德先.  化工學(xué)報(bào). 2018(03)
[2]化工安全事故的常見原因分析及預(yù)防措施[J]. 楊丹丹,馬立強(qiáng).  石化技術(shù). 2017(03)
[3]深度學(xué)習(xí)方法研究新進(jìn)展[J]. 劉帥師,程曦,郭文燕,陳奇.  智能系統(tǒng)學(xué)報(bào). 2016(05)
[4]化學(xué)工業(yè)4.0新范式及其關(guān)鍵技術(shù)[J]. 吉旭,許娟娟,衛(wèi)柯丞,唐盛偉.  高�；瘜W(xué)工程學(xué)報(bào). 2015(05)
[5]基于深度學(xué)習(xí)理論的機(jī)械裝備大數(shù)據(jù)健康監(jiān)測方法[J]. 雷亞國,賈峰,周昕,林京.  機(jī)械工程學(xué)報(bào). 2015(21)
[6]深度學(xué)習(xí)研究進(jìn)展[J]. 郭麗麗,丁世飛.  計(jì)算機(jī)科學(xué). 2015(05)
[7]粒子群優(yōu)化算法的發(fā)展研究[J]. 黃文秀.  軟件. 2014(04)
[8]深度學(xué)習(xí)研究進(jìn)展[J]. 劉建偉,劉媛,羅雄麟.  計(jì)算機(jī)應(yīng)用研究. 2014(07)
[9]環(huán)己酮生產(chǎn)工藝過程安全性分析[J]. 郭凡,袁東明,於孝春.  化學(xué)工程與裝備. 2014(01)
[10]我國燃?xì)夤艿里L(fēng)險(xiǎn)評(píng)估及現(xiàn)狀[J]. 陳建中.  安全. 2013(06)

碩士論文
[1]基于流程模擬的化工過程監(jiān)測技術(shù)在分離過程中的應(yīng)用[D]. 袁延江.華南理工大學(xué) 2015
[2]基于最小熵?fù)p的環(huán)己烷氧化過程監(jiān)控技術(shù)開發(fā)[D]. 康德禮.華南理工大學(xué) 2014
[3]定性趨勢分析及其在化工過程中的應(yīng)用[D]. 王慧.華南理工大學(xué) 2011



本文編號(hào)：2903309