發(fā)布時間：2021-04-14 23:08

　　隨著化工過程集成化與自動化程度的提高,變量之間的關(guān)系越來越復雜,一旦在生產(chǎn)過程中發(fā)生故障,導致變量之間的連鎖效應(yīng),所造成的后果將比之前更為嚴重。而且,過程中的測量變量無法代表全過程,若存在未觀測的變量發(fā)生故障,會出現(xiàn)故障發(fā)生后檢測不到或者是嚴重滯后的結(jié)果,帶來極為嚴重的安全隱患。所以,在化工生產(chǎn)過程中,如何對過程進行有效的監(jiān)控,及時檢測出發(fā)生的故障,確定故障發(fā)生的真正根原因,是保證化工過程的平穩(wěn)運行與產(chǎn)品質(zhì)量穩(wěn)定的關(guān)鍵。本文提出了機理相關(guān)分析貝葉斯網(wǎng)絡(luò)的方法進行化工過程的故障診斷。首先基于互信息特征工程對過程進行故障的檢測與識別。構(gòu)建與故障狀況最相關(guān)的特征子集用以監(jiān)控過程的變化狀態(tài),并且找出對故障狀態(tài)貢獻度最大的變量,構(gòu)建核極限學習機網(wǎng)絡(luò)識別故障類型。以漏診率、誤診率以及故障識別準確率檢驗所提出方法的性能。然后構(gòu)建機理相關(guān)貝葉斯網(wǎng)絡(luò)進行化工過程故障診斷。對化工過程變量之間的內(nèi)在機理進行相關(guān)分析,找尋變量之間存在的因果關(guān)系,結(jié)合相關(guān)系數(shù)進一步確定變量之間的相關(guān)關(guān)系從而得到貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)。用貝葉斯區(qū)間估計的方法學習網(wǎng)絡(luò)的參數(shù),結(jié)合之前得到的因果關(guān)系構(gòu)建貝葉斯網(wǎng)絡(luò)。在故障檢測出后,采用貝葉... 

【文章來源】：青島科技大學山東省

【文章頁數(shù)】：89 頁

【學位級別】：碩士

【部分圖文】：

TE過程貝葉斯網(wǎng)絡(luò)Figure4-4BNnetworkundernormalTEprocess

青島科技大學研究生學位論文49圖4-7TE過程故障2條件下貝葉斯網(wǎng)網(wǎng)絡(luò)Figure4-7BNdiagraminthecaseofTEprocessunderfault2由于故障表現(xiàn)在與組分相關(guān)變量中，因此使用PCA方法分析故障2狀況下不同采樣處的組分變化，并與正常情況下的各組成成分進行比較，以進一步確定故障原因，各成分變化的貢獻度如圖4-8所示。通過分析間歇組分的測量變量，發(fā)現(xiàn)進料成分中的B組分含量與正常成分相比變化很大，在放空氣體中的E組分含量也隨著B成分的變化而增加。A/CABCDEFABCDEFGHDEFGH051015202530Componentcontributions圖4-8故障2狀況下組分的變化貢獻圖Figure4-8CompositionchangecontributionofTEprocessunderfault2對進料、放空氣體以及產(chǎn)品組成的分析表明，故障的變化體現(xiàn)在氣液分離器的氣相產(chǎn)品與汽提塔的液相產(chǎn)品中，證明產(chǎn)品的質(zhì)量受到較大的影響。從進料與放空氣體中分析發(fā)現(xiàn)，進料與放空氣體中的B組分影響都是最大的，而氣液分離

青島科技大學研究生學位論文51134567891011121314151617181921220220.00.10.20.30.40.50.60.70.80.9contributionsVariablenumber圖4-11故障8貝葉斯貢獻圖Figure4-11Bayesiancontributionoffault8圖4-12TE過程故障8狀態(tài)下貝葉斯網(wǎng)絡(luò)圖Figure4-12BNdiagraminthecaseofTEprocessfault8故障8也是與組分相關(guān)的故障，與故障2一樣，可以進一步分析這種情況下各組分的變化，如圖4-13所示。汽提塔產(chǎn)品組成中的G確實有超出正常范圍的波動。由于進料組成的變化，反應(yīng)受到影響，導致一些反應(yīng)物未反應(yīng)，因此，在放空氣體中，除大量的惰性氣體之外，在正常條件下未反應(yīng)的反應(yīng)物組成也超過正常條件下的閾值范圍。結(jié)果的確表明，除了進料中A、C組分波動超出正常范圍外，進料中的惰性氣體B的組成也有較大改變。因此，故障8的根本原因是進料中A、B和C成分的變化。圖4-13中，RF1的子節(jié)點和SeT11的父節(jié)點都沒有

【參考文獻】：
期刊論文
[1]基于貝葉斯學習的復雜系統(tǒng)研制風險演化分析[J]. 徐一帆,呂建偉,史躍東,狄鵬.  系統(tǒng)工程理論與實踐. 2019(06)
[2]基于互信息和自組織RBF神經(jīng)網(wǎng)絡(luò)的出水BOD軟測量方法[J]. 李文靜,李萌,喬俊飛.  化工學報. 2019(02)
[3]基于貝葉斯網(wǎng)絡(luò)的柴油機潤滑系統(tǒng)多故障診斷[J]. 王金鑫,王忠巍,馬修真,劉龍,袁志國.  控制與決策. 2019(06)
[4]我國石油化工行業(yè)事故風險分析[J]. 趙巖,徐建華.  北京大學學報(自然科學版). 2018(04)
[5]基于Gath-Geva算法和核極限學習機的多階段間歇過程軟測量[J]. 張雷,張小剛,陳華.  化工學報. 2018(06)
[6]基于深層神經(jīng)網(wǎng)絡(luò)的多輸出自適應(yīng)軟測量建模[J]. 邱禹,劉乙奇,吳菁,黃道平.  化工學報. 2018(07)
[7]基于KELM的連續(xù)攪拌反應(yīng)釜模型辨識[J]. 李軍,石青.  控制工程. 2017(10)
[8]基于部分互信息和貝葉斯打分函數(shù)的基因調(diào)控網(wǎng)絡(luò)構(gòu)建算法[J]. 劉飛,張紹武,高紅艷.  西北工業(yè)大學學報. 2017(05)
[9]融合深度置信網(wǎng)絡(luò)與與核極限學習機算法的核磁共振測井儲層滲透率預測方法[J]. 朱林奇,張沖,周雪晴,魏旸,黃雨陽,高齊明.  計算機應(yīng)用. 2017(10)
[10]基于AHP的貝葉斯網(wǎng)絡(luò)故障診斷方法研究[J]. 耿志強,張玉婷,韓永明.  北京化工大學學報(自然科學版). 2017(05)

博士論文
[1]基于定性趨勢分析的SDG故障診斷方法及其工業(yè)應(yīng)用研究[D]. 高東.北京化工大學 2010



本文編號：3138181