改进的PCA方法在化工过程故障诊断中的应用研究

主元分析(PCA)方法作为一种基于信号处理的数据驱动方法,已广泛应用于工业过程故障诊断中。但由于PCA本身的缺陷,对故障类型的识别方面存在不足。为此,引入人工神经网络(ANN)方法,与PCA方法相结合,增强了故障识别能力。以田纳西伊斯曼过程为例,验证了改进后的PCA方法在化工过程故障识别和诊断中应用的有效性。     

基于网络的化工过程故障诊断平台

为了研究化工系统的安全问题，必须建立化工诊断的系统平台，实现安全评价、故障诊断等。本文针对无水乙醇制备工艺，建立基于网络的化工过程故障诊断平台，着重介绍其整体框架、数据结构以及通信、操作界面等模块及其相互关系。应用结果表明，本平台性能良好，可以满足化工安全研究的需要。     

反应精馏塔板差分方程及其数学模型

通过对反应精馏的研究,提出了反应精馏塔板差分方程,结合自由度分析,建立了反应精馏段和提馏段的塔板差分方程的数学模型,得到了一种求解反应精馏的新方法。     

成色剂COY—5中主要杂交的分析研究

应用高效液相色谱、薄层色谱、质谱及核磁共振谱等仪器分析手段，提出了成色剂ＣＯＹ－５中主要杂质的分子结构，指出了该杂质的产生原因和机理，以及降低该杂质含是珠最佳途径。     

塔板差分方程及其在精馏塔综合中的应用

提出了塔板差分方程,并针对其简单精馏情况进行了讨论,指出了方程中各变量的相互影响关系,并将该方程应用于精馏塔过程综合。结果表明,该方程在确定精馏曲线、夹点曲线以及塔板组成线时具有快捷方便的优点。     

基于解析模型的石化装置状态监测系统研究

由石化生产测量数据推理设备运行状态,可以提高设备故障预测和事故分析的能力.基于解析模型建屯了石化设备的状态监测系统,提出了设计和运行模式下状态监测的具体构建方法.应用物料衡算、热量衡算、动量衡算和相平衡方程建立解析模型.选择欧拉法为模型算法,形成的石化设备模块可以系统、机理地分析设备内部运行状况.由SQL Server数据库获取石化装置在线操作数据,由解析模型预测设备内参数变化趋势,从而实现状态监测.状态监测分为设计和运行2种模式,前者给定解析模型输入数据和模型参数,后者显示设备状态.开发了石化装置状态监测系统软件,系统采用模块化思想进行构建.用VisualC++ 2005分别开发了模型运算模块、设计模式界面和运行模式界面,形成了独立的DLL库函数,可供系统主程序按照用户需要来调用.针对换热器等5类设备实现了具体设备的状态监测功能,结果表明该软件可以帮助操作人员分析设备内部状况,很好地起到了故障诊断的作用.     

强化生物除磷工艺微生物种群结构分析

引言强化生物除磷工艺以其高效、低耗、简单易操作在世界范围内得到了广泛的应用,近年来反硝化生物强化除磷工艺一直是个研究热点,主要是由于反硝化生物强化除磷工艺可通过反硝化除磷菌(DPB)在传统的厌氧/缺氧/好氧工艺的缺氧池中利用内碳源聚β-羟基丁酸酯(PHB)作为碳源实现反硝化吸磷,同时亦可反硝化脱氮,一碳两用,可节省大量的碳源需求,同时也减少了一定的动力消耗和污泥产量,尤其适合低碳氮比的     

基于多层优化PCC-SDG方法的化工过程故障诊断

化工过程的故障发生往往都是一个变量带动多个变量的连锁效应。本文基于变量的相关性变化特点,用符号有向图SDG（signed directed graph）描述系统因果影响关系,以皮尔逊相关系数PCC（Pearson correlation coefficient）计算网络统计指标,提出了一种基于多层优化PCC-SDG的故障诊断方法。该方法基于全工艺的网络拓扑结构,首先对选取的变量进行初步优化。然后,为有效提取工艺特征信息,运用PCA（principal component analysis）权重思想从多层相关系数集中选取了权重较大的关键变量,结合SDG建立最优PCC-SDG网络。最后,针对最优PCC-SDG网络变量的相关性规律重构聚集权重系数Q,进行过程故障检测与诊断。TE（Tennessee Eastman）仿真过程的应用结果表明,PCC-SDG建模及故障诊断步骤较为简洁,可以充分挖掘SDG深层次关联特性,定量简化SDG的故障诊断效果明显,具有较好的过程监控优势。     

基于VAE-DBN的故障分类方法在化工过程中的应用

针对化工过程高维数据的故障特征难以提取的难题,提出变分自动编码器(VAE)结合深度置信网络(DBN)的混合故障诊断方法. 在VAE的编码部分对隐变量空间Z添加约束,通过重参数化方法进行反向传播训练,可无监督地学习不同故障对应的隐变量特征,其作为DBN分类模型的输入特征训练网络,输入测试集进行故障诊断. 田纳西伊斯曼流程(TE)应用结果表明,VAE能提取原始数据更加抽象有效的特征,VAE?DBN分类准确.     

基于特征工程和KELM的化工过程故障检测与识别

针对化工过程工艺复杂、数据非高斯性和耦合性强的问题,提出了一种基于特征工程与核极限学习机(kernel extreme learning machine, KELM)相结合的化工过程故障检测与识别方法。首先用独立分量分析(independent component analysis,ICA)将原始数据分离在相互独立的方向上,通过计算样本的统计量判断是否有故障产生。然后,对两个样本用互信息(mutual information, MI)进行相关性对比,通过贡献度与相关性进行变量选取,以提高分类的准确度。最后,将获取的特征输入到KELM中进行故障分类。为了提高网络的诊断精度,采用遗传算法对参数进行优化。应用于田纳西-伊斯曼(Tennessee Eastman,TE)过程与某工业脱丙烷过程的结果表明,该方法可有效地检测出故障并且准确识别故障种类。