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。     

基于最大信息系数和深度残差图卷积的工业过程故障诊断方法

针对工业数据非线性、时变性、时空特征耦合的特点,提出一种基于最大信息系数和残差图卷积网络的工业过程故障诊断算法(MIC-RGCN)。引入最大信息系数(MIC)挖掘变量之间的相关关系,将高维变量之间的相关信息转换为空间距离信息,构建相关性矩阵作为图卷积层的邻接矩阵输入;构建改进的深度残差图卷积网络(GCN)模型对数据的时空特征进行深度融合提取并精准分类。在田纳西-伊斯曼过程和三相流过程数据集上将该算法与4种典型机器学习和深度学习算法进行对比测试。实验结果表明,该算法有效地提升了故障诊断的准确率。     

基于极深因子分解机的化工过程故障诊断方法

近年来,随着化学工艺、设备的复杂化和大型化程度不断深入,如何为化工企业及时、准确地诊断故障、排除事故,成为一个极具挑战性的问题。目前,以深度学习为代表的化工过程故障检测与诊断技术成为业界解决问题的主要思路之一,但现有深度方法在构建诊断模型时只关注了变量的非线性高阶特征,不能充分、全面地挖掘多源交互信息,难以有效地融合各类异构数据。基于此,提出一种基于极深因子分解机的化工过程故障诊断方法,通过并行融合三类不同网络模型(分解机模型、深度神经网络模型、压缩交互网络模型),实现对高阶、低阶及线性特征的自动提取和高效整合。为了评估模型性能,从单故障诊断和多故障混合诊断的角度出发,在田纳西-伊斯曼过程(TE)仿真数据集上进行了广泛的对比实验,结果表明,所提方法较以往故障诊断方法在精确率和召回率等指标上具有明显优势。     

基于多层交叉残差网络的轴承故障诊断方法

重型机械设备系统朝着智能化和复合化方向快速发展。开发智能故障数据采集和监控方法,可以快速、智能化地完成设备故障诊断。提出了一种基于多层残差网络的轴承智能检测模型。该模型主要包含信号采集、故障特征分离和工况分类3个模块。该模型利用多层残差神经网络交叉提取轴承信号故障,使损失函数值可以迅速降低完成故障诊断。最后在凯斯西储大学滚动轴承数据集验证,准确率高达99.86%。仿真实验结果证明本模型可以有效分辨不同轴承工况,并值得进一步开发为在线实时诊断模型。     

化工过程故障诊断专家系统研究进展

本文针对化工过程故障诊断专家系统，在知识表示，领域知识的抽象和组织以及推理机制等方面进行了深入讨论，并预测了发展趋势。     

通用化工过程实时故障诊断专家系统

根据化工过程故障现象的共性,研究了一个通用的化工过程实时故障诊断专家系统的结构、功能和特点。     

化工过程故障诊断研究进展

介绍化工过程故障诊断技术的理论与工业应用的现状,分析了故障诊断的过程与实质,介绍了常用的几种诊断方法,重点阐述了智能诊断的方法,现状,并对故障诊断的发展动向作了简要的分析。     

基于参数残差驱动贝叶斯网络的冷水机组故障诊断

应用于冷水机组的故障诊断技术对于降低建筑能耗,提高机组运行效率有着重要作用。为了进一步提高冷水机组故障诊断性能,同时考虑到特征参数残差蕴含更多故障信息,提出一种基于特征参数残差驱动贝叶斯网络(BN)的冷水机组故障诊断方法。首先,构建特征参数基准值模型,获得其基准值;然后使用基准值和其实际运行值之间的参数残差训练BN模型。以此达到充分利用参数残差蕴含故障信息,从而提高故障诊断性能的目的。使用实验数据对构建方法的有效性进行验证,与使用特征参数直接驱动BN的诊断模型相比,对冷水机组常见故障的诊断正确率最高提升了约22.51个百分点。此外,比较分析了三种参数基准值模型构建方法的性能,基于神经网络方法的基准值模型较其他两种基准值模型表现更优。     

Chemical process fault diagnosis based on a combined deep learning method

The study on fault detection and diagnosis (FDD) of chemical processes has always been the top priority of the chemical process safety. In this paper, a fault diagnosis method combining the deep convolutional with the recurrent neural network (DCRNN) is proposed. In this method, the data from chemical processes are input to the deep convolutional neural network (DCNN) to extract features in spatial domains, and then, the features are fused into the bidirectional recurrent neural network (BRNN). Due to the powerful capabilities of DCNN to extract features in spatial domains and the sensitivity to time series of RNN, the combined method can adaptively learn the dynamic information of the raw data in both spatial and temporal domains and has unique advantages in multivariate chemical processes. The application of the DCRNN model in the Tennessee Eastman (TE) process demonstrates the high accuracy of this proposal in identifying abnormal conditions for the chemical process, compared with the traditional fault identification algorithms of deep learning.     

Research on TE process fault diagnosis method based on DBN and dropout

In recent years, deep learning has shown outstanding performance and potential in pattern recognition and feature extraction, which has attracted an increasing amount of attention from engineering researchers and academics. Fault diagnosis methods based on deep learning have also become the focus of a significant amount of research. In this paper, a nonlinear process fault diagnosis and identification method based on DBN-dropout is proposed. The deep belief network (DBN) has significant advantages in dealing with nonlinear processes, and it can extract the abstract representation of nonlinear process data to build a deep network to achieve the real-time monitoring of process operations. Dropout technology can reduce overfitting and improve the generalization ability of the model. Afterwards, the Tennessee Eastman (TE) process is employed to analyze the performance of the proposed approach.     

ISOMAP-LDA方法用于化工过程故障诊断

针对化工连续生产过程的时序性及非线性等特征,提出一种新的基于数据驱动的化工过程故障诊断方法：ISOMAP-LDA。首先实行流形学习算法ISOMAP,在保持量测数据几何结构特性下完成非线性降维,然后基于提取的嵌入变量张成的低维空间,选用线性判别分析（LDA）构造故障模式类的判别函数,负责各采样个体故障类型的判定。将该方法用于仿真化工Tennessee Eastman 过程的故障诊断,结果表明,ISOMAP-LDA方法不仅拥有较高的故障诊断能力,而且取得采样在低维空间的可视化表示。     

基于深度学习的化工过程故障检测与诊断研究综述

化工过程的故障检测与诊断对于现代化工系统的可靠性和安全性具有重要意义.深度学习作为一项新兴的技术,引起了学术界和工业界的广泛关注.从方法的角度出发,将基于深度学习的化工过程故障检测与诊断技术分为:基于自动编码器的方法、基于深度置信网络的方法、基于卷积神经网络的方法和基于循环神经网络的方法,并分别对4种方法的最新研究进展...     

基于深度置信网络的炼化空压机故障诊断方法

针对炼化空压机故障诊断中故障机理复杂、先验知识欠缺，且传统浅层神经网络诊断精度不高等问题，结合深度置信网络（DBN）在特征提取和处理非线性数据等方面的优势，提出一种基于DBN的炼化空压机故障诊断方法。该方法利用空压机状态监测实测数据，实现训练网络的无监督特征学习和有监督微调，构建空压机故障的深层网络模型，从而实现对空压机故障类型的有效智能诊断。为评估该方法的有效性，与传统的故障诊断方法进行了比较研究，结果表明，该方法的诊断精度优于传统的故障诊断方法，且稳定性更好。     

一种新的间歇过程故障诊断策略

间歇过程的在线故障诊断近年来受到了越来越多的关注,目前比较通用的方法主要是多变量统计的方法。然而在实际过程尤其是多阶段的间歇过程中故障诊断效果往往不够理想,误诊率比较高。为解决上述问题,本文基于动态轨迹分析（DLA）和在线的动态时间规整方法（DTW）,将二者的优点有效地结合在一起提出了一种在线故障诊断策略,提高了故障诊断效率和准确性。青霉素发酵过程的在线故障诊断应用实例表明该方法具有比较好的诊断效果。