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...     

化工过程模拟及相关高新技术(Ⅱ)化工过程动态模拟

随着化工过程稳态模拟的发展,动态模拟相继被提到日程上来.由于化工稳态过程只是相对的、暂时的,实际过程中总是存在各种各样的波动、干扰以及条件的变化.因而化工过程的动态变化是必然的、经常发生的.归纳引起波动的因素主要有以下几类:     

化工过程模拟

化工过程模拟是计算机化工应用 最为基础，发展最为成熟的技术。本文从分子模拟，单元过程模拟及流程模拟三个模拟层次综述其最近的发展及今后的趋势。并对过程的优化及过程模拟的开发环境发展作了简要的评述。     

化工过程动态仿真与优化系统开发技术

作者在多年工程实践基础上,借鉴经典化工流程模拟理论和技术,开发成功通用化工过程动态仿真与优化系统(Dynamic SimulationOptimization系统)并在工业应用中取得良好效果。     

基于非线性动态全局局部保留投影算法的化工过程故障检测

传统基于核映射的非线性故障检测方法的性能受核函数类型和核参数的调优影响较大,且实际工业环境中对过程变量的非线性阶数存在很多物理限制。针对这一问题,提出一种非线性动态全局局部保留投影(nonlinear dynamic global-local preserving projections,NDGLPP)的故障检测算法。该方法首先使用动态全局局部保留投影算法对数据矩阵进行降维;然后对降维后的矩阵建立二阶多项式映射提取非线性空间的相关特性;接着通过迭代这两个步骤以获得高阶非线性映射;最后,将所提方法应用于乙烯精馏过程和Tennessee Eastman(TE)过程仿真中,验证了检测方法的有效性和可行性。     

基于稀疏过滤特征学习的化工过程故障检测方法

过程安全一直以来是化学工业中尤为重要的问题之一,故障检测与诊断（FDD）作为化工异常工况管理最有力的工具之一,给过程安全提供了保障。随着深度学习的发展,很多智能学习算法已经被提出,然而这些算法却很少被应用到FDD中来。提出了一种基于稀疏过滤和逻辑回归（SFLR）算法的化工过程故障检测新方法。采用TE过程和环己烷无催化氧化制环己酮过程对提出的方法进行了验证,结果表明,所提出的方法均具有较高的诊断精度,案例研究表明提出的方法可以及时有效地诊断出故障。     

化工过程的模拟培训系统

化工厂操作工用的动态模拟培训系统是丙化化工企业常用的提高员工素质的手段。本文从基本概念，作用功能，模型算法及当前发展趋势等方面做了综合评述。     

化工过程系统模拟新进展

八十年代由于计算机技术的迅猛发展,化工过程系统模拟不论在深度和广度方面均有了长足的进展。本文试图就分子模拟、单元操作模拟、流程模拟以及计算机技术进步对过程模拟技术的影响等几个方面对八十年代后期的新进展做一简要评述。     

化工仪表故障检测及维修分析

随着经济的发展,我国化工企业也得到了较大地发展,化工仪表的检测也逐渐得到了人们的重视。对化工仪表故障检测及维修进行分析,从其常见故障展开,提出了具体的维修方法,旨在提升仪表自动化的运行及发展水平。     

一种改进的动态核主元分析故障检测方法

针对复杂工业系统动态非线性故障检测过程精度低和计算量大的问题,提出了一种改进的动态核主元分析故障检测方法，该方法首先利用不可区分度剔除相关程度较小或者不相关变量,减少数据量，然后通过观测值扩展对筛选后的新数据构建增广矩阵，并对矩阵使用核主元分析提取变量数据的非线性空间相关特征，最后通过监测T ²和SPE 两种统计量诊断出系统发生故障及识别故障变量。仿真实验证明，该方法能对风力发电机故障进行有效监测和诊断，与KPCA方法相比，改进的动态核主元分析方法对微小故障更为敏感。     

基于LPP-GNMF算法的化工过程故障监测方法

提出了基于LPP-GNMF算法的化工过程故障监测方法。非负矩阵分解（NMF）是一种新兴的降维算法,由于它在机理上具有潜变量的正向纯加性的特点,所以在对数据进行压缩时,可以基于数据内部的局部特征有效描述数据信息,相比于传统的多元统计过程监控方法如主元分析（PCA）等有更好的解释能力。然而NMF要求原始数据满足非负性的要求,实际的化工过程有时并不能保证,为放宽对原始数据的非负要求,引入了广义非负矩阵分解（GNMF）算法。其次,GNMF在分解的过程中没有考虑到样本间的局部结构和几何性质,可能存在不能准确处理数据的问题。针对这一问题,提出了将GNMF与LPP（局部投影保留）相结合的算法。将提出的LPP-GNMF算法应用于TE过程来评估其监测性能,并与PCA算法、NMF算法、SNMF算法进行比较,仿真模拟结果表明所提算法的可行性。     

流程模拟中分解与切断的计算机处理方法探讨

探讨在化工过程模拟计算中对大系统分解及排出单元模拟优先顺序，找出切断流的最佳切断位置的一种新方法。     

基于故障判别增强KECA算法的故障检测

基于核熵主成分分析方法的统计模型仅利用正常工况下数据进行建模,而忽略了监控系统数据库中一些已知类别的先前故障数据。为了利用先前故障数据中包含的故障信息来增强故障检测性能,提出了一种故障判别增强KECA (fault discriminant enhanced kernel entropy component analysis, FDKECA)算法。该法通过采用无监督学习和监督学习方法建立模型,同时监测非线性核熵主成分(kernel entropy component, KEC)和故障判别成分(fault discriminant component, FDC)两类数据特征。此外,利用贝叶斯推理将相应的监视统计信息转换为故障概率,并通过加权两个子模型的结果来构建基于总体概率的监视统计量。通过数值仿真和田纳西伊斯曼(Tennessee Eastman, TE)过程仿真实验,证明和传统KECA相比,FDKECA算法能够有效利用故障数据提高故障检测率。     

化工过程动态仿真的研究与应用进展

通过介绍化工动态流程模拟系统完全依据机理模型开发并在科研和实际生产中应用的进展,指出了化工过程动态模拟软件开发与应用中存在的一些问题,以及开发和推广通用动态模拟软件的重要性,并对化工动态模拟的发展方向做了预测和探讨。     

Fault detection for chemical process based on nonlinear dynamic global-local preserving projections

The performance of the traditional nonlinear fault detection method based on kernel mapping is greatly influenced by the type of kernel function and the tuning of kernel parameters. To solve this problem, a method named nonlinear dynamic global-local preserving projections(NDGLPP) is proposed for nonlinear process fault detection. Firstly, dynamic global-local preserving projection algorithm is used to reduce the dimension of data matrix. Since the second order polynomial mapping is established for the reduced dimension matrix to extract the relevant properties of nonlinear space. Then the two steps are iterated to obtain the higher-order nonlinear mapping. Finally, the proposed method is applied to the ethylene distillation process and Tennessee Eastman (TE) process simulation to verify the effectiveness and feasibility of the detection method.     

基于深度残差网络的化工过程故障诊断

本工作提出了一种基于深度残差网络(DRN)的化工过程故障诊断方法,可从大量化工过程运行数据中自动提取故障特征。模型采用快捷连接缓解传统深度神经网络训练困难的问题,且使用批归一化(BN)方法,可有效缓解梯度消失/爆炸的问题。以田纳西?伊斯曼(TE)过程为实验对象对所提方法进行诊断性能评价实验,并与以往的基于传统深度学习模型的TE过程故障诊断方法进行对比,进一步探究了模型层数、BN技术和残差结构对故障诊断率的影响,最后,通过t分布随机邻域嵌入(t-SNE)方法对网络部分层的输出进行可视化。结果表明,模型对21种工况取得了94%的平均故障诊断率和0.30%的平均假阳率,表现出更加卓越的诊断性能。输出层的二维散点图显示了清晰的聚类,表明所提出的DRN模型能够对故障进行准确诊断。     

Fault diagnosis of complex chemical process based on multi-scale ADCRC feature learning

The time series and multi-scale characteristics of complex industrial process data are always important factors affecting the performance of fault diagnosis. In this study, a new fault diagnosis model based on multi-scale attention dilated causal residual convolution (ADCRC) is proposed. Aiming at the temporal nature of industrial data, the ADCRC module is developed to extract time series features, in which the ADCRC module is composed of dilated causal convolution (DCC), attention mechanism (AM), and residual connection, DCC is used to extract time series features, AM adjusts the weight of features according to attention distribution to obtain more important feature information, and residual connection is used to enhance the training accuracy of model. For the multi-scale characteristics of original data, MS-ADCRC model based on ADCRC module is developed for multi-scale feature extraction, in which multiple ADCRC modules extract multi-scale features of data in parallel. Finally, the proposed MS-ADCRC model is tested on the Tennessee-Eastman data set. Compared with other existing models, the results show that the proposed MS-ADCRC model has more advantages in fault diagnosis feature learning.