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。     

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。     

基于核T-PLS的化工过程故障检测算法

针对全潜结构投影法（T-PLS）在检测非线性过程故障时误报率和漏报率较高的缺点,提出了基于核函数的全潜结构投影法（KT-PLS）。该算法通过核函数将过程数据从低维输入空间非线性地映射到高维特征空间,实现非线性问题的线性化;然后在质量变量的引导下将特征空间分为与质量直接相关、与质量正交、与质量无关和残差四个子空间;最后分别构建D和Q统计量进行故障检测。将该算法应用到Tennessee Eastman process（TEP）,多种故障模式下的仿真结果表明,KT-PLS比T-PLS更适合监控具有强非线性的生产过程。     

基于深度学习的电机故障在线检测技术优化

为有效提高电机故障检测效率,研究建立了深度学习模型,并利用深度学习模型构建在线检测函数。试验结果表明,基于深度学习模型可以降低电机轴承振动干扰信号,以保证清晰识别特征频率,所建立的深度学习检测模型对电机轴承外部的外圈磨损、轴承缺口且有裂纹及保护架破损的精度及准确率均大于98.5%,而电机轴承内部的检测精度与准确率较低,但检测精度仍大于90%,可满足电机故障在线检测要求。研究成果可为电机故障在线检测提供理论参考。     

基于加权深度支持向量数据描述的工业过程故障检测

传统支持向量数据描述（SVDD）方法本质上采用浅层学习框架,难以有效监控非线性工业过程的复杂故障。针对此问题,提出一种基于加权深度支持向量数据描述（WDSVDD）的故障检测方法。该方法一方面在深度学习框架下重新定义SVDD优化目标函数,构建基于深度特征的深度SVDD监控模型（DSVDD）,并利用核密度估计法计算监控指标的统计控制限;另一方面,考虑到深度特征的故障敏感度差异特性,在DSVDD监控模型中设计特征加权层,分别从静态和动态信息分析角度给出权重因子的计算方法,利用权重因子突出故障敏感特征的影响以提高故障检测率。应用于一个典型化工过程的测试结果表明,所研究的方法能够比传统SVDD方法更有效地监控过程中复杂故障的发生。     

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。     

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。     

基于KECA的非线性工业过程故障检测与诊断新方法

提出了一种基于核熵成分分析(kernel entropy component analysis,KECA)的非线性过程故障检测与诊断新方法。该方法首先利用KECA获取过程数据的得分向量及非线性特征子空间;然后鉴于KECA可以以角结构的方式揭示数据中潜在的集群结构,设计了基于角度的监测指标VoA。该指标通过各得分向量之间的角度方差来描述变换后数据间的结构差异,并根据角度方差的变化情况实现故障检测;接着,为了在检测到故障后有效地进行故障识别,构建了KECA相似度因子来度量特征子空间的相似程度以识别故障模式;最后,以非线性数值案例及Tennessee Eastman过程进行仿真测试研究,结果验证了所提方法的可行性及有效性。     

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。     

基于信息融合策略的化工过程故障智能诊断系统的研究

针对化工过程系统高度非线性、动态突变性及多时间尺度等复杂的信息结构特点,介绍了多传感器信息融合技术,提出了基于信息融合策略的集成智能诊断层次和诊断策略,以提高过程系统故障的诊断精度,做出正确的判断和决策。     

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.     

数据驱动方法在化工过程故障诊断中的研究进展

数据驱动方法是一种黑箱模型,具有自主挖掘和构建数据内在关系的优点。随着感知设备的发展和计算能力的提升,数据驱动方法在化工过程故障诊断的研究领域体现出了更大的优势。本文介绍了各类数据驱动方法的原理和作用,并分析了其各自的优缺点与实际应用方向,总结得出深度学习和集成学习是数据驱动方法未来研究重点。同时,本文回顾了近五年来国内外数据驱动方法在化工过程故障诊断中的研究与应用,综合分析了现阶段该领域的研究情况,表明将多种数据驱动方法进行组合来解决化工过程问题的思路具有一定的有效性。并进一步给出了关于数据异常、时间滞后等问题的研究方向。最后,本文建议更多地从方法的机理出发对方法进行研究和优化,在未来的研究思考中应更着重于实用性和时效性。     

基于加权统计局部核主元分析的非线性化工过程微小故障诊断方法

传统统计局部核主元分析（statistical local kernel principal component analysis, SLKPCA）在构造改进残差时未考虑样本的差异性,使得故障样本信息易于被其他样本所掩盖,针对该问题,提出一种基于加权统计局部核主元分析（weighted statistical local kernel principal component analysis, WSLKPCA）的非线性化工过程微小故障诊断方法。该方法首先利用KPCA获取过程的得分向量和特征值并构建初始残差。然后设计了一种基于测试样本与训练样本之间距离的加权策略构建加权改进残差,对含有较强微小故障信息的样本赋予较大权值,以增强故障样本的影响。最后,采用基于测量变量与监控统计量之间的加权互信息构建贡献图以识别故障源变量。在连续搅拌反应釜和田纳西伊斯曼（Tennessee Eastman, TE）化工过程上的仿真结果表明,所提方法具有良好的微小故障检测与识别性能。     

基于复杂网络理论的符号有向图(SDG)化工故障诊断

化工过程系统的大型化和复杂性,仅通过常规方式来描述故障机理越来越受到限制。本文以流程图建模法构建的符号有向图(signed directed graph,SDG)故障模型为基础,将化工过程系统抽象为网络拓扑结构,通过对网络模型的统计特征描述,判断网络的复杂性、小世界性和无标度性,进而以复杂网络中心性理论定量计算网络中各个节点的重要性,分析比较各指标来确定网络中的核心节点,并通过Capocci算法对网络进行社团结构的定量划分,最后以网络中的核心节点确定化工过程中易引起安全事故的关键变量,并用社团划分的结果绘制出化工故障诊断模型的关键路径,确定重点监测部位。案例应用结果表明:该方法可行,为化工过程系统中故障节点和监测提供了新的解决思路,丰富了化工过程故障诊断和预防控制的相关理论。     

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.     

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.