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。     

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。     

基于最大信息系数的分组支持向量数据描述故障检测

工业过程的众多变量之间往往存在着复杂的相关关系,传统的故障检测模型通常会忽略不同变量间相关性的差异,对不同相关关系的变量采用相同的特征提取方法,从而导致检测效果欠佳。针对以上问题,提出了一种基于最大信息系数的分组支持向量数据描述故障检测模型,首先计算变量间的最大信息系数矩阵,按照相关性的不同对变量进行分组,再通过最大信息系数为模型混合核函数中高斯核与多项式核的权重分配提供理论指导,从而分别为各组建立不同的支持向量数据描述检测模型,完成最大信息系数与支持向量数据描述的紧密结合,最终实现分布式故障检测。通过仿真对比,验证了该模型的可行性与有效性。     

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GLSAFIS的氟化工过程操作单元可靠性监测

氟化工产物的剧毒特性,使得对于氟化工过程设备的运行可靠性监控异常重要。为此,提出了基于全局-局部结构分析的模糊推理系统（GLSAFIS）在线评估氟化工过程操作单元运行可靠性。依据氟化工工艺流程选取操作单元过程变量后,通过全局-局部结构分析算法（GLSA）对操作单元过程变量进行全局-局部特征提取。这些低维的全局-局部特征代替原始变量作为模糊推理系统（FIS）的输入,不仅可以克服噪声的影响,降低对专家知识的依赖,同时可以通过特征空间的降维压缩,大大加速后续模糊推理系统的逻辑设计。最后模糊推理系统的实施,使得本方法可以对化工过程操作单元可靠性进行在线评估。国内某氟化工厂二氟一氯甲烷（R-22）生产过程的实际应用以及田纳西伊斯曼模拟过程的仿真结果均证实了所提方法可以准确地反映实际化工过程操作单元的运行状况,大大提高了对实际化工过程的安全监控力度。     

基于图卷积网络的柴油加氢生产软测量建模

精制柴油闪点和石脑油终馏点是柴油加氢生产最重要的质量指标,但目前缺乏测量这两种指标的在线分析仪表,软测量是可行的替代方案。为完成这两种指标的软测量建模,分析柴油加氢生产过程的工艺机理和过程数据特征,完成了辅助变量的重构和筛选,确定了两个软测量对象的辅助变量集,基于图卷积网络建立闪点和终馏点的软测量模型进行仿真研究。仿真研究结果表明：相比于目前应用广泛的软测量模型,所提出的软测量方法具有更高的精度,可以提升柴油加氢生产软测量建模的有效性和准确性。     

基于LTSA和联合指标的非高斯过程监控方法及应用

很多实际工业过程数据都具有高维、非线性且不严格服从高斯分布等特点。为处理数据维数高且是高斯分布和非高斯分布的混合体等问题,实现高效的过程监控,提出了一种基于LTSA和联合指标的非高斯过程监控方法。首先采用局部切空间排列(LTSA)算法从正常样本数据中提取低维子流形以实现维数约减;然后基于非高斯-高斯两步策略建立统计模型并得到非高斯统计量和高斯统计量,再对其进行加权得到新的统计量以实现对过程的监控;最后将该方法应用于田纳西-伊斯曼标准测试平台和实际乙烯裂解炉的过程监控,说明了所提方法的有效性。     

基于MIC的支持向量回归及其在化工过程中的应用

在化工生产中,软测量方法可以有效解决某些关键变量由于仪表故障而无法实时获取数据的问题。在建立软测量模型时,变量及回归方法的选取会直接影响模型的准确率。特别是在现代化工中,过程变量众多且变量间存在着冗余且复杂的非线性关系。对此,本文提出了一种基于最大信息系数的支持向量回归算法,利用最大信息系数在非线性相关性度量的优势,选择合适的辅助变量,避免了全部变量作为输入所造成的数据冗余。在此基础上,利用支持向量回归方法建立软测量模型,实现对软测量目标的预测。该方法被应用于存在仪表故障的某催化重整装置进料换热器热端压降的软测量中,结果表明该方法可以有效地实现对压降的软测量,实现了对仪表故障时的数据校正。     

基于稀疏局部嵌入深度卷积网络的冷水机组故障诊断方法

针对于冷水机组提出一种基于稀疏局部嵌入深度卷积网络（sparsely local embedding network,SLENet）的故障诊断方法。采用稀疏局部嵌入方法代替卷积核,对输入数据进行特征选择,避免了复杂的训练和调参过程。另外采用空间金字塔最大池化作为网络的输出层,减少了网络的输出维数和分类器的计算量。针对美国采暖、制冷与空调工程师学会提供的冷水机组的典型故障数据进行分类,结果表明,该方法相比深度卷积网络（CNN）和支持向量机（SVM）方法具有更高的故障诊断精度。     

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。     

基于TGNPE算法的间歇过程故障诊断

间歇过程数据是由批次、变量和时间构成的三维数据,数据内包含了丰富的对过程监控有用的全局和局部结构信息,如何充分提取间歇过程的特征信息是故障诊断的关键。传统方法处理三维数据都是将其展开成二维数据,展开过程必然会导致数据内在结构破坏,并且通常只考虑了数据的全局信息或者只考虑了数据的局部信息,这就不能充分提取过程的有用信息导致诊断效果欠佳。针对以上问题,提出了张量全局-局部邻域保持嵌入(TGNPE)算法,首先用张量分解的方法直接对三维数据进行建模,而不对数据进行展开,这就有效地保存了数据的内部结构,再用邻域保持嵌入算法充分提取数据局部结构信息的同时兼顾数据的全局信息,这就实现了对数据特征信息更加充分地提取,用TGNPE算法检测到故障后用贡献图法诊断出故障变量。通过青霉素发酵过程验证了本文提出的算法对间歇过程数据信息提取更加充分,更利于故障诊断。     

一种基于改进MPCA的间歇过程监控与故障诊断方法

针对基于不同展开方式的多向主元分析(MPCA)方法在线应用时各自存在的缺陷,提出一种改进的基于变量展开的MPCA方法,实现间歇过程的在线监控与故障诊断。该方法采用随时间更新的主元协方差代替固定的主元协方差进行T²统计量的计算,充分考虑了主元得分向量的动态特性;同时引入主元显著相关变量残差统计量,避免SPE统计量的保守性,且该统计量能提供更详细的过程变化信息,对正常工况改变或过程故障引起的T²监控图变化有一定的识别能力;最后提出一种随时间变化的贡献图计算方法用于在线故障诊断。该方法和MPCA方法的监控性能在一个青霉素发酵仿真系统上进行了比较。仿真结果表明：该方法具有较好的监控性能,能及时检测出过程存在的故障,且具有一定的故障识别和诊断能力。     

基于核Fisher判别分析方法的非线性统计过程监控与故障诊断

化工过程中大量的生产数据反应了生产过程的内在变化和系统的运行状况,基于数据驱动的统计方法可以有效地对生产过程进行监控。对于复杂的化工和生化过程,其过程变量之间的相关关系往往具有很强的非线性特性,传统的线性统计过程监控方法显得无能为力。本文提出了基于核Fisher判别分析的非线性统计过程监控方法,首先利用非线性核函数将数据从原始空间映射到高维空间,在高维空间中利用线性的Fisher判别分析方法提取数据最优的Fisher特征矢量和判别矢量来实现过程监控与故障诊断,能有效地捕获过程变量之间的非线性关系,通过对流化催化裂化（FCCU）过程的仿真表明该方法的有效性。     

基于时间结构盲源信号分析的过程监控和故障诊断方法

化工过程中众多的测量变量信息通常可由少量的隐变量信息表达出来以便进行统计过程监视.针对过程中所采集的数据往往存在一定的时间结构（即过程不能满足独立同分布条件）的情况,提出了一种基于时间结构盲源信号分析的过程性能监控和故障诊断方法,以克服传统的统计过程分析的独立同分布要求.通过对非等温连续搅拌反应器（CSTR）的仿真研究表明,这种方法是可行的.为了与传统的独立成分分析（ICA）方法相比较,本文还作了相应的对比研究,结果表明,这种方法比基于传统ICA过程性能监控和故障诊断方法具有更少的误报率和漏报率,说明这种方法不但是可行的,并且是有效的.     

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。