论文部分内容阅读
随着化工生产系统自动化水平的不断提高,化工生产过程规模变得越来越大,复杂性变得越来越高。生产过程中一旦出现故障,可能会降低整个系统的生产效率或使系统失效停车,严重时甚至会造成人员伤亡。故障诊断技术能够及时检测出故障并对其进行定位与分离,具有降低或避免损失的作用。针对化工生产过程开展故障诊断技术研究,有助于进一步提高化工生产过程的安全性、可靠性。回声状态网络(Echo State Network,ESN)是一种计算量相对较少,短期记忆能力较好的新型神经网络。为了提高化工过程的故障检测与诊断能力,本文基于回声状态网络、一类支持向量机(One-Class Support Vector Machines,OCSVM)等技术,以田纳西-伊斯曼(Tennessee Eastman,TE)过程仿真平台为故障数据获取来源,主要开展了以下研究工作:(1)针对化工过程中均值/方差未发生明显变化类型故障难以检测的问题,本文根据该类型故障的特点,提出了一种基于MCUSUM-PCA-CJESN的故障特征提取方法。该方法首先用多变量累积和(Multivariable Cumulative Sum,MCUSUM)对过程变量的历史信息进行累加,丰富过程数据在时间维度的信息,使得过程数据的微小变化得以放大;然后用主成分分析(Principal Component Analysis,PCA)对数据进行降维,减少计算量;最后用环形跳跃回声状态网络(Circular Jumping Echo State Network,CJESN)读出层对不同时刻数据差异性特征的捕获能力,提取出过程数据的特征。(2)针对故障诊断过程中参数选取是否恰当对故障检测率与识别率有较大影响问题,本文在传统果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)基础上提出了自适应果蝇优化算法(Adaptive Fruit Fly Optimization Algorithm,AFOA),并将其用于故障诊断参数寻优。通过利用待优化变量的取值范围确定果蝇群体的初始位置,AFOA克服了FOA参数优化过程中果蝇群体初始位置难以确定的问题。(3)为了提高化工过程的故障检测与诊断能力,本文将基于MCUSUM-PCA-CJESN的故障特征提取方法与OCSVM相结合,提出了基于CJESN-OCSVM的故障检测与诊断方法,并在该方法中用AFOA对MCUSUM的累积步长和CJESN的四个关键参数进行优化。最后将该故障检测与诊断方法应用于TE过程进行效果验证。