基于回聲狀態(tài)網(wǎng)絡(luò)的化工過(guò)程故障診斷方法研究.pdf

1、隨著化工生產(chǎn)系統(tǒng)自動(dòng)化水平的不斷提高，化工生產(chǎn)過(guò)程規(guī)模變得越來(lái)越大，復(fù)雜性變得越來(lái)越高。生產(chǎn)過(guò)程中一旦出現(xiàn)故障，可能會(huì)降低整個(gè)系統(tǒng)的生產(chǎn)效率或使系統(tǒng)失效停車(chē)，嚴(yán)重時(shí)甚至?xí)斐扇藛T傷亡。故障診斷技術(shù)能夠及時(shí)檢測(cè)出故障并對(duì)其進(jìn)行定位與分離，具有降低或避免損失的作用。針對(duì)化工生產(chǎn)過(guò)程開(kāi)展故障診斷技術(shù)研究，有助于進(jìn)一步提高化工生產(chǎn)過(guò)程的安全性、可靠性。
　　回聲狀態(tài)網(wǎng)絡(luò)(Echo State Network,ESN)是一種計(jì)算量相對(duì)較少，

2、短期記憶能力較好的新型神經(jīng)網(wǎng)絡(luò)。為了提高化工過(guò)程的故障檢測(cè)與診斷能力，本文基于回聲狀態(tài)網(wǎng)絡(luò)、一類(lèi)支持向量機(jī)(One-Class Support Vector Machines,OCSVM)等技術(shù)，以田納西-伊斯曼(Tennessee Eastman,TE)過(guò)程仿真平臺(tái)為故障數(shù)據(jù)獲取來(lái)源，主要開(kāi)展了以下研究工作：
　　①針對(duì)化工過(guò)程中均值/方差未發(fā)生明顯變化類(lèi)型故障難以檢測(cè)的問(wèn)題，本文根據(jù)該類(lèi)型故障的特點(diǎn)，提出了一種基于MCUSUM

3、-PCA-CJESN的故障特征提取方法。該方法首先用多變量累積和(Multivariable Cumulative Sum,MCUSUM)對(duì)過(guò)程變量的歷史信息進(jìn)行累加，豐富過(guò)程數(shù)據(jù)在時(shí)間維度的信息，使得過(guò)程數(shù)據(jù)的微小變化得以放大；然后用主成分分析(Principal Component Analysis,PCA)對(duì)數(shù)據(jù)進(jìn)行降維，減少計(jì)算量；最后用環(huán)形跳躍回聲狀態(tài)網(wǎng)絡(luò)(Circular Jumping Echo State Network

4、,CJESN)讀出層對(duì)不同時(shí)刻數(shù)據(jù)差異性特征的捕獲能力，提取出過(guò)程數(shù)據(jù)的特征。
　　②針對(duì)故障診斷過(guò)程中參數(shù)選取是否恰當(dāng)對(duì)故障檢測(cè)率與識(shí)別率有較大影響問(wèn)題，本文在傳統(tǒng)果蠅優(yōu)化算法(Fruit Fly Optimization Algorithm,FOA)基礎(chǔ)上提出了自適應(yīng)果蠅優(yōu)化算法(Adaptive Fruit Fly Optimization Algorithm,AFOA)，并將其用于故障診斷參數(shù)尋優(yōu)。通過(guò)利用待優(yōu)化變量的取值