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

1、隨著化工生產(chǎn)系統(tǒng)自動化水平的不斷提高，化工生產(chǎn)過程規(guī)模變得越來越大，復(fù)雜性變得越來越高。生產(chǎn)過程中一旦出現(xiàn)故障，可能會降低整個系統(tǒng)的生產(chǎn)效率或使系統(tǒng)失效停車，嚴重時甚至會造成人員傷亡。故障診斷技術(shù)能夠及時檢測出故障并對其進行定位與分離，具有降低或避免損失的作用。針對化工生產(chǎn)過程開展故障診斷技術(shù)研究，有助于進一步提高化工生產(chǎn)過程的安全性、可靠性。
　　回聲狀態(tài)網(wǎng)絡(luò)(Echo State Network,ESN)是一種計算量相對較少，

2、短期記憶能力較好的新型神經(jīng)網(wǎng)絡(luò)。為了提高化工過程的故障檢測與診斷能力，本文基于回聲狀態(tài)網(wǎng)絡(luò)、一類支持向量機(One-Class Support Vector Machines,OCSVM)等技術(shù)，以田納西-伊斯曼(Tennessee Eastman,TE)過程仿真平臺為故障數(shù)據(jù)獲取來源，主要開展了以下研究工作：
　?、籴槍み^程中均值/方差未發(fā)生明顯變化類型故障難以檢測的問題，本文根據(jù)該類型故障的特點，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)對過程變量的歷史信息進行累加，豐富過程數(shù)據(jù)在時間維度的信息，使得過程數(shù)據(jù)的微小變化得以放大；然后用主成分分析(Principal Component Analysis,PCA)對數(shù)據(jù)進行降維，減少計算量；最后用環(huán)形跳躍回聲狀態(tài)網(wǎng)絡(luò)(Circular Jumping Echo State Network

4、,CJESN)讀出層對不同時刻數(shù)據(jù)差異性特征的捕獲能力，提取出過程數(shù)據(jù)的特征。
　?、卺槍收显\斷過程中參數(shù)選取是否恰當對故障檢測率與識別率有較大影響問題，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)。通過利用待優(yōu)化變量的取值