数据低可靠条件下的化工过程过渡态故障诊断方法研究

Fault diagnosis methods are of great importance for the operational safety of the transition state in chemical processes. However, the unreliable data will directly affect the accuracy of fault diagnosis technique. In the present project, a fault diagnosis strategy of the transition state in chemical processes will be developed to deal with the low reliability problem of monitoring data based on the technologies of machine learning and artificial immune system. Firstly, danger theory (DT) was introduced into dynamic artificial immune system (DAIS) to proposed a fault diagnosis method using danger signal. Then, deep learning method is applied to soft computing of danger signal. Multi-mode deep belief network (MDBN) will be proposed to estimate the danger signal with inputs of reliable data except missing data and gross error. Meanwhile, dynamic Bayesian networks (DBN) based machine learning method will be applied to mining the dependence of transition state variables in chemical process, and the detection method for gross error detection will be explored with the time-series rules. In an online fault diagnosis procedure, after gross error detection using DBN, danger signal would be estimated by MDBN after removing missing data and gross error. Therefore, danger signal would be used for fault diagnosis of chemical process transition state using DT based DAIS. The start-up process of atmospheric and vacuum distillation unit will be used to study and illustrate proposed methods, and a set of effective fault diagnosis strategy with the capability to deal with unreliable data for transition state of chemical process will be proposed.

故障诊断技术对保障化工过程的开、停车等过渡态安全运行具有重要意义，而监测数据的不可靠会直接影响故障诊断结果。本课题拟针对监测数据可靠性低的问题，应用机器学习与人工免疫技术，开发适用于化工过程过渡态的故障诊断方法。首先，引入危险理论至动态人工免疫系统，提出以危险信号为依据的故障诊断方法。再开发由不完整的监测变量到危险信号的多模深度信念网络。于此同时，应用动态贝叶斯网络挖掘化工过程过渡态监测数据之间的依存关系，利用动态贝叶斯网络的时序性，研究过失误差检测方法。在线诊断过程中，用动态贝叶斯网络检测出过失误差后，将除去过失误差和缺失数据的变量代入深度信念网络，得到危险信号。最后应用动态人工免疫系统，对危险信号进行故障诊断。以常减压开车过程为例，研究和验证上述方法，提出一套有效应对监测数据低可靠情况的化工过程过渡态故障诊断策略。

故障诊断技术对保障化工过程安全、稳定、长久的安全运行具有重要意义，而监测数据的不可靠会直接影响故障诊断结果。本课题针对监测数据可靠性低的问题，应用集成学习、机器学习、多元统计等算法，综合研究，开发出适用于化工过程过渡态的故障诊断方法。首先，针对常见的噪音类的数据可靠性低影响故障诊断性问题，提出了基于提升小波的深度信念网络故障诊断算法。通过提升小波对原始数据进行分解，然后将得到的低频信号进行重构获得理想数据，并将理想数据用于DBN模型的训练之中。进一步提出逐个局部降噪的方式处理在线数据，在TE过程和天然气脱硫过程中的应用取得了极好的效果。针对化工过程中常见的仪表故障对于过程故障诊断结果的影响，提出了基于循环时间算法的多元统计方法，利用循环时间算法对于数据规律性的敏感，发现单个仪表故障与过程故障的异同规律，实现对于单个仪表故障和过程故障的整体诊断。最终应用TE过程和天然气脱硫过程进行验证，取得了良好的诊断效果。最后，针对化工过程的监测数据存在的数据缺失、漂移和卡死等不可靠现象可能严重影响故障诊断的准确性问题,提出了基于随机森林（RF）的故障诊断方法。利用训练集对RF分类器进行训练和调优,得到最优的RF分类器模型,确定决策树数量和随机属性个数,最后将存在不可靠变量的测试集数据输入RF分类器模型,利用随机森林方法的强抗干扰能力,实现对存在数据低可靠的化工过程进行诊断。通过TE过程测试表明，该方法可以一体化的对过程故障类型进行诊断，不需要提前检测低可靠数据，在实际工业环境的应用中具有一定的优越性。项目最后，课题组基于上述研究成果，开发了集成化的低可靠条件下的化工过程故障诊断系统，并申请软件著作权。