大型化工過程監(jiān)測與故障診斷方法研究.pdf

1、對于大型的化工生產(chǎn)過程，過程監(jiān)測與故障診斷是保障安全生產(chǎn)的一個重要環(huán)節(jié)。本文提出一個基于核主元分析（Kernel Principal Component Analysis，KPCA）、概率神經(jīng)網(wǎng)絡（Probabilistic Neural Network，PNN）和故障樹分析（Fault Tree Analysis，F(xiàn)TA）的過程監(jiān)測和故障診斷方法。
　　首先，建立小波降噪（Wavelet Denoising，WD）與KPCA結(jié)合

2、的過程監(jiān)測方法（WDKPCA），通過對系統(tǒng)運行時采集的數(shù)據(jù)進行小波降噪，提高過程監(jiān)測數(shù)據(jù)的質(zhì)量，利用降噪后的數(shù)據(jù)建立KPCA模型，通過計算得、SPE數(shù)據(jù)及其控制限的數(shù)據(jù)，實現(xiàn)對系統(tǒng)過程狀態(tài)的監(jiān)測。以田納西—伊斯曼過程（Tennessee Eastman Process，TEP）中4種不同類型的故障作為實例進行驗證，結(jié)果表明當小波降噪與核主元分析法相結(jié)合時，能夠大幅提升在線故障監(jiān)測的效率，及時診斷出故障的發(fā)生。
　　然后，針對核主元

3、分析法不能進行故障識別這一不足，提出了基于模糊C均值聚類（Fuzzy C-Means Algorithm，F(xiàn)CM）的概率神經(jīng)網(wǎng)絡故障診斷方法。概率神經(jīng)網(wǎng)絡在故障種類少的情況下，診斷正確率非常高。但是，當神經(jīng)網(wǎng)絡面對大樣本數(shù)據(jù)時，診斷正確率下降，為提高訓練樣本的質(zhì)量，對訓練神經(jīng)網(wǎng)絡的樣本數(shù)據(jù)進行模糊C均值聚類處理，從而去除冗余樣本，提高神經(jīng)網(wǎng)絡的訓練效率。實例分析結(jié)果表明，在對樣本數(shù)據(jù)去冗余后，神經(jīng)網(wǎng)絡的訓練時間減少，故障診斷正確率提升明