基于特征工程和KELM的化工过程故障检测与识别

论文摘要

针对化工过程工艺复杂、数据非高斯性和耦合性强的问题,提出了一种基于特征工程与核极限学习机（kernel extreme learning machine, KELM）相结合的化工过程故障检测与识别方法。首先用独立分量分析（independent component analysis,ICA）将原始数据分离在相互独立的方向上,通过计算样本的统计量判断是否有故障产生。然后,对两个样本用互信息（mutual information, MI）进行相关性对比,通过贡献度与相关性进行变量选取,以提高分类的准确度。最后,将获取的特征输入到KELM中进行故障分类。为了提高网络的诊断精度,采用遗传算法对参数进行优化。应用于田纳西-伊斯曼（Tennessee Eastman,TE）过程与某工业脱丙烷过程的结果表明,该方法可有效地检测出故障并且准确识别故障种类。

论文目录

• 1 前言
• 2 基本原理
•   2.1 ICA算法
•   2.2 MI算法
•   2.3 KELM算法
• 3 基于特征工程和KELM的过程模型构建
•   3.1 独立分量的获取
•   3.2 MI选择相关特征
•   3.3 KELM识别故障种类
• 4 案例研究
•   4.1 TE过程案例研究
•     4.1.1 过程统计量监测
•     4.1.2 重组样本构建TE过程KELM神经网络
•   4.2 某工业脱丙烷流程案例研究
•     4.2.1 脱丙烷过程统计量监测
•     4.2.2 重组样本构建脱丙烷过程KELM神经网络
•   4.3 遗传算法优化KELM神经网络
• 5 结论
• 符号说明：

文章来源

类型: 期刊论文

作者: 任玉佳,王骥,田文德

关键词: 独立分量分析,互信息,核极限学习机,遗传算法,故障检测与识别

来源: 高校化学工程学报 2019年05期

年度: 2019

分类: 工程科技Ⅰ辑,信息科技

专业: 无机化工,有机化工,自动化技术

单位: 青岛科技大学化工学院

基金: 国家自然科学基金(21576143)

分类号: TQ050.7;TP277

页码: 1271-1284

总页数: 14

文件大小: 982K

下载量: 73