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過程，過程監(jiān)測與故障診斷是保障安全生產的一個重要環(huán)節(jié)。本文提出一個基于核主元分析（Kernel Principal Component Analysis，KPCA）、概率神經網絡（Probabilistic Neural Network，PNN）和故障樹分析（Fault Tree Analysis，FTA）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結合

2、的過程監(jiān)測方法（WDKPCA），通過對系統(tǒng)運行時采集的數據進行小波降噪，提高過程監(jiān)測數據的質量，利用降噪后的數據建立KPCA模型，通過計算得、SPE數據及其控制限的數據，實現對系統(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，結果表明當小波降噪與核主元分析法相結合時，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，FCM）的概率神經網絡故障診斷方法。概率神經網絡在故障種類少的情況下，診斷正確率非常高。但是，當神經網絡面對大樣本數據時，診斷正確率下降，為提高訓練樣本的質量，對訓練神經網絡的樣本數據進行模糊C均值聚類處理，從而去除冗余樣本，提高神經網絡的訓練效率。實例分析結果表明，在對樣本數據去冗余后，神經網絡的訓練時間減少，故障診斷正確率提升明