CN108227649A - 工业对二甲苯氧化反应单元运行状态监测的方法 - Google Patents

工业对二甲苯氧化反应单元运行状态监测的方法 Download PDF

Info

Publication number
CN108227649A
CN108227649A CN201711328052.1A CN201711328052A CN108227649A CN 108227649 A CN108227649 A CN 108227649A CN 201711328052 A CN201711328052 A CN 201711328052A CN 108227649 A CN108227649 A CN 108227649A
Authority
CN
China
Prior art keywords
variable
subset
oxidation reaction
monitoring
xylene oxidation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711328052.1A
Other languages
English (en)
Inventor
颜学峰
黄俊平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China University of Science and Technology
Original Assignee
East China University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by East China University of Science and Technology filed Critical East China University of Science and Technology
Priority to CN201711328052.1A priority Critical patent/CN108227649A/zh
Publication of CN108227649A publication Critical patent/CN108227649A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Abstract

本发明公开了在线实时监测工业过程中对二甲苯氧化反应操作单元运行状态的方法，是根据过程变量间的相关性信息将被测变量划分成多个独立的变量以及多个相关的变量子集。采集工业反应单元实际生产数据作为训练样本，利用核主元分析算法(KPCA)建立起相关变量子集的监测模型，通过支持向量数据描述算法(SVDD)为剩余的多个独立变量创建统一的监测模型。最后，所有的统计指标通过贝叶斯推理技术融合为一个单一的统计指标以指示当前过程是否运行正常。工业对二甲苯氧化反应单元的监测方法进一步挖掘了过程变量间的局部信息，其监测结果更有针对性，便于进一步指导相关控制操作、保证生产安全、提高产品质量和经济效益。

Description

工业对二甲苯氧化反应单元运行状态监测的方法
技术领域
本发明属于化学反应工程与自动化交叉领域，涉及精对苯二甲酸(PureTerephthalic Acid，PTA)工业生产过程中，对二甲苯(p-xylene，PX)氧化反应单元运行状态的实时监测方法。
背景技术
现代工业规模越来越大，工艺过程也越来越复杂，而对生产稳定性和持续性的要求却又在不断提高。尤其是对于各类化工生产领域，其生产常处于高温高压或是低温低压等极端环境下。任何细小的异常工况都有可能影响生产，严重的则会导致装置停车，甚至是引发爆炸或破坏周边生态环境等恶性事件。因此及时准确地发现生产过程中的异常工况，对于保障过程安全和产品质量都具有十分重要的意义。
在精对苯二甲酸(PTA)生产过程中，对二甲苯(p-xylene，PX)主要是在工业连续搅拌釜式反应器(Continuous Stirred-Tank Reactor,CSTR)中进行的，在温度为180℃到200℃范围内，使用以醋酸为溶剂，醋酸钴和醋酸锰为催化剂，溴化氢为促进剂，空气或者分子氧为氧化剂进行反应的。PX氧化反应过程如图1所示，即PX在氧化反应器中氧化生成粗对苯二甲酸(TA)，接着反应器的出料进入结晶器。这一氧化反应在PTA生产中处于核心地位，直接关系到PTA产品的质量、产量、收率和燃烧损失等。因此，迫切需要对对二甲苯氧化反应单元进行有效的监测。
对二甲苯氧化反应是高温高压下的气液固三相共存的液相催化氧化反应，反应过程涉及到气液的传热、传质、固体结晶及淤浆悬浮等；在PX氧化生成TA过程中，还伴随着大量副反应。因此，PX氧化反应过程相当复杂，各变量间呈高度非线性特征。并且目前对PX氧化反应及其副反应的机理认识有限，因此很难从模型的角度出发建立监测模型。
基于多元统计的数据驱动方法利用过程运行数据进行分析处理，可以在不需要系统精确模型的条件下实施监测任务。随着集散控制系统(Distributed Control System,DCS)和计算机技术的飞跃发展，该方法自20世纪90年代以来在学术界和工业界都受到了广泛的关注。基于数据驱动的方法完全以采集到的数据为依据，具有很强的通用性，更加适合现代复杂的化工工业。常用的方法有主成分分析(Principal Component Analysis,PCA)、偏最小二乘(Partial Least Squares,PLS)独立成分分析(Independent ComponentAnalysis,ICA)以及处理非线性对象的核主元分析(Kernel PCA,KPCA)和支持向量数据描述(Support Vector Data Description,SVDD)。
由于现代工业规模的日益扩大，待监测的变量个数也随之增加，而变量之间的关系也变得越来越复杂，有些变量之间是线性相关的，有些变量之间是非线性相关的，甚至还有一些变量是近似独立于所有其它变量的。对于实施过程监测来讲，对整个过程建立一个全局的监测模型可能会忽略很多过程的细节信息。同时，由于变量间的关系复杂，监测得到的结果也很难解释。在全局的监测模型当中，当对影响个别变量的局部故障进行监测的时候，将会有大量的冗余变量的存在，这会明显降低过程监测的效果。因此，我们希望将具有紧密相关关系的变量聚集在一起，以挖掘出更多的局部故障信息并减少冗余变量对监测效果的影响。
发明内容
本发明的目的是提供一种对PX氧化反应单元的运行工况进行实时监测的方法。通过互信息(MI)方法定量分析过程变量间的相关性信息，建立相关矩阵，并设计相关变量的自动组合逻辑将监测变量自动划分成多个由相关变量组成的变量子集以及包含所有独立变量的变量子集。采集PX氧化反应单元的实际过程数据作为训练样本，利用核主元分析算法(KPCA)为各个相关变量子集建立监测模型，通过支持向量数据描述算法(SVDD)为独立变量子集创建监测模型。最后，所有的统计指标通过贝叶斯推理技术融合为一个单一的统计指标以直观地显示当前过程中是否存在异常工况。本发明设计的监测方案进一步挖掘了过程变量间的局部信息，其监测结果更有针对性，便于进一步指导相关的控制操作并有助于保障生产安全和提高产品质量。
1.建模样本的预处理
过程监测变量间往往存在着复杂的相关性，既存在一些单个变量近似独立于整个过程，也存在一些由相关变量构成的变量子集近似独立于整个过程。在生产过程中某些变量的状态发生异常时，这种变异信息可能仅仅存在于某一个变量子集中。相比于建立全局的监测模型，在各个变量子集上分别建立监测模型显然会挖掘出更多的局部故障信息并提高故障监测的性能。
本发明的特点是：(1)通过计算各变量间的互信息值，建立起变量间的相关矩阵；(2)引入随机参考机制，确定变量间相关性度量的阈值；(3)设计相关变量的自动组合逻辑：根据相关矩阵以及相关性阈值，自动划分出相关的变量子集以及独立的变量；(4)为每个相关变量子集建立KPCA模型，为由独立变量组成的子集建立SVDD监测模型。
为了消除量纲的影响，对采集的样本数据进行规范化预处理：即均值为0，标准差为1。对于给定的输入向量x＝[x1,…xm]∈Rm，利用公式(1)进行处理：
其中，xi是第i个监测变量的采样值，mx和sx分别表示该变量的样本均值和标准偏差，而m则表示所有的监测变量个数。
2.独立变量和相关变量子集的选取
首先，建立变量间的相关矩阵。对于规范化的输入矩阵X＝[x1,…xm]∈Rn×m(包含n个采样点和m个监测变量)，变量间的相关矩阵构造如下：
其中，如果变量xi和变量xj之间的互信息值大于阈值，那么将hi,j(i≠j)设置为1，否则hi,j设为0。值得注意的是该相关矩阵是对称的，即hi,j＝hj,i。
其次，引入随机参考机制以确定阈值。我们随机生成两组相互独立的随机变量z1和z2，并计算他们之间的互信息值h*。重复上述步骤r次，生成互信息向量h*＝[h* 1,h* 2,…,hr *]T。然后，利用核密度估计(KDE)计算具有99％置信度的互信息值作为阈值。由于过程变量间不可避免地会存有一定的若相关性信息，因此可以再给该阈值赋予一个乘数c。
通过上述两步，相关性矩阵将会变成只含有0,1元素的矩阵。如果在向量hi和hj的相同位置上存在相同的元素，那么变量xi和变量xj就认为是相关的，即存在如下关系：hi Thj≠0。然后，这两个向量hi和hj将被重组，该组合逻辑如图2所示。当且仅当两个输入变量都为零的时候，重组后的输出将会调整为零。按照这一逻辑，相关矩阵R将会缩减为R*＝[w1,w2,…,ws]T∈Rs×m，其中s表示缩减后相关变量子集和独立变量的总数。矩阵R*满足如下3条性质：
(1)任意两个行向量的点积为零，即wi Twj＝0，这意味着任何两个变量子集
都是不相关的。
(2)对于满足||w||＝1以及w(i)＝1的这种情况，变量xi是独立的(i可以是1
到m中的任意一个数)。
(3)对于满足||w||>1的这种情况，则对应于w(i)＝1的那些变量xi都是相关的。3.建立基于MKPCA-SVDD的单元过程监测模型
通过上述的划分方式，过程变量将会划分成多个变量子集，如式(3)所示：
X＝[Xrel,1,Xrel,2,…,Xrel,B；Xind](3其中，Xrel,b(b＝1～B)表示第b个相关变量子集，而Xind则包含所有独立的过程变量。之后，过程监测任务就会在每个变量子集中执行，以挖掘出更多的局部故障信息。考虑到KPCA在处理线性和非线性相关变量方面的优势，为变量子集Xrel建立多个KPCA模型，而那些独立变量所组成的子集Xind则通过SVDD来检测。
上述检测方案会产生很多的统计指标，如其中，统计量T2和Q来自于KPCA监测模型，而统计指标D则是由SVDD生成的。为了更为直观地呈现故障信息，我们通过贝叶斯推理来整合这些统计信息。首先，所有的统计指标都需转化为条件概率的形式，如下所示：
其中，N和F分别代表着正常状态和故障状态，而他们的概率则表示为p(N)和p(F)；所有统计指标的阈值THi(i＝2B+1)都是通过核密度估计(KDE)获取的。接下来，可以按照如下的形式来计算后验概率：
当显著性水平为α的时候，p(N)和p(F)分别为1–α和α。最后，我们通过加权的方式来获取最终单一的统计指标：
其中，BIC统计指标的阈值为α。
4.基于MKPCA-SVDD监测模型的在线实时监测技术
基于MKPCA-SVDD监测模型的离线建模和在线监测方案如图3所示。首先利用建模得到的样本均值和标准差规范化在线实时采集到的样本数据。然后根据建模获取的分组信息按照公式(3)将各个变量重组为多个变量子集。对于包含相关变量的子集利用KPCA进行检测，对于包含独立变量的子集通过SVDD进行检测，最后所有子模型产生的统计量都通过贝叶斯推理整合成为单一的统计指标以直观地表示当前的过程状态。如果当前采样时刻无异常，则继续分析下一时刻的过程状态。
附图说明
图1：工业对二甲苯氧化反应单元流程图。
图2：向量hi和hj的组合逻辑。
图3：基于MKPCA-SVDD的建模和监测方案。
图4：每两个变量之间的互信息值。
图5：基于MKPCA-SVDD的故障监测结果。
具体实施方式
以下通过一个实施示例对本发明作进一步说明：
采集生产过程中的实际数据用于建立MKPCA-SVDD监测模型。监测单元如图1所示，监测样本有：母液进料流量(x1)，PX进料流量(x2)，新鲜酸(x3)，空气进料(x4)，反应温度(x5)，液位1(x6)，尾氧(x7)，空气流量(x8)，温度(x9)，液位2(x10)。
首先，根据公式(1)提到的方式对样本数据进行规范化处理以中心化样本数据并消除变量间量纲的影响。接着，通过计算每两个变量间的互信息值来定量地描述变量间的相关性信息。利用设计的随机参考机制，确定变量间相关性大小的阈值，其中核密度估计的置信度设置为0.99，乘数c设置为1.8。
图4描绘出了每两个变量之间的互信息关系。其中，第一张子图显示了变量x1和各个变量间的互信息值(包括变量x1)。在图4所示的各个子图中，互信息值超过阈值的那些变量被认为是和当前子图所对应的变量相关的。最终结果可以形成如下所示的相关性矩阵：
其中，矩阵R的第1行对应于图4中的第1个子图、第2行对应于第2个子图，并依次类推；而每一列则可以看成是分别对应于第1个变量、第2个变量，并以此类推。对于第1行，因为图4的第1个子图中只有变量x1超过了阈值，因此只有变量x1对应的第1个元素设置为1；对于第5行，因为图4中有变量x5，x7，x8，x9超过了阈值，因此它们对应的第5,7,8,9个元素都设为1。
根据上文提到的组合逻辑进行变量间的组合。例如对矩阵R中的第7行和第8行进行组合，其结果可以表示为：0 0 0 0 1 0 1 1 1 0。最终，该相关矩阵将被缩减为如下的形式：
该矩阵满足上文提到的性质：任意两个行向量的内积为0，即各个组合都是相互近似独立的；第1个行向量的模为1，所以其第1个元素对应的观测变量x1是独立变量；第5个行向量的模大于1，所以其所对应的第5,7,8,9个观测变量组成一个相关变量子集。最终可以很自然地组合为：变量x5,x7,x8,x9将会被划分到同一个相关变量子集Xrel中，而变量x1,x2,x3,x4,x6,x10将会被分到独立变量子集Xind中。
对相关变量子集使用KPCA建模，相关参数设置如下；核函数选用RBF核函数，核函数的宽度设置为20，主元的累计方差贡献率为99％。对于独立变量集使用SVDD建模，相关参数设置如下：选用RBF核函数，核宽度设为30。
对于在线监测阶段，故障大致发生在第635个和第1360个采样点之间。基于MKPCA-SVDD的监测结果如图5所示，可见该方法具有良好的监测性能。在发生故障的时间区间内，MKPCA-SVDD不仅对故障的发生做了较为及时的预报，而且几乎大部分的故障样本点也都被检测了出来(统计量位于控制限上方的那些样本点被认为是故障样本点)。
以上描述了，基于MKPCA-SVDD的工业对二甲苯氧化反应单元运行状态监测模型。通过分析变量间的相关性信息，建立独立的变量子集和相关变量子集来挖掘变量间的局部故障信息，以提高监测效率。

Claims (6)

1.工业对二甲苯氧化反应单元运行状态监测的方法，以工业反应器实际生产数据作为训练样本，通过实时监测母液进料流量(x1)、PX进料流量(x2)、新鲜酸(x3)、空气进料(x4)、反应温度(x5)、液位1(x6)、尾氧(x7)、空气流量(x8)、温度(x9)和液位2(x10)，建立运行状态趋势图以反映出生产过程在当前时刻是否运行在正常工况下进行监测。
2.根据权利要求1所述的工业对二甲苯氧化反应单元运行状态监测的方法，其特征是，通过计算各监测变量间的互信息值，建立起反映变量间相关性的矩阵。然后引入随机参考机制，确定变量间相关性度量的阈值，并设计组合逻辑以自动划分出相关的变量子集和独立的变量；接着，为每个相关变量子集建立KPCA模型，为由独立变量组成的子集建立SVDD监测模型；最后，通过贝叶斯推理机制将所有的统计指标综合为单一的统计指标以直观地呈现出PX反应单元的运行状态。
3.根据权利要求1所述的工业对二甲苯氧化反应单元运行状态监测的方法，其特征是，引入随机参考机制，以初步度量两个独立变量间的互信息值；再通过核密度技术确定变量间相关性大小的阈值，其中置信度设为0.99；通过设置乘数c以避开变量间存在的弱相关性干扰。
4.根据权利要求1所述的工业对二甲苯氧化反应单元运行状态监测的方法，其特征是，建立相关矩阵是仅包含0,1元素的对称方阵；该方阵的对角线元素全为1，其余元素的默认值为0，且只有在对应变量的互信息值超过阈值时才被设置为1。
5.根据权利要求4所述的工业对二甲苯氧化反应单元运行状态监测的方法，其特征是，其特征是缩减后的相关性矩阵中任意两行的向量内积为0；仅含有唯一元素1的行向量对应一个独立变量；包含多个元素1的行向量对应一个相关变量子集。
6.根据权利要求1所述的工业对二甲苯氧化反应单元运行状态监测的方法，其特征是，将反应温度(x5)、尾氧(x7)、空气流量(x8)和温度(x9)划入一个相关变量子集并建立KPCA监测模型，而将母液进料流量(x1)、PX进料流量(x2)、新鲜酸(x3)、空气进料(x4)、液位1(x6)、和液位2(x10)划入独立变量子集并建立SVDD监测模型。
CN201711328052.1A 2017-12-13 2017-12-13 工业对二甲苯氧化反应单元运行状态监测的方法 Pending CN108227649A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711328052.1A CN108227649A (zh) 2017-12-13 2017-12-13 工业对二甲苯氧化反应单元运行状态监测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711328052.1A CN108227649A (zh) 2017-12-13 2017-12-13 工业对二甲苯氧化反应单元运行状态监测的方法

Publications (1)

Publication Number Publication Date
CN108227649A true CN108227649A (zh) 2018-06-29

Family

ID=62652036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711328052.1A Pending CN108227649A (zh) 2017-12-13 2017-12-13 工业对二甲苯氧化反应单元运行状态监测的方法

Country Status (1)

Country Link
CN (1) CN108227649A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110701487A (zh) * 2019-09-18 2020-01-17 浙江工业大学 一种基于KPCA和Cas-SVDD的多工况管道泄漏检测方法
CN111104642A (zh) * 2019-12-24 2020-05-05 中广核工程有限公司 一种确定混波室内搅拌器独立搅拌位置数的方法
CN112198842A (zh) * 2020-08-24 2021-01-08 华东理工大学 Pta氧化单元异常运行状态的溯源诊断方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1316647A (zh) * 2001-04-11 2001-10-10 中国石化集团扬子石油化工有限责任公司 对二甲苯氧化反应产品中对羧基苯甲醛含量的软测量方法
CN1409179A (zh) * 2001-09-17 2003-04-09 费舍-柔斯芒特系统股份有限公司 处理性能监控与处理设备监控及控制的合成
CN1704751A (zh) * 2004-06-03 2005-12-07 华东理工大学 Px氧化反应过程醋酸和px燃烧损失的在线软测量方法
US20160024395A1 (en) * 2008-11-03 2016-01-28 Nalco Company Method of Reducing Corrosion and Corrosion Byproduct Deposition in a Crude Unit
CN106092625A (zh) * 2016-05-30 2016-11-09 宁波大学 基于修正型独立元分析和贝叶斯概率融合的工业过程故障检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1316647A (zh) * 2001-04-11 2001-10-10 中国石化集团扬子石油化工有限责任公司 对二甲苯氧化反应产品中对羧基苯甲醛含量的软测量方法
CN1409179A (zh) * 2001-09-17 2003-04-09 费舍-柔斯芒特系统股份有限公司 处理性能监控与处理设备监控及控制的合成
CN1704751A (zh) * 2004-06-03 2005-12-07 华东理工大学 Px氧化反应过程醋酸和px燃烧损失的在线软测量方法
US20160024395A1 (en) * 2008-11-03 2016-01-28 Nalco Company Method of Reducing Corrosion and Corrosion Byproduct Deposition in a Crude Unit
CN106092625A (zh) * 2016-05-30 2016-11-09 宁波大学 基于修正型独立元分析和贝叶斯概率融合的工业过程故障检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
姜庆超: "《基于信息富集与特征选择的多元统计化工过程监测研究》", 《信息科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110701487A (zh) * 2019-09-18 2020-01-17 浙江工业大学 一种基于KPCA和Cas-SVDD的多工况管道泄漏检测方法
CN110701487B (zh) * 2019-09-18 2021-08-24 浙江工业大学 一种基于KPCA和Cas-SVDD的多工况管道泄漏检测方法
CN111104642A (zh) * 2019-12-24 2020-05-05 中广核工程有限公司 一种确定混波室内搅拌器独立搅拌位置数的方法
CN111104642B (zh) * 2019-12-24 2023-09-15 中广核工程有限公司 一种确定混波室内搅拌器独立搅拌位置数的方法
CN112198842A (zh) * 2020-08-24 2021-01-08 华东理工大学 Pta氧化单元异常运行状态的溯源诊断方法

Similar Documents

Publication Publication Date Title
Don et al. Dynamic process fault detection and diagnosis based on a combined approach of hidden Markov and Bayesian network model
Quiñones-Grueiro et al. Data-driven monitoring of multimode continuous processes: A review
CN102520717B (zh) 用于在加工厂中预防异常状况的数据呈现系统
CN100555136C (zh) 加工厂中的异常状况预防方法和系统
CN108227649A (zh) 工业对二甲苯氧化反应单元运行状态监测的方法
CN100461044C (zh) 一种丙烯聚合生产中熔融指数检测的故障诊断系统及方法
Ma et al. Root cause diagnosis of quality-related faults in industrial multimode processes using robust Gaussian mixture model and transfer entropy
Yu A new fault diagnosis method of multimode processes using Bayesian inference based Gaussian mixture contribution decomposition
CN103914064A (zh) 基于多分类器和d-s证据融合的工业过程故障诊断方法
WO2007047375A1 (en) Statistical signatures used with multivariate statistical analysis for fault detection and isolation and abnormal condition prevention in a process
Ruiz et al. On-line fault diagnosis system support for reactive scheduling in multipurpose batch chemical plants
JP2010506258A (ja) 分散型プロセス制御システムにおけるオンライン多変量解析
Baklouti et al. Iterated robust kernel fuzzy principal component analysis and application to fault detection
CN103901880A (zh) 基于多分类器和d-s证据融合的工业过程故障检测方法
Deng et al. Multimode process fault detection using local neighborhood similarity analysis
Ruiz et al. Fault diagnosis support system for complex chemical plants
Lau et al. Fault diagnosis of the polypropylene production process (UNIPOL PP) using ANFIS
Chang et al. A fuzzy diagnosis approach using dynamic fault trees
CN104914850A (zh) 基于切换线性动态系统模型的工业过程故障诊断方法
CN100461043C (zh) 工业聚丙烯生产熔融指数检测故障诊断系统及方法
Khan et al. Advanced statistical and meta-heuristic based optimization fault diagnosis techniques in complex industrial processes: a comparative analysis
WO2022163132A1 (ja) 分析方法、分析プログラムおよび情報処理装置
EP3048613B1 (en) Method for analysis of plant disturbance propagations
Andonovski et al. Fault detection through evolving fuzzy cloud-based model
Svitnic et al. Data-Driven Approach for Predictive Modeling of By-Product Formation in Methanol Synthesis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180629

WD01 Invention patent application deemed withdrawn after publication