CN115859201A - 一种化工过程故障诊断方法及系统 - Google Patents
一种化工过程故障诊断方法及系统 Download PDFInfo
- Publication number
- CN115859201A CN115859201A CN202211470956.9A CN202211470956A CN115859201A CN 115859201 A CN115859201 A CN 115859201A CN 202211470956 A CN202211470956 A CN 202211470956A CN 115859201 A CN115859201 A CN 115859201A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- data
- module
- chemical process
- model
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000001311 chemical methods and process Methods 0.000 title claims abstract description 61
- 230000008569 process Effects 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000012824 chemical production Methods 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000009467 reduction Effects 0.000 claims abstract description 11
- 238000004519 manufacturing process Methods 0.000 claims abstract description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 25
- 241000283153 Cetacea Species 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000000739 chaotic effect Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000009977 dual effect Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 239000007788 liquid Substances 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000003756 stirring Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- 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]
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种化工过程故障诊断方法及系统，包括：数据采集模块，用于获取化工生产过程中操作变量和生产过程中各传感器测量的过程变量；数据处理模块，用于对采集的化工过程数据进行去噪和特征降维处理，降低计算难度以及减小噪声对结果的影响；模型训练模块，用于建立基于BiGRU的化工过程故障诊断模型，并通过化工过程的历史数据与智能优化模块对建立的故障诊断模型进行训练，求出网络的最优参数，最小化损失函数误差；智能优化模块，通过改进的WOA算法对TVF‑EMD算法与BiGRU模型进行同步优化；故障诊断模块，用于对化工过程数据的故障诊断。本发明通过改进WOA优化BiGRU模型，提高了对故障信息的利用，有效提高化工过程故障诊断效率。
Description
技术领域
本发明属于化工过程故障诊断领域，具体涉及一种化工过程故障诊断方法及系统。
背景技术
化工行业是国民的支柱产业，与人们的衣食住行息息相关。随着科学技术的发展，化工行业向着自动化、信息化、集成化和智能化发展，相关设备之间具有很大的耦合性。如果无法及时发现和处理故障，可能会导致整个生产系统崩溃甚至引发重大事故。由于化学工业的特点，发生的事故对社会和环境具有巨大的破坏性。因此，一个性能优异并且高效及时的故障诊断模型对保证化工生产安全就显得极为重要。
通常，故障检测和诊断方法分为三类：基于模型的方法，基于知识的方法和基于数据的方法。基于模型的方法采用定量数学模型，对于复杂的工业系统实施这种方法并不容易。基于知识的方法依赖于操作员的专业知识，这是非常主观的。此外，基于知识的方法很难确定实际工业系统中大量传感器相关结构。基于数据的方法利用历史数据来识别化工生产过程的运行状态，而不需要复杂而精确的数学模型，常被用于故障检测研究。基于数据的方法通常可分为统计方法和机器学习方法。深度学习作为机器学习的主导分支，具有强大数据处理和特征学习能力，在故障诊断领域有着广泛地应用。
目前的故障诊断模型不能充分利用化工过程数据的故障特征，模型参数设置的不够准确，诊断精度有待提升。现有技术也有通过WOA算法优化诊断模型，但其未考虑到WOA算法在迭代后期易陷入局部最优的缺点。
发明内容
发明目的：针对背景技术中指出的问题，本发明公开一种化工过程故障诊断方法及系统，利用改进WOA优化基于BiGRU的化工过程故障诊断模型，提高了对故障信息的利用，有效提高化工过程故障诊断效率。
技术方案：本发明提供一种化工过程故障诊断方法，包括如下步骤：
步骤1：获取化工生产过程中操作变量和生产过程中各传感器测量的过程变量作为化工生产过程的历史数据，包括各种过程变量传感器和现场仪表，操作变量包括总进料量、阀门开度、搅拌速度，过程变量包括流量、压力、温度和液位；
步骤2：对采集的化工过程数据进行去噪和特征降维处理；化工生产过程的历史数据作为TVF-EMD分解模型的输入，TVF-EMD分解模型把历史数据分解为多个不同频率的分量，再去除加权峰度指数低的分量并重构剩余分量，得到去噪后的化工生产过程数据；去噪后的化工生产过程数据作为核主成分分析(KPCA)模型的输入，通过KPCA对重构的高维度数据集进行特征降维，去除包含故障信息少的变量输入；
步骤3：建立基于BiGRU的化工过程故障诊断模型，利用改进的鲸鱼优化算法同步优化TVF-EMD分解模型与基于BiGRU的化工过程故障诊断模型的关键参数，所述改进的鲸鱼优化算法包括：混沌Bernoulli初始化替换原本的随机初始化，添加双重自适应权重改变鲸鱼个体位置更新方式；
步骤4：通过化工过程的历史数据与改进的鲸鱼优化算法对建立的基于BiGRU的化工过程故障诊断模型进行训练，求出网络的最优参数，最小化损失函数误差；
步骤5：利用步骤4中训练优化后的化工过程故障诊断模型对化工过程数据在线故障诊断，得到对应的诊断结果。
进一步地，所述步骤2中利用TVF-EMD分解模型把历史数据分解为多个不同频率的分解步骤如下：
步骤2.1：对故障数据的第i个变量Xi(t)进行希尔伯特变换，得到变换后的结果Hi(t)，计算Xi(t)的瞬时幅度A(t)和瞬时频率F(t)，计算公式如下：
F(t)＝arctan[Xi(t)/Hi(t)]
步骤2.2：确定瞬时幅值A(t)的局部极大值和局部极小值，得到两个集合{tmax}和{tmin}，然后对{tmax}和{tmin}进行插值计算B样条曲线，得到曲线B1(t)和B2(t)，通过下式计算相应的瞬时均值γ1(t)和瞬时包络γ2(t)以及：
步骤2.3：计算瞬时频率分量λ1(t)和λ2(t)：
步骤2.4：计算局部截止频率λ′(t)：
步骤2.5：计算信号φ(t)＝cos[∫λ′(t)d(t)]，并将φ(t)的极值点作为构造时变滤波器的节点，采用B样条插值对变量xi(t)进一步进行滤波，结果记录为m(t)；
步骤2.6：当满足停止条件σ(t)时，xi(t)表示为IMF，若不满足条件则xi(t)＝xi(t)-m(t)，重复执行步骤2.1-步骤2.5，σ(t)的计算公式如下：
式中，BL(t)为两分量信号的Loughlin瞬时带宽，λa(t)为单个分量瞬时频率的加权平均值。
进一步地，所述步骤2中加权峰度指数WKI由相关系数CC和最大峰值指数KI加权得到，对于信号x和y，计算方式如下：
WKI＝|CC|·KI
其中，E表示数学期望，M为信号长度。
进一步地，所述步骤3中TVF-EMD分解模型与基于BiGRU的化工过程故障诊断模型的关键参数包括：TVF-EMD分解模型的带宽阈值ξ、基于BiGRU的化工过程故障诊断模型的学习率rl和隐藏层节点个数nh。
进一步地，所述步骤4中改进的鲸鱼优化算法步骤为：
步骤4.1：设置WOA算法的目标函数为诊断准确率并初始化相关参数，包括：种群规模、迭代次数、维度大小；
步骤4.2：利用混沌Bernoulli映射初始化WOA算法的种群位置，Bernoulli映射的计算公式为：
其中，xi表示第i个个体位置，λ设置为0.4，x0设置为0.152；
步骤4.3：根据目标函数，计算每个个体的适应度值，并记录当前适应度值最高个体的位置为Xbest；
步骤4.4：将标准WOA算法中的线性因子a改为非线性因子a′并计算独立变量A和C，计算公式如下：
A＝2a′r-a′
C＝2r
其中，t为当前迭代次数，T为总迭代次数，r为0～1之间的随机数；
步骤4.5：计算双重自适应权重w的值，计算公式如下：
步骤4.6：根据A和0～1之间的随机变量p的值选择不同的方式更新每个个体的位置，更新公式如下：
其中，t是当前迭代数，Xb(t)代表最佳鲸鱼的位置，l是[-1，1]之间的随机值，是当前种群中随机鲸鱼的地位，b是定义对数螺旋形状的常数；
步骤4.7：迭代次数加1，判断是否达到算法的最大迭代次数，若未达到最大迭代次数则进入步骤4.2；否则，结束运行，输出最终运行结果。
本发明还公开一种化工过程故障诊断系统，包括数据采集模块、数据处理模块、模型训练模块、智能优化模块、故障诊断模块和存储模块；
数据采集模块，用于获取化工生产过程中操作变量和生产过程中各传感器测量的过程变量，包括各种过程变量传感器和现场仪表，操作变量包括总进料量、阀门开度、搅拌速度，过程变量包括流量、压力、温度和液位；
数据处理模块，用于对采集的化工过程数据进行去噪和特征降维处理；化工生产过程的历史数据作为TVF-EMD分解模型的输入，TVF-EMD分解模型把历史数据分解为多个不同频率的分量，再去除加权峰度指数低的分量并重构剩余分量，得到去噪后的化工生产过程数据；去噪后的化工生产过程数据作为核主成分分析(KPCA)模型的输入，通过KPCA对重构的高维度数据集进行特征降维，去除包含故障信息少的变量输入；
模型训练模块，用于建立基于BiGRU的化工过程故障诊断模型，并通过化工过程的历史数据与智能优化模块对建立的故障诊断模型进行训练，求出网络的最优参数，最小化损失函数误差；
智能优化模块，用于优化所使用TVF-EMD分解模型与基于BiGRU的化工过程故障诊断模型的关键参数，模块内部包含一种改进的鲸鱼优化算法程序，改进的策略包括：混沌Bernoulli初始化替换原本的随机初始化，添加双重自适应权重改变鲸鱼个体位置更新方式；
故障诊断模块，用于对化工过程数据的在线故障诊断，将经过处理的新样本送入到故障诊断模块，并得到对应的诊断结果，并将诊断结果传输到存储模块；
存储模块，用于存储和展示由CAN总线传输的化工过程原始数据以及对应的诊断结果，同时可以判断是否产生故障以及在故障产生时发出警报并显示故障类型。
优选地，所述数据采集模块包括数据检测单元与通信单元，检测单元由各种传感器、仪器仪表、微处理器和通信接口构成，微处理器选择单片机、CPLD芯片、FPGA芯片，通信单元通过CAN总线技术负责检测单元与各模块和上位机之间的通信。
有益效果：
与现有技术相比，本发明的有益效果：1、本发明应用TVF-EMD、加权峰度指数与KPCA对输入信号进行重构，去除噪声对模型精度的影响并有效地降低了输入维度。2、本发明针对WOA算法容易陷入局部最优的缺点提出一种改进的WOA算法，通过使用混沌Bernoulli初始化种群并添加双重自适应权重，增强WOA算法的优化能力，提高模型的诊断性能。3、本发明利用改进的WOA算法对TVF-EMD和BiGRU进行同步优化，更好地捕捉输入特征因子和模型参数之间的潜在关系。
附图说明
图1为本发明的系统流程图；
图2为所提出故障诊断方法的流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提供一种化工过程故障诊断系统，该系统中设置一种化工过程故障诊断方法，如图1所示，具体包括数据采集模块、数据处理模块、模型训练模块、智能优化模块、故障诊断模块和存储模块。
模块1：数据采集模块，用于获取化工生产过程中操作变量和生产过程中各传感器测量的过程变量作为化工生产过程的历史数据，操作变量包括总进料量、阀门开度、搅拌速度等，过程变量包括流量、压力、温度和液位等。
数据采集模块包括数据检测单元与通信单元，检测单元由各种传感器、仪器仪表、微处理器和通信接口构成，微处理器可选择单片机、CPLD芯片、FPGA芯片等，通信单元主要通过CAN总线技术负责检测单元与各模块和上位机之间的通信。
模块2：数据处理模块，用于对采集的化工过程数据进行去噪和特征降维处理，化工生产过程的历史数据作为TVF-EMD分解模型的输入，TVF-EMD分解模型把历史数据分解为多个不同频率的分量，再去除加权峰度指数低的分量并重构剩余分量，得到去噪后的化工生产过程数据；去噪后的化工生产过程数据作为核主成分分析(KPCA)模型的输入，通过KPCA对重构的高维度数据集进行特征降维，去除包含故障信息少的变量输入。
TVF-EMD分解模型的具体内容为：
对故障数据的第i个变量Xi(t)进行希尔伯特变换，得到变换后的结果Hi(t)，计算xi(t)的瞬时幅度A(t)和瞬时频率F(t)，计算公式如下：
F(t)＝arctan[Xi(t)/Hi(t)]
确定瞬时幅值A(t)的局部极大值和局部极小值，得到两个集合{tmax}和{tmin}。然后对{tmax}和{tmin}进行插值计算B样条曲线，得到曲线B1(t)和B2(t)。通过下式计算相应的瞬时均值γ1(t)和瞬时包络γ2(t)以及：
计算瞬时频率分量λ1(t)和λ2(t)：
计算局部截止频率λ′(t)：
计算信号φ(t)＝cos[∫λ′(t)d(t)]，并将φ(t)的极值点作为构造时变滤波器的节点，采用B样条插值对变量xi(t)进一步进行滤波，结果记录为m(t)。
当满足停止条件σ(t)时，xi(t)表示为IMF，若不满足条件则xi(t)＝xi(t)-m(t)，重复执行上述步骤。σ(t)的计算公式如下：
式中，BL(t)为两分量信号的Loughlin瞬时带宽，λa(t)为单个分量瞬时频率的加权平均值。
加权峰度指数的具体内容为：
加权峰度指数WKI由相关系数CC和最大峰值指数KI加权得到，对于信号x和y，计算方式如下：
WKI＝|CC|·KI
其中，E表示数学期望，M为信号长度。
模块3：模型训练模块，用于建立基于BiGRU的化工过程故障诊断模型，并通过化工过程的历史数据对建立的故障诊断模型进行训练。
模块4：智能优化模块，用于同步优化所使用TVF-EMD分解模型与基于BiGRU的化工过程故障诊断模型的关键参数，TVF-EMD分解模型与基于BiGRU的化工过程故障诊断模型的关键参数包括：TVF-EMD分解模型的带宽阈值ξ、基于BiGRU的化工过程故障诊断模型的学习率rl和隐藏层节点个数nh。模块内部包含一种改进的鲸鱼优化算法(WOA)程序，改进的策略包括：混沌Bernoulli初始化替换原本的随机初始化，添加双重自适应权重改变鲸鱼个体位置更新方式。
改进的WOA算法对BiGRU模型的优化流程为：
(41)设置WOA算法的目标函数为诊断准确率并初始化相关参数，包括：种群规模、迭代次数、维度大小；
(42)利用混沌Bernoulli映射初始化WOA算法的种群位置，Bernoulli映射的计算公式为：
其中，xi表示第i个个体位置，λ设置为0.4，x0设置为0.152；
(43)根据目标函数，计算每个个体的适应度值，并记录当前适应度值最高个体的位置为Xbest；
(44)将标准WOA算法中的线性因子a改为非线性因子a′并计算独立变量A和C，计算公式如下：
A＝2a′r-a′
C＝2r
其中，t为当前迭代次数，T为总迭代次数，r为0～1之间的随机数。
(45)计算双重自适应权重w的值，计算公式如下：
(46)根据A和0～1之间的随机变量p的值选择不同的方式更新每个个体的位置，更新公式如下：
其中，t是当前迭代数，Xb(t)代表最佳鲸鱼的位置，l是[-1，1]之间的随机值，是当前种群中随机鲸鱼的地位，b是定义对数螺旋形状的常数。
(47)迭代次数加1，判断是否达到算法的最大迭代次数，若未达到最大迭代次数则进入(42)；否则，结束运行，输出最终运行结果。
模块5：故障诊断模块，用于对化工过程数据的故障诊断，将经过处理的新样本送入到故障诊断模块，并得到对应的诊断结果，并将诊断结果传输到云服务器模块。
模块6：存储模块，用于存储和展示由CAN总线传输的化工过程原始数据以及对应的诊断结果，同时可以判断是否产生故障以及在故障产生时发出警报并显示故障类型。
本发明并不局限于上述具体实施案例，在本领域技术人员所具备的知识范围内，任何根据本发明的技术方案及其发明构思加以等同替换或改变，均应包含在本发明保护范围之内。
Claims (7)
1.一种化工过程故障诊断方法，其特征在于，包括如下步骤：
步骤1：获取化工生产过程中操作变量和生产过程中各传感器测量的过程变量作为化工生产过程的历史数据，包括各种过程变量传感器和现场仪表，操作变量包括总进料量、阀门开度、搅拌速度，过程变量包括流量、压力、温度和液位；
步骤2：对采集的化工过程数据进行去噪和特征降维处理；化工生产过程的历史数据作为TVF-EMD分解模型的输入，TVF-EMD分解模型把历史数据分解为多个不同频率的分量，再去除加权峰度指数低的分量并重构剩余分量，得到去噪后的化工生产过程数据；去噪后的化工生产过程数据作为核主成分分析(KPCA)模型的输入，通过KPCA对重构的高维度数据集进行特征降维，去除包含故障信息少的变量输入；
步骤3：建立基于BiGRU的化工过程故障诊断模型，利用改进的鲸鱼优化算法同步优化TVF-EMD分解模型与基于BiGRU的化工过程故障诊断模型的关键参数，所述改进的鲸鱼优化算法包括：混沌Bernoulli初始化替换原本的随机初始化，添加双重自适应权重改变鲸鱼个体位置更新方式；
步骤4：通过化工过程的历史数据与改进的鲸鱼优化算法对建立的基于BiGRU的化工过程故障诊断模型进行训练，求出网络的最优参数，最小化损失函数误差；
步骤5：利用步骤4中训练优化后的化工过程故障诊断模型对化工过程数据在线故障诊断，得到对应的诊断结果。
2.根据权利要求1所述的一种化工过程故障诊断方法，其特征在于，所述步骤2中利用TVF-EMD分解模型把历史数据分解为多个不同频率的分解步骤如下：
步骤2.1：对故障数据的第i个变量Xi(t)进行希尔伯特变换，得到变换后的结果Hi(t)，计算Xi(t)的瞬时幅度A(t)和瞬时频率F(t)，计算公式如下：
F(t)＝arctan[Xi(t)/Hi(t)]
步骤2.2：确定瞬时幅值A(t)的局部极大值和局部极小值，得到两个集合{tmax}和{tmin}，然后对{tmax}和{tmin}进行插值计算B样条曲线，得到曲线B1(t)和B2(t)，通过下式计算相应的瞬时均值γ1(t)和瞬时包络γ2(t)以及：
步骤2.3：计算瞬时频率分量λ1(t)和λ2(t)：
步骤2.4：计算局部截止频率λ′(t)：
步骤2.5：计算信号φ(t)＝cos[∫λ′(t)d(t)]，并将φ(t)的极值点作为构造时变滤波器的节点，采用B样条插值对变量xi(t)进一步进行滤波，结果记录为m(t)；
步骤2.6：当满足停止条件σ(t)时，xi(t)表示为IMF，若不满足条件则xi(t)＝xi(t)-m(t)，重复执行步骤2.1-步骤2.5，σ(t)的计算公式如下：
式中，BL(t)为两分量信号的Loughlin瞬时带宽，λa(t)为单个分量瞬时频率的加权平均值。
3.根据权利要求1所述的一种化工过程故障诊断方法，其特征在于，所述步骤2中加权峰度指数WKI由相关系数CC和最大峰值指数KI加权得到，对于信号x和y，计算方式如下：
WKI＝|CC|·KI
其中，E表示数学期望，M为信号长度。
4.根据权利要求1所述的一种化工过程故障诊断方法，其特征在于，所述步骤3中TVF-EMD分解模型与基于BiGRU的化工过程故障诊断模型的关键参数包括：TVF-EMD分解模型的带宽阈值ξ、基于BiGRU的化工过程故障诊断模型的学习率rl和隐藏层节点个数nh。
5.根据权利要求4所述的一种化工过程故障诊断方法，其特征在于，所述步骤4中改进的鲸鱼优化算法步骤为：
步骤4.1：设置WOA算法的目标函数为诊断准确率并初始化相关参数，包括：种群规模、迭代次数、维度大小；
步骤4.2：利用混沌Bernoulli映射初始化WOA算法的种群位置，Bernoulli映射的计算公式为：
其中，xi表示第i个个体位置，λ设置为0.4，x0设置为0.152；
步骤4.3：根据目标函数，计算每个个体的适应度值，并记录当前适应度值最高个体的位置为Xbest；
步骤4.4：将标准WOA算法中的线性因子a改为非线性因子a′并计算独立变量A和C，计算公式如下：
A＝2a′r-a′
C＝2r
其中，t为当前迭代次数，T为总迭代次数，r为0～1之间的随机数；
步骤4.5：计算双重自适应权重w的值，计算公式如下：
步骤4.6：根据A和0～1之间的随机变量p的值选择不同的方式更新每个个体的位置，更新公式如下：
其中，t是当前迭代数，Xb(t)代表最佳鲸鱼的位置，l是[-1，1]之间的随机值，是当前种群中随机鲸鱼的地位，b是定义对数螺旋形状的常数；
步骤4.7：迭代次数加1，判断是否达到算法的最大迭代次数，若未达到最大迭代次数则进入步骤4.2；否则，结束运行，输出最终运行结果。
6.一种化工过程故障诊断系统，其特征在于，包括数据采集模块、数据处理模块、模型训练模块、智能优化模块、故障诊断模块和存储模块；
数据采集模块，用于获取化工生产过程中操作变量和生产过程中各传感器测量的过程变量，包括各种过程变量传感器和现场仪表，操作变量包括总进料量、阀门开度、搅拌速度，过程变量包括流量、压力、温度和液位；
数据处理模块，用于对采集的化工过程数据进行去噪和特征降维处理；化工生产过程的历史数据作为TVF-EMD分解模型的输入，TVF-EMD分解模型把历史数据分解为多个不同频率的分量，再去除加权峰度指数低的分量并重构剩余分量，得到去噪后的化工生产过程数据；去噪后的化工生产过程数据作为核主成分分析(KPCA)模型的输入，通过KPCA对重构的高维度数据集进行特征降维，去除包含故障信息少的变量输入；
模型训练模块，用于建立基于BiGRU的化工过程故障诊断模型，并通过化工过程的历史数据与智能优化模块对建立的故障诊断模型进行训练，求出网络的最优参数，最小化损失函数误差；
智能优化模块，用于优化所使用TVF-EMD分解模型与基于BiGRU的化工过程故障诊断模型的关键参数，模块内部包含一种改进的鲸鱼优化算法程序，改进的策略包括：混沌Bernoulli初始化替换原本的随机初始化，添加双重自适应权重改变鲸鱼个体位置更新方式；
故障诊断模块，用于对化工过程数据的在线故障诊断，将经过处理的新样本送入到故障诊断模块，并得到对应的诊断结果，并将诊断结果传输到存储模块；
存储模块，用于存储和展示由CAN总线传输的化工过程原始数据以及对应的诊断结果，同时可以判断是否产生故障以及在故障产生时发出警报并显示故障类型。
7.根据权利要求6所述的一种化工过程故障诊断系统，其特征在于，所述数据采集模块包括数据检测单元与通信单元，检测单元由各种传感器、仪器仪表、微处理器和通信接口构成，微处理器选择单片机、CPLD芯片、FPGA芯片，通信单元通过CAN总线技术负责检测单元与各模块和上位机之间的通信。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211470956.9A CN115859201B (zh) | 2022-11-22 | 2022-11-22 | 一种化工过程故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211470956.9A CN115859201B (zh) | 2022-11-22 | 2022-11-22 | 一种化工过程故障诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115859201A true CN115859201A (zh) | 2023-03-28 |
| CN115859201B CN115859201B (zh) | 2023-06-30 |
Family
ID=85665204
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211470956.9A Active CN115859201B (zh) | 2022-11-22 | 2022-11-22 | 一种化工过程故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115859201B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015181338A1 (en) * | 2014-05-28 | 2015-12-03 | Siemens Schweiz Ag | System and method for providing optimization or improvement measures for one or more buildings |
| CN110927490A (zh) * | 2019-12-02 | 2020-03-27 | 吉林松江河水力发电有限责任公司 | 基于ivmd排列熵和cwoa-svm的变压器绕组故障诊断方法 |
| CN111239588A (zh) * | 2020-01-20 | 2020-06-05 | 哈尔滨工业大学 | 一种基于woa和gmkl-svm的模拟电路故障诊断方法 |
| CN112036296A (zh) * | 2020-08-28 | 2020-12-04 | 合肥工业大学 | 一种基于广义s变换和woa-svm的电机轴承故障诊断方法 |
| CN112578312A (zh) * | 2020-12-04 | 2021-03-30 | 燕山大学 | 基于鲸鱼算法优化极限学习机的微电网故障诊断方法 |
| JP6935046B1 (ja) * | 2020-12-18 | 2021-09-15 | 三菱電機株式会社 | 情報処理装置及び情報処理方法 |
| CN113468803A (zh) * | 2021-06-09 | 2021-10-01 | 淮阴工学院 | 一种基于改进的woa-gru洪水流量预测方法及系统 |
| CN115277154A (zh) * | 2022-07-22 | 2022-11-01 | 辽宁工程技术大学 | 一种基于鲸鱼优化BiGRU网络入侵的检测方法 |
-
2022
- 2022-11-22 CN CN202211470956.9A patent/CN115859201B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015181338A1 (en) * | 2014-05-28 | 2015-12-03 | Siemens Schweiz Ag | System and method for providing optimization or improvement measures for one or more buildings |
| CN110927490A (zh) * | 2019-12-02 | 2020-03-27 | 吉林松江河水力发电有限责任公司 | 基于ivmd排列熵和cwoa-svm的变压器绕组故障诊断方法 |
| CN111239588A (zh) * | 2020-01-20 | 2020-06-05 | 哈尔滨工业大学 | 一种基于woa和gmkl-svm的模拟电路故障诊断方法 |
| CN112036296A (zh) * | 2020-08-28 | 2020-12-04 | 合肥工业大学 | 一种基于广义s变换和woa-svm的电机轴承故障诊断方法 |
| CN112578312A (zh) * | 2020-12-04 | 2021-03-30 | 燕山大学 | 基于鲸鱼算法优化极限学习机的微电网故障诊断方法 |
| JP6935046B1 (ja) * | 2020-12-18 | 2021-09-15 | 三菱電機株式会社 | 情報処理装置及び情報処理方法 |
| CN113468803A (zh) * | 2021-06-09 | 2021-10-01 | 淮阴工学院 | 一种基于改进的woa-gru洪水流量预测方法及系统 |
| CN115277154A (zh) * | 2022-07-22 | 2022-11-01 | 辽宁工程技术大学 | 一种基于鲸鱼优化BiGRU网络入侵的检测方法 |
Non-Patent Citations (5)
| Title |
|---|
| CHU ZHANG 等: "Evolutionary quantile regression gated recurrent unit network based on variational mode decomposition, improved whale optimization algorithm for probabilistic short-term wind speed prediction", 《RENEWABLE ENERGY》, pages 668 - 682 * |
| HUILING CHEN 等: "An efficient double adaptive random spare reinforced whale optimization algorithm", 《EXPERT SYSTEMS WITH APPLICATIONS》, pages 1 - 14 * |
| XIN ZHANG 等: "A parameter-adaptive VMD method based on grasshopper optimization algorithm to analyze vibration signals from rotating machinery", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》, pages 58 - 72 * |
| 孙冬宁 等: "参数自适应TVF-EMD的滚动轴承故障诊断", 《机械设计与制造》, pages 171 - 176 * |
| 杨青 等: "基于DSC-BiGRU的化工过程故障诊断", 《沈阳理工大学学报》, vol. 41, no. 5, pages 6 - 12 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115859201B (zh) | 2023-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113011085A (zh) | 一种设备数字孪生建模方法及系统 | |
| CN101017373A (zh) | 工业过程多分辨率软测量仪表及方法 | |
| CN116108371B (zh) | 基于级联异常生成网络的云服务异常诊断方法与系统 | |
| CN113923104A (zh) | 基于小波神经网络的网络故障诊断方法、设备及存储介质 | |
| CN114354184B (zh) | 一种基于深度学习的大型回转装备主轴健康预警模型建立方法和装置 | |
| CN102680646A (zh) | 一种不饱和聚酯树脂反应釜中反应物浓度软测量方法 | |
| CN116758922A (zh) | 一种用于变压器的声纹监测与诊断方法 | |
| CN115481666A (zh) | 一种齿轮箱小样本故障诊断方法、系统及设备 | |
| CN115952404A (zh) | 一种水电机组故障预警方法、装置及终端 | |
| CN114755010A (zh) | 一种旋转机械振动故障诊断方法及其系统 | |
| CN117272055A (zh) | 一种基于滤波增强自编码器的电能表异常检测方法及装置 | |
| CN117744874A (zh) | 设备故障预测方法、装置及电子设备 | |
| CN117454113A (zh) | 一种基于CNN-BiLSTM及RF模型的电力变压器故障预警方法 | |
| CN115859201B (zh) | 一种化工过程故障诊断方法及系统 | |
| CN111859799A (zh) | 基于复杂机电系统耦合关系模型评估数据准确性的方法及装置 | |
| CN115034307A (zh) | 多参量自适应融合的振动数据自确认方法、系统及终端 | |
| CN113764047B (zh) | 一种丙烯聚合质量在线检测系统 | |
| CN118193955B (zh) | 一种压气机气动噪声获取方法、装置、介质及产品 | |
| CN117688388B (zh) | 一种基于数据增强与预测联合学习的软测量方法与系统 | |
| CN115902814B (zh) | 基于信息空间度量的目标识别模型性能评估方法和装置 | |
| NL2034380B1 (en) | Method for predicting dissolved oxygen concentration in rivers based on maximum information coefficient and system thereof | |
| CN106611107A (zh) | 一种去除测序数据噪声的方法 | |
| CN1987698A (zh) | 聚丙烯生产多分辨率软测量仪表及软测量方法 | |
| Velev et al. | How much do we really know about Structure Learning from iid Data? Interpretable, multi-dimensional Performance Indicator for Causal Discovery | |
| CN112734118A (zh) | 一种基于改进ceemdan-qr-bl混合模型的干旱预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231031 Address after: 257300 South of Road 12, West of Xinhe Road, Shicun Town, Guangrao County, Dongying City, Shandong Province Patentee after: DONGYING YINQIAO CHEMICAL Co.,Ltd. Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee before: Dragon totem Technology (Hefei) Co.,Ltd. Effective date of registration: 20231031 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Address before: 8 / F, Anton building, 10 Hai'an Road, Lianshui County, Huai'an City, Jiangsu Province 223005 Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY |
|
| TR01 | Transfer of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Fault Diagnosis Method and System for Chemical Processes Effective date of registration: 20231113 Granted publication date: 20230630 Pledgee: Shandong Guangrao Rural Commercial Bank Co.,Ltd. Pledgor: DONGYING YINQIAO CHEMICAL Co.,Ltd. Registration number: Y2023980065483 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |