化工过程可拓故障诊断方法的研究

研究与应用先进的故障诊断方法是促进安全生产的重要保障。本课题把可拓学引入复杂化工过程故障诊断领域，充分考虑化工过程数据复杂性、流程复杂性和三传一反过程机理复杂性，建立定量与定性分析相结合的化工过程多维可拓基元模型，探索化工工艺参数、操作参数、设备参数等化工过程基元模型的发散性、相关性、蕴含性和可扩性等可拓性，重点研究基于数据和知识驱动的可拓变换与可拓推理技术，提出可拓故障诊断技术，并研究基于可拓学改进传统经典故障诊断技术，提高其诊断性能以适应不同需求。本课题以TE(Tennessee Eastman)化工过程和石油化工典型生产过程乙烯装置作为研究应用对象，提出一套行之有效的化工过程可拓故障诊断方法，为化工企业安全生产提供技术支撑。本课题研究成果具有明显的创新性，具有重要的理论意义和实用价值。

随着工业企业的日益大型化和复杂化，非正常事件不仅影响了企业效益，更带来了很多的安全问题，尤其是重大恶性事故不断发生，世界各国为此付出了惨重代价。研究应用先进的安全工程技术是解决企业安全问题的关键，具有重要的理论意义和实际应用价值。本课题旨在研究与应用先进的适用于复杂化工系统领域的故障诊断方法，以保障系统安全生产。本项目以石油化工典型装置作为研究应用对象，充分结合过程系统特点与过程机理，构建化工系统多维基元模型(物元、事元、关系元模型)，重点研究化工工艺参数、操作参数、设备参数等化工过程基元的可拓性；探索基于可拓理论的新型故障变换与推理方法，分析得出故障在过程内部的发展演变过程；改进传统典型故障诊断技术，提出化工过程故障诊断新技术，以提高其故障诊断性能。基于化工过程系统数据与知识，创新性的研究并提出了基于差异特征的案例可拓修改方法，探究了基于数据和知识驱动的可拓故障变换与推理方法，构造具有更强的柔性、可重构性和适应性的故障诊断系统；构建了故障诊断新模型，建立基于自联想神经网络和极限学习机的新型神经网络模型，为提高故障诊断模型的训练速度和精度，提出了基于输出误差曲线差异度计算和基于误差矢量化的选择性神经网络集成方法，以及一种基于反传的混沌粒子群训练前馈神经网络的算法框架，根据训练算法框架，提出了利用适应度方差方法判断粒子早熟收敛并采用无限折叠迭代混沌映射粒子群优化算法来训练前馈神经网络；改进传统经典故障诊断技术，引入可拓学等新兴学科，创新性地提出了基于可拓分类的神经网络集成故障诊断新算法，以及基于可拓PCA等的化工过程故障诊断新方法。经UCI数据和石油化工生产典型装置应用验证了本项目提出的可拓故障诊断方法的有效性和先进性。在整个项目的研究过程中，按年度计划顺利开展研究工作，达到了预期目标。