基于时间序列模型的多模态化工过程实时故障诊断研究

Owing to the advantage of directly analysis process data and a strong commonality, the fault diagnosis method based on data driven has gradually become an important research direction of fault diagnosis in chemical engineering. In view of the diagnosis inaccuracy problem of current data driven methods, this project intends to use the time series model as the data model of chemical process, together with the combination of data driven and knowledge analysis technology, then research on multimode chemical process real-time fault diagnosis. The main research contents include: using the model identification method based on independent screening technology for the problem of the high complexity of chemical process data and the difficulty of model identification; using the fault diagnosis method based on the combination of data model and dynamic uncertain cause-and-effect diagram according to the problem of high miss rate of closed loop control; using the fault diagnosis method of the combination of independent screening identification and concurrent least square technology for the problem of the quick model switch rate of multimodal chemical process. Based on the above, develop prototype system, verify the proposed theory and methods then combine the product data of chemical enterprise to do the experiment analysis. This project will expand the theory, methods and technology of model identification and fault diagnosis in chemical process and have an important theoretical significance and practical value to improve the reliability of chemical process.

基于数据驱动的故障诊断方法，由于具有可直接分析过程数据且通用性较强的优点，逐渐成为化工领域故障诊断的重要研究方向。针对现有数据驱动方法存在的故障诊断不精确问题，本项目拟以时间序列模型为化工过程的数据模型，结合数据驱动和知识分析技术，开展多模态化工过程实时故障诊断研究。主要研究内容包括：针对化工过程数据复杂性高、模型辨识困难的问题，采用基于独立筛选技术的模型辨识方法；针对闭环控制带来的漏检率高的问题，采用基于数据模型和动态不确定因果图相结合的故障诊断方法；针对多模态化工过程模态切换率快的问题，采用独立筛选辨识技术和并发最小二乘技术相结合的故障诊断方法。在此基础上，开发原型系统，验证所提出的理论和方法，并结合化工企业的产品数据进行实验分析。本项目研究将拓展化工过程模型辨识与故障诊断的理论、方法和技术，为提高化工过程的可靠性具有重要的理论意义和实用价值。

基于数据驱动的故障诊断方法，由于具有可直接分析过程数据且通用性较强的优点，逐渐成为化工领域故障诊断的重要研究方向。针对现有数据驱动方法存在的故障诊断不精确问题，本项目采用数据驱动的若干方法，开展多模态化工过程实时故障诊断研究。主要研究内容包括：针对化工过程数据复杂性高、模型辨识困难的问题，提出了一种基于两阶分层最小二乘迭代的辨识算法，并将该算法辨识化工过程的时间序列模型。考虑化工过程的二维动态特性，将自适应最小绝对收缩选择（LASSO）算法和逐步回归（SWR）算法相结合，提出了一种新的模型辨识算法，并将该算法用于二阶间歇过程的模型辨识。针对闭环控制带来的漏检率高的问题，采用分布式结构，提出了一种基于自适应分块非负矩阵分解的化工过程监控算法。采用深度学习结构，提出了一种基于小波构造的自编码器深度神经网络的闭环化工过程的故障检测方法。考虑化工过程的多个故障，提出了一种基于广义重构贡献图（RBC）和贝叶斯决策的闭环化工过程的故障诊断方法。针对多模态化工过程故障监控的问题，提出了一种基于改进密度峰聚类算法的模态识别方法。考虑到多模态化工过程的非高斯性，提出了一种基于多块非负矩阵分解的多模态化工过程监控算法。本项目研究将拓展化工过程模型辨识与故障诊断的理论、方法和技术，为提高化工过程的可靠性具有重要的理论意义和实用价值。