首页|基于mini-1D-CNN模型的TE过程故障诊断

基于mini-1D-CNN模型的TE过程故障诊断

扫码查看
原文链接
  • 万方数据
  • 维普
为提升石化企业过程监测与故障诊断系统性能,满足化工过程故障诊断实时性、时效性的要求,提出一种基于过程历史数据驱动的最小一维卷积神经网络(mini-1D-CNN)的故障诊断模型.首先,通过一维卷积核学习和识别不同故障类型的数据特征,自动提取优势特征并进行故障分类;其次,通过逐步向后回归选择重要特征参数,优化模型结构.利用可实时获取的31个过程变量与操作参数,输入一维卷积神经网络(1D-CNN),监测与诊断田纳西-伊斯曼(TE)过程的主要故障.结果表明:相对于其他故障诊断模型,mini-1D-CNN模型在测试集上故障诊断率(FDR)较高,可达到96.50％;同时,mini-1D-CNN模型关注于TE过程故障诊断的重要特征参数,在降低参数量及降低训练和测试时间上具有显著优势.
Research on TE process fault diagnosis based on mini-1D-CNN model

杨余、杨鑫、王英、翟持、张浩

展开 >

西南大学化学化工学院,重庆400715

重庆理工大学化学化工学院,重庆400054

昆明理工大学化学工程学院,昆明云南650500

最小一维卷积神经网络(mini-1D-CNN) 田纳西-伊斯曼(TE)过程 故障诊断 过程监测 贡献系数

国家自然科学基金

21806131

2023

10.16265/j.cnki.issn1003-3033.2023.02.0017

中国安全科学学报
中国职业安全健康协会

中国安全科学学报

CSTPCDCSCD北大核心
影响因子：1.548
ISSN：1003-3033
年,卷(期)：2023.33(2)
  • 1
  • 2