基于LSTM-DAE的化工故障诊断方法研究
现代化工过程愈加精密化、复杂化,使得化工过程数据呈现高度非线性、强耦合等特点,传统的故障诊断模型难以学习此类数据的有效特征表示,且无法挖掘隐含的时间序列信息.针对上述问题,提出了一种长短期记忆(long short-term memory,LSTM)网络与降噪自编码器(denoising auto-encoder,DAE)结合的 LSTM-DAE 化工故障诊断方法,用基于LSTM的特殊编码方式代替传统DAE模型的全连接网络编码方式,并结合高斯噪声处理和全连接网络解码层,搭建出基于LSTM-DAE的特征提取模型,最后由Softmax分类器输出故障诊断结果.该方法结合了DAE与LSTM的优点,确保了编码特征获取的有效性.使用田纳西-伊斯曼(Tennessee-Eastman,TE)过程数据设计所提方法与其他5类模型的对比实验,实验结果表明:在多故障诊断效果上,基于LSTM-DAE的化工故障诊断方法的训练集正确率达到了 96.02％,测试集正确率达到了 97.31％,平均误报率仅为0.65％,平均漏检率仅为3.19％,在6类模型中为最优;在单故障诊断效果上,基于LSTM-DAE的化工故障诊断方法能够提高对故障14的分辨能力,并缩短对故障18的检测延迟时间,有效降低了漏检率,表明所提方法能够在实际化工过程中进行有效的故障诊断.
故障诊断、田纳西-伊斯曼过程、降噪自编码器、长短期记忆网络、Softmax分类器
48
TP277(自动化技术及设备)
天津市自然科学基金;天津市企业科技特派员项目
2021-05-24（万方平台首次上网日期，不代表论文的发表时间）
共9页
108-116
