TE过程
TE过程的相关文献在2003年到2022年内共计121篇,主要集中在自动化技术、计算机技术、农业经济、机械、仪表工业
等领域,其中期刊论文110篇、会议论文4篇、专利文献75620篇;相关期刊61种,包括兰州理工大学学报、沈阳理工大学学报、工业仪表与自动化装置等;
相关会议4种,包括第四届江苏计算机大会、第21届中国过程控制会议、中国自动化学会第20届青年学术会议等;TE过程的相关文献由227位作者贡献,包括刘飞、李元、杨青等。
TE过程—发文量
专利文献>
论文:75620篇
占比:99.85%
总计:75734篇
TE过程
-研究学者
- 刘飞
- 李元
- 杨青
- 赵小强
- 吴昌应
- 刘爱伦
- 张成
- 张昱君
- 朱群雄
- 杨煜普
- 王新明
- 赵忠盖
- 郭青秀
- 严文武
- 于春梅
- 任密蜂
- 侯文丽
- 冯燕
- 刘春燕
- 刘爱萍
- 安汝峤
- 康东帅
- 张勤
- 张卫
- 张湜
- 李宏光
- 李强
- 李志军
- 李悦
- 李楠
- 杨春节
- 杨马英
- 林圣才
- 梁艳
- 潘丰
- 潘怡君
- 牛晓旭
- 王大志
- 王洪元
- 程兰
- 程起才
- 罗妤
- 罗杰
- 耿志强
- 肖应旺
- 胡婕
- 苏盈盈
- 袁德成
- 谷雷
- 费大琦
-
-
冯子芸;
王治红;
戴一阳
-
-
摘要:
针对化工过程的监测数据存在数据缺失、漂移和卡死等不可靠现象可能严重影响故障诊断的准确性问题,提出了一种基于随机森林(RF)的故障诊断方法.利用训练集对RF分类器进行训练和调优,得到最优的RF分类器模型,确定决策树数量和随机属性个数,最后将存在不可靠变量的测试集数据输入RF分类器模型,利用随机森林方法的强抗干扰能力,实现对存在不可靠数据的化工过程进行诊断.将该方法应用到田纳西-伊斯曼(TE)过程的故障诊断,并与反向传播神经网络(BPNN)、径向基函数神经网络(RBFNN)和深度信念网络(DBN)方法相比,结果表明,基于RF的故障诊断方法能在数据不可靠的条件下,更加有效地检测并识别故障类型,在实际工业环境的应用中具有一定的优越性.
-
-
张填昊;
赵文志;
陈非;
王泽青;
张晓东
-
-
摘要:
针对TE过程的多模块模型建立问题,基于双时间尺度原理,文中提出TE过程的拟稳态模型.为了建立TE过程各个部分的拟稳态模型,首先分析与阐明TE过程的详细工艺流程和特点.通过引入双时间尺度的建模原理获取了TE过程精确的动态响应参数,添加必要的新增信息说明,得到了温度与压力的模型方程.在全动态模型的基础上,提出基于双时间尺度的TE过程拟稳态模型.相关仿真测试结果表明,与基于单时间尺度的模型相比,文中所提出的模型具有相似的控制效果与更加优秀的能量控制性能.
-
-
郑丹;
陈路;
童楚东
-
-
摘要:
核主成分分析(KPCA)是主成分分析(PCA)的一种非线性扩展,作为非线性过程的监测方法,受到了广泛应用.然而,KPCA在数据集较大时计算效率较低往往不能及时的检测出故障.因此本文提出了一种优化过程检测的方法.通过选取数据的内部点抛弃接近故障数据的边缘点,只以内部点作为检测过程的输入数据.最后以田纳西-伊斯曼过程为例,验证了该方法的有效性.
-
-
陈颖聪;
李强;
黄秋凤;
林茂松
-
-
摘要:
随着工业物联网进程的加快,如何从多维、异构、海量的工业过程数据集中提取有用的规则,用于调节控制整个工业生产是过程控制中的一个难题.因此,提出一种面向工业过程控制的分布式并行聚类关联规则挖掘算法.该算法基于Spark并行计算框架,针对Eclat关联规则算法挖掘过程中的执行流程与数据分区问题,引入计算量与自适应步长划分策略,提升算法执行效率与并行化能力,从而高效处理海量数据,然后结合K-Means++聚类算法实现分布式并行聚类关联规则挖掘算法.最后,将算法应用于复杂化工Tenessee Eastman(TE)过程的操作关联规则提取,并结合工艺理论与相关机理分析验证算法的有效性.
-
-
李元;
杨东昇;
李大舟
-
-
摘要:
针对化工生产过程中高维数据故障特征难以学习和提取的缺点,提出一种基于二维卷积神经网络的化工过程故障检测方法.首先,采集化工过程不同故障的数据构成训练集和测试集;然后,对训练集和测试集中对应的正常样本和故障样本标注标签;最后,将训练集中的样本数据作为卷积神经网络的输入来训练、优化模型.方法应用于田纳西-伊斯曼化工过程,数据结果表明:二维卷积神经网络能够提取出原始数据中样本与样本、变量与变量之间更为抽象的高层数据特征,通过特征提取和学习后的重构特征数据输入到全连接层BP神经网络进行故障分类,比单独使用全连接BP神经网络的检测率提高了14.42%,误报率降低了2.55%.
-
-
付丽君;
张齐鹏;
姜宇宏;
杨青
-
-
摘要:
随着工业智能化水平的不断提高,在化工生产过程中发生故障所引起的事故也越来越多.为提高田纳西-伊斯曼(TE)化工过程故障诊断的性能,提出WPT-SSA-DSC-ResNet集合型故障诊断方法.该方法首先使用小波包变换(WPT)对TE数据进行预处理生成二维图像,同时改进残差网络中的卷积层使其更为轻量化,并使用麻雀搜索算法(SSA)对深度可分离卷积残差网络(DSC-ResNet)模型中的主要参数进行优化,降低网络模型的时间复杂度.实验结果表明,WPT-SSA-DSC-ResNet集合型故障诊断方法能有效地提高TE过程的故障诊断精度.
-
-
-
张成;
高宪文;
李元
-
-
摘要:
针对具有非线性和多模态特征过程的故障检测问题,本文提出一种基于κ近邻主元得分差分的故障检测策略.首先,通过主元分析(Principal component analysis,PCA)方法计算样本的真实得分.然后,应用样本的κ近邻均值计算样本估计得分.接下来,通过上述两种得分计算样本的得分差分矩阵和残差矩阵,其中残差矩阵由样本的估计得分计算得到,这区别于传统方法.最后,在差分子空间和残差子空间中分别建立新的统计指标进行故障检测.值得注意的是本文的得分差分方法能够消除数据结构对过程故障检测的影响,同时,新的统计量能够提高过程的故障检测率.将本文方法在两个模拟例子和Tennessee Eastman (TE)过程中进行测试,并与传统方法如PCA、KPCA、DPCA和FD-κNN等进行对比分析,测试结果证明了本文方法的有效性.
-
-
孔祥玉;
解建;
罗家宇;
李强
-
-
摘要:
高效偏最小二乘(EPLS)作为偏最小二乘(PLS)的扩展算法之一,在质量相关故障检测中取得了良好的应用效果.然而,研究发现当系统中存在一些与产品质量无关的信息时会导致EPLS的检测率降低,影响工业生产安全及效益.同时,传统的基于贡献图的故障诊断方法在无故障时输入变量会对故障检测指标的贡献值不均等,从而影响故障诊断效果.针对上述问题,本文提出了一种改进高效偏最小二乘(IEPLS)的质量相关故障诊断方法.所提方法首先用正常数据建立IEPLS算法模型,利用获得的模型参数对过程变量进行空间分解.然后在分解后的空间中定义局部信息增量均值和局部动态阈值,结合故障判据进行故障检测.当故障发生后,利用每个变量的新息矩阵计算对故障总体的新息贡献率,根据各个变量新息贡献率大小实现对故障变量的定位.最后,使用田纳西伊士曼过程(TEP)对算法性能进行了验证.
-
-
杨青;
罗登
-
-
摘要:
本文针对TE过程,在传统深度学习基础上,对近年基于深度学习集合型故障诊断方法进行了归纳综述,阐述了现有深度集合型故障诊断方法的结构特点,展望了该领域的发展趋势,为工业过程故障诊断的进一步研究提供了参考.
-
-
AN Ru-qiao;
安汝峤;
YANG Chun-jie;
杨春节;
PAN Yi-jun;
潘怡君
- 《2016年第27届中国过程控制会议》
| 2016年
-
摘要:
随着大数据时代的到来,过程工业中产生了大量的过程数据.传统的支持向量机(Support Vector Machine,SVM)是一种有监督的学习算法,其学习过程依赖大量有标签的样本数据.而实际生产过程中,对于样本的标记是十分困难的,因此利用大量无标签的样本来进行学习就显得很有必要.直推式支持向量机(transductive SVM,TSVM)就是由支持向量机发展而来的半监督算法,它利用了大量无标签数据,从而在一定程度上可以获得更好的分类超平面,以获得更好的分类效果.在本文中,作者提出了一种改进的基于直推式支持向量机的故障分类算法,从平衡数据样本类别的数量入手,对无标签的样本进行了初步的预测,并对该过程进行了优化.通过理论分析与实验验证的方法,可以发现该算法在TE的流程工业模拟试验中取得了比较好的分类效果,验证了该算法的有效性.
-
-
AN Ru-qiao;
安汝峤;
YANG Chun-jie;
杨春节;
PAN Yi-jun;
潘怡君
- 《2016年第27届中国过程控制会议》
| 2016年
-
摘要:
随着大数据时代的到来,过程工业中产生了大量的过程数据.传统的支持向量机(Support Vector Machine,SVM)是一种有监督的学习算法,其学习过程依赖大量有标签的样本数据.而实际生产过程中,对于样本的标记是十分困难的,因此利用大量无标签的样本来进行学习就显得很有必要.直推式支持向量机(transductive SVM,TSVM)就是由支持向量机发展而来的半监督算法,它利用了大量无标签数据,从而在一定程度上可以获得更好的分类超平面,以获得更好的分类效果.在本文中,作者提出了一种改进的基于直推式支持向量机的故障分类算法,从平衡数据样本类别的数量入手,对无标签的样本进行了初步的预测,并对该过程进行了优化.通过理论分析与实验验证的方法,可以发现该算法在TE的流程工业模拟试验中取得了比较好的分类效果,验证了该算法的有效性.
-
-
AN Ru-qiao;
安汝峤;
YANG Chun-jie;
杨春节;
PAN Yi-jun;
潘怡君
- 《2016年第27届中国过程控制会议》
| 2016年
-
摘要:
随着大数据时代的到来,过程工业中产生了大量的过程数据.传统的支持向量机(Support Vector Machine,SVM)是一种有监督的学习算法,其学习过程依赖大量有标签的样本数据.而实际生产过程中,对于样本的标记是十分困难的,因此利用大量无标签的样本来进行学习就显得很有必要.直推式支持向量机(transductive SVM,TSVM)就是由支持向量机发展而来的半监督算法,它利用了大量无标签数据,从而在一定程度上可以获得更好的分类超平面,以获得更好的分类效果.在本文中,作者提出了一种改进的基于直推式支持向量机的故障分类算法,从平衡数据样本类别的数量入手,对无标签的样本进行了初步的预测,并对该过程进行了优化.通过理论分析与实验验证的方法,可以发现该算法在TE的流程工业模拟试验中取得了比较好的分类效果,验证了该算法的有效性.
-
-
AN Ru-qiao;
安汝峤;
YANG Chun-jie;
杨春节;
PAN Yi-jun;
潘怡君
- 《2016年第27届中国过程控制会议》
| 2016年
-
摘要:
随着大数据时代的到来,过程工业中产生了大量的过程数据.传统的支持向量机(Support Vector Machine,SVM)是一种有监督的学习算法,其学习过程依赖大量有标签的样本数据.而实际生产过程中,对于样本的标记是十分困难的,因此利用大量无标签的样本来进行学习就显得很有必要.直推式支持向量机(transductive SVM,TSVM)就是由支持向量机发展而来的半监督算法,它利用了大量无标签数据,从而在一定程度上可以获得更好的分类超平面,以获得更好的分类效果.在本文中,作者提出了一种改进的基于直推式支持向量机的故障分类算法,从平衡数据样本类别的数量入手,对无标签的样本进行了初步的预测,并对该过程进行了优化.通过理论分析与实验验证的方法,可以发现该算法在TE的流程工业模拟试验中取得了比较好的分类效果,验证了该算法的有效性.
-
-
刘爱萍;
王洪元;
程起才;
冯燕
- 《第四届江苏计算机大会》
| 2010年
-
摘要:
针对化工连续生产过程的时序性及非线性等特征,文章提出了一种基于KISOMAP-LDA-KNN的非线性故障辨识方法.首先采用核等距映射(KISOMAP)算法在保持训练数据内在几何结构下进行非线性降维,然后使用线性判别(LDA)算法保持数据的最佳分类效果下进行降维,完成过程的特征提取,最后用K近邻(KNN)算法进行模式分类.将上述方法应用到TE过程,仿真结果验证了该故障诊断方法有较高的辨识能力.
-
-
刘爱萍;
王洪元;
程起才;
冯燕
- 《第四届江苏计算机大会》
| 2010年
-
摘要:
针对化工连续生产过程的时序性及非线性等特征,文章提出了一种基于KISOMAP-LDA-KNN的非线性故障辨识方法.首先采用核等距映射(KISOMAP)算法在保持训练数据内在几何结构下进行非线性降维,然后使用线性判别(LDA)算法保持数据的最佳分类效果下进行降维,完成过程的特征提取,最后用K近邻(KNN)算法进行模式分类.将上述方法应用到TE过程,仿真结果验证了该故障诊断方法有较高的辨识能力.
-
-
刘爱萍;
王洪元;
程起才;
冯燕
- 《第四届江苏计算机大会》
| 2010年
-
摘要:
针对化工连续生产过程的时序性及非线性等特征,文章提出了一种基于KISOMAP-LDA-KNN的非线性故障辨识方法.首先采用核等距映射(KISOMAP)算法在保持训练数据内在几何结构下进行非线性降维,然后使用线性判别(LDA)算法保持数据的最佳分类效果下进行降维,完成过程的特征提取,最后用K近邻(KNN)算法进行模式分类.将上述方法应用到TE过程,仿真结果验证了该故障诊断方法有较高的辨识能力.
-
-
刘爱萍;
王洪元;
程起才;
冯燕
- 《第四届江苏计算机大会》
| 2010年
-
摘要:
针对化工连续生产过程的时序性及非线性等特征,文章提出了一种基于KISOMAP-LDA-KNN的非线性故障辨识方法.首先采用核等距映射(KISOMAP)算法在保持训练数据内在几何结构下进行非线性降维,然后使用线性判别(LDA)算法保持数据的最佳分类效果下进行降维,完成过程的特征提取,最后用K近邻(KNN)算法进行模式分类.将上述方法应用到TE过程,仿真结果验证了该故障诊断方法有较高的辨识能力.
-
-