TE过程

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.

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.

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.

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.

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％.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

摘要： 传统的多变量统计过程监控方法一般都假设过程只运行在一个稳定工况下，但很多实际工业过程往往具有多工况特征。针对这一问题，提出一种基于混合PcA模型的多工况过程监控方法。将混合高斯模型和PCA相结合，用改进的EM算法估计模型的工况数以及各工况的分布参数和主元数，并构建归一化的统计量实现对多工况过程的监控。TE过程的仿真研究表明，所提出的方法相对传统PCA方法能更精确地估计各工况的统计特性，从而更准确及时地检测出多工况过程的各种故障。

摘要： 传统的多变量统计过程监控方法一般都假设过程只运行在一个稳定工况下，但很多实际工业过程往往具有多工况特征。针对这一问题，提出一种基于混合PcA模型的多工况过程监控方法。将混合高斯模型和PCA相结合，用改进的EM算法估计模型的工况数以及各工况的分布参数和主元数，并构建归一化的统计量实现对多工况过程的监控。TE过程的仿真研究表明，所提出的方法相对传统PCA方法能更精确地估计各工况的统计特性，从而更准确及时地检测出多工况过程的各种故障。

摘要： 本发明Te/Bi或Te/Bi2Te3核壳异质结结构纳米线及其制备方法，特征是采用乙二醇为溶剂，聚乙烯吡咯烷酮为有机添加剂，以Te纳米线为原位模板的液相外延法合成出Te/Bi和Te/Bi2Te3核壳异质结结构纳米线；该纳米线是以为生长方向、六方结构的单质Te单晶纳米线为内核材料，六方结构的单质Bi及六方结构的合金Bi2Te3以外延形式形成单晶包覆层材料；其外延关系为：Te(100)晶面平行于Bi(100)晶面或Bi2Te3(100)晶面，Te方向轴平行于Bi方向轴或Bi2Te3方向轴。本发明的异质结结构纳米线将改善材料的热电性能，加快热电材料应用步伐。

摘要： 本发明公开了一种基于参数优化的深度信念网络模型的TE过程故障诊断方法，按照以下步骤进行：以TE过程为研究对象进行试验仿真，得到仿真数据，并将该仿真数据分成训练集数据样本和测试集数据样本；基于量子粒子群算法，对深度信念网络进行优化，得到优化深度信念网络；将训练集数据样本带入优化深度信念网络进行训练，得到TE过程深度信念网络故障诊断模型；将测试集数据样本带入TE过程深度信念网络故障诊断模型，对TE过程的故障进行诊断，得到测试集故障数据样本；根据测试集故障数据样本，对故障诊断结果进行评估。有益效果：收敛速度更快，全局收敛能力更强，避免了DBN算法易陷入局部最小值、训练不充分及早熟现象。

摘要： 本发明涉及非高斯随机系统故障诊断领域，具体为基于生存信息势—主成分分析算法的TE过程故障检测方法，解决TE过程不服从高斯分布且变量个数较多，传统的方法结果不精确的问题，步骤：一、采集正常数据归一化处理；二、计算平均重构误差；三、构建SIP‑PCA算法；四、估计SPE及T2统计量的控制限；五、采集故障数据与控制限对比，检测是否发生故障。优点：计算复杂度低，迭代不涉及指数运算，收敛速度快；无分布假设，更具一般性；控制限的计算过程中采用核密度估计法，充分考虑非高斯噪声的影响，提高了故障检测的精度；使用SIP使变量的随机性变小，在非高斯噪声干扰下的估计结果具有更好的平滑性。

摘要： 本发明公开了一种基于化工TE过程的双主元‑动态核主元分析故障诊断方法，本发明所述方法利用DOD算法确定过程数据的最佳参数阶次，生成的动态矩阵在核主元空间中投影后，先利用R主元方法对高维噪声的抑制能力有效确定正常状态数据在核特征空间的主元个数，并生成故障检测高维空间的T2、SPE控制限；再利用CPV方法最大程度保留故障信息，从待检测数据中确定新的主元个数，重新计算出T2、SPE统计量进行故障的监控与检测。本发明所述的DME‑DKPCA法有效提高了故障检测的识别率，较DKPCA法具有更优良的模型精度。

摘要： 本发明Te/Bi或Te/Bi2Te3核壳异质结结构纳米线及其制备方法，特征是采用乙二醇为溶剂，聚乙烯吡咯烷酮为有机添加剂，以Te纳米线为原位模板的液相外延法合成出Te/Bi和Te/Bi2Te3核壳异质结结构纳米线；该纳米线是以为生长方向、六方结构的单质Te单晶纳米线为内核材料，六方结构的单质Bi及六方结构的合金Bi2Te3以外延形式形成单晶包覆层材料；其外延关系为：Te(100)晶面平行于Bi(100)晶面或Bi2Te3(100)晶面，Te方向轴平行于Bi方向轴或Bi2Te3方向轴。本发明的异质结结构纳米线将改善材料的热电性能，加快热电材料应用步伐。

摘要： 本发明涉及一种基于传递熵与长短期记忆网络的TE过程时序预测方法。针对TE过程变量间关联性强，易将冗余信息引入预测模型，导致时序预测精度低和训练速率慢的问题，本发明将传递熵算法的不对称性用于变量选取，在TE过程反应器单元变量中选择出对反应器温度影响较大的上游变量，剔除下游不相关变量的干扰，从而降低时序预测模型的复杂度。利用LSTM在时序预测方面的优越性能，基于传递熵选择出的变量建立LSTM时间序列预测模型，预测反应器温度的未来时间序列。

摘要： 本发明公开了一种基于参数优化的深度信念网络模型的TE过程故障诊断方法，按照以下步骤进行：以TE过程为研究对象进行试验仿真，得到仿真数据，并将该仿真数据分成训练集数据样本和测试集数据样本；基于量子粒子群算法，对深度信念网络进行优化，得到优化深度信念网络；将训练集数据样本带入优化深度信念网络进行训练，得到TE过程深度信念网络故障诊断模型；将测试集数据样本带入TE过程深度信念网络故障诊断模型，对TE过程的故障进行诊断，得到测试集故障数据样本；根据测试集故障数据样本，对故障诊断结果进行评估。有益效果：收敛速度更快，全局收敛能力更强，避免了DBN算法易陷入局部最小值、训练不充分及早熟现象。

摘要： 本发明公开了一种基于化工TE过程的双主元‑动态核主元分析故障诊断方法，本发明所述方法利用DOD算法确定过程数据的最佳参数阶次，生成的动态矩阵在核主元空间中投影后，先利用R主元方法对高维噪声的抑制能力有效确定正常状态数据在核特征空间的主元个数，并生成故障检测高维空间的T2、SPE控制限；再利用CPV方法最大程度保留故障信息，从待检测数据中确定新的主元个数，重新计算出T2、SPE统计量进行故障的监控与检测。本发明所述的DME‑DKPCA法有效提高了故障检测的识别率，较DKPCA法具有更优良的模型精度。

摘要： 本发明涉及非高斯随机系统故障诊断领域，具体为基于生存信息势—主成分分析算法的TE过程故障检测方法，解决TE过程不服从高斯分布且变量个数较多，传统的方法结果不精确的问题，步骤：一、采集正常数据归一化处理；二、计算平均重构误差；三、构建SIP‑PCA算法；四、估计SPE及T2统计量的控制限；五、采集故障数据与控制限对比，检测是否发生故障。优点：计算复杂度低，迭代不涉及指数运算，收敛速度快；无分布假设，更具一般性；控制限的计算过程中采用核密度估计法，充分考虑非高斯噪声的影响，提高了故障检测的精度；使用SIP使变量的随机性变小，在非高斯噪声干扰下的估计结果具有更好的平滑性。

摘要： 一种基于TE102和TE103模的双通带多传输零点波导滤波器，包括滤波器主体和盖板；在滤波器主体内开有凹槽，盖板安装在滤波器主腔体上，盖板与凹槽围成滤波器主腔体。滤波器主腔体的输入端和输出端的端口都连接有标准的法兰；滤波器主腔体的输入端通过波导传输段与谐振腔耦合；谐振腔与滤波器主腔体的输出端耦合；所述谐振腔分为依次通过通带耦合窗耦合的多个谐振腔，它们依次为第一谐振腔、……、第n谐振腔；第一～n谐振腔与波导传输段之间分通过第一～n零点耦合窗耦合。本方案通过输入端与各个谐振腔分别耦合得到多个传输零点或非谐振传输零点；单路径实现双通带。