本文主要研究内容
作者刘军亮（2019）在《基于卷积神经网络的精馏塔故障诊断方法研究》一文中研究指出：在石油化工生产过程中,精馏塔是重要的传热传质设备,其操作的好坏直接影响炼化企业的经济运营效益。精馏塔作为炼化行业生产过程中关键的设备,也是当下研究的热点,对其故障诊断研究不仅仅对提高生产效率、经济效益有很大帮助,而且对理论研究也有很大的价值。本文以醋酸脱水共沸精馏塔为研究对象,通过Aspen Plus软件平台模拟其过程。针对化工过程变量具有非线性、时变且互相关联的特性,本文采用核主元分析算法(KPCA)对采集到的数据进行特征提取并判断是否有故障发生,并建立了基于改进遗传算法(IGA)的支持向量机故障诊断分类模型和基于卷积神经网络(CNN)的故障诊断分类模型,完成对醋酸脱水共沸精馏塔的故障诊断工作。论文的主要工作内容如下:(1)研究了核主元分析算法的理论原理和算法过程,分析了将核主元分析(KPCA)方法用于非线性过程监控的方法研究,实验仿真以醋酸脱水共沸精馏过程为对象,用KPCA方法进行监控,仿真结果表明KPCA对醋酸脱水共沸精馏过程的监控效果更好。(2)针对支持向量机参数选取困难,提出了利用改进的遗传算法(IGA)对其参数进行优化。IGA采用代沟选择和可交叉概率,确保当前种群中最适应的个体总是被连续传播到下一代,并使进化后期优化的对象比较容易稳定,计算效率提高。本文在改进遗传算法的基础上提出了一种基于KPCA-IGA-SVM的多变量过程故障诊断方法。通过对醋酸脱水共沸精馏过程上的故障工况仿真研究,说明提出的算法是有效的。(3)针对浅层机器学习算法在故障诊断中存在的不足,本文建立了基于卷积神经网络(CNN)的精馏塔故障诊断分类模型。为了进一步对CNN构建的模型进行评估以及训练机理和结构结果对其的影响,本文基于支持向量机(SVM)、人工神经网络(BP)、深度置信网络(DBN)分别构建了精馏塔故障诊断分类模型,通过实验仿真对比研究得出结论:基于CNN的精馏塔故障诊断分类模型诊断效果更优,且具有很好的实用性。
Abstract
zai dan you hua gong sheng chan guo cheng zhong ,jing liu da shi chong yao de chuan re chuan zhi she bei ,ji cao zuo de hao huai zhi jie ying xiang lian hua qi ye de jing ji yun ying xiao yi 。jing liu da zuo wei lian hua hang ye sheng chan guo cheng zhong guan jian de she bei ,ye shi dang xia yan jiu de re dian ,dui ji gu zhang zhen duan yan jiu bu jin jin dui di gao sheng chan xiao lv 、jing ji xiao yi you hen da bang zhu ,er ju dui li lun yan jiu ye you hen da de jia zhi 。ben wen yi cu suan tuo shui gong fei jing liu da wei yan jiu dui xiang ,tong guo Aspen Plusruan jian ping tai mo ni ji guo cheng 。zhen dui hua gong guo cheng bian liang ju you fei xian xing 、shi bian ju hu xiang guan lian de te xing ,ben wen cai yong he zhu yuan fen xi suan fa (KPCA)dui cai ji dao de shu ju jin hang te zheng di qu bing pan duan shi fou you gu zhang fa sheng ,bing jian li le ji yu gai jin wei chuan suan fa (IGA)de zhi chi xiang liang ji gu zhang zhen duan fen lei mo xing he ji yu juan ji shen jing wang lao (CNN)de gu zhang zhen duan fen lei mo xing ,wan cheng dui cu suan tuo shui gong fei jing liu da de gu zhang zhen duan gong zuo 。lun wen de zhu yao gong zuo nei rong ru xia :(1)yan jiu le he zhu yuan fen xi suan fa de li lun yuan li he suan fa guo cheng ,fen xi le jiang he zhu yuan fen xi (KPCA)fang fa yong yu fei xian xing guo cheng jian kong de fang fa yan jiu ,shi yan fang zhen yi cu suan tuo shui gong fei jing liu guo cheng wei dui xiang ,yong KPCAfang fa jin hang jian kong ,fang zhen jie guo biao ming KPCAdui cu suan tuo shui gong fei jing liu guo cheng de jian kong xiao guo geng hao 。(2)zhen dui zhi chi xiang liang ji can shu shua qu kun nan ,di chu le li yong gai jin de wei chuan suan fa (IGA)dui ji can shu jin hang you hua 。IGAcai yong dai gou shua ze he ke jiao cha gai lv ,que bao dang qian chong qun zhong zui kuo ying de ge ti zong shi bei lian xu chuan bo dao xia yi dai ,bing shi jin hua hou ji you hua de dui xiang bi jiao rong yi wen ding ,ji suan xiao lv di gao 。ben wen zai gai jin wei chuan suan fa de ji chu shang di chu le yi chong ji yu KPCA-IGA-SVMde duo bian liang guo cheng gu zhang zhen duan fang fa 。tong guo dui cu suan tuo shui gong fei jing liu guo cheng shang de gu zhang gong kuang fang zhen yan jiu ,shui ming di chu de suan fa shi you xiao de 。(3)zhen dui jian ceng ji qi xue xi suan fa zai gu zhang zhen duan zhong cun zai de bu zu ,ben wen jian li le ji yu juan ji shen jing wang lao (CNN)de jing liu da gu zhang zhen duan fen lei mo xing 。wei le jin yi bu dui CNNgou jian de mo xing jin hang ping gu yi ji xun lian ji li he jie gou jie guo dui ji de ying xiang ,ben wen ji yu zhi chi xiang liang ji (SVM)、ren gong shen jing wang lao (BP)、shen du zhi xin wang lao (DBN)fen bie gou jian le jing liu da gu zhang zhen duan fen lei mo xing ,tong guo shi yan fang zhen dui bi yan jiu de chu jie lun :ji yu CNNde jing liu da gu zhang zhen duan fen lei mo xing zhen duan xiao guo geng you ,ju ju you hen hao de shi yong xing 。
论文参考文献
论文详细介绍
论文作者分别是来自青岛科技大学的刘军亮，发表于刊物青岛科技大学2019-07-19论文，是一篇关于卷积神经网络论文,支持向量机论文,核函数论文,遗传算法论文,故障诊断论文,青岛科技大学2019-07-19论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自青岛科技大学2019-07-19论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：卷积神经网络论文; 支持向量机论文; 核函数论文; 遗传算法论文; 故障诊断论文; 青岛科技大学2019-07-19论文;