基于LSTM和动态模型的化工过程混合故障诊断.pdf

分类号 ： 学校代码 ： 10426
密级 ： 学号 ： 2015010057


硕 士 学 位 论 文
MASTER DEGREE THESIS

基于 LSTM 和动态模型的化工过程
混合故障诊断

作 者 ： 张祥
指导教师 ： 田文德
学科专业 ： 化学工程与技术
专业代码 ： 081700
研究方向 ： 过程系统工程

2018 年 6 月 10 日
青岛科技大学研究生学位论文
基于 LSTM 和动态模型的化工过程
混合故障诊断
摘 要
为保证化工装置的安全运行，需要对化工装置进行故障识别和诊断，尽早地
发现设备的故障征兆和劣化趋势，以便采取针对性的措施消除事故隐患。单一故
障诊断方法面对复杂的化工过程难以准确定位和分析故障原因，诊断精度和速度
都不易满足工业要求。因此，多方法结合实现对化工装置的故障诊断十分必要。
本文以田纳西-伊斯曼（Tennessee Eastman, TE）过程和某工业催化裂化仿真流程
为例，将长短期记忆网络（Long Short Term Memory Network, LSTM）和动态模
型相结合，建立了一种数据与模型混合的故障诊断方法，实现了对化工装置的故
障识别和故障参数分析。
化工装置是一种复杂的非线性动态系统，变量多，特征变量难以选择。本文
首先结合物料衡算和能量衡算等方程，建立了化工装置的动态模拟系统。在装置
当前状态偏离正常状态时，开始故障诊断。首先，利用非线性降维的 t-分布邻域
嵌入（t-distributed Stochastic Neighbor Embedding, t-SNE）算法对多个变量组成的
高维数据集进行降维。将降维后的数据划分为训练集、验证集和测试集，输入到
LSTM 中进行训练和测试，实现故障的识别。然后，结合最小二乘法（Least Squares,
LSQ）实现对异常状态关键故障参数的反演，并通过偏最小二乘法（Partial Least
Squares, PLS）拟合系统输出和故障参数之间的关系，直接计算并分析故障参数。
因为 PLS 无需迭代计算，所以用 PLS 替代 LSQ，可以加快运算速度，节省运算
时间。
应用结果表明，该混合方法可以准确地识别故障和分析故障参数，实现故障
原因的定位和参数发展趋势的分析。具体地，在 TE 过程