基于PCA和RBF神经网络的石化装置故障监测与诊断-燕山大学学报.PDF

第４０ 卷 第５ 期 燕山大学学报 Ｖｏｌ ４０ Ｎｏ ５ ２０１６ 年９ 月 Ｊｏｕｒｎａｌ ｏｆ Ｙａｎｓｈａｎ Ｕｎｉｖｅｒｓｉｔｙ Ｓｅｐｔ． ２０１６ 　 　 文章编号：１００７⁃７９１Ｘ（２０１６）０５⁃０４５６⁃０６ 基于ＰＣＡ 和ＲＢＦ 神经网络的石化装置故障监测与诊断 １，２ ， ∗ １，２ １，２ 郭丽杰 ，赵明娟 ，康建新 （１．燕山大学环境与化学工程学院，河北秦皇岛０６６００４ ； ２．燕山大学河北省应用化学重点实验室，河北秦皇岛０６６００４ ） 摘　 要：为了从石化装置大量工艺监测数据中提取有效的故障特征信息，及时地发现故障并准确地识别故障原 因，提出了一种基于ＰＣＡ 和ＲＢＦ 神经网络的故障监测与诊断方法。 首先获取工况样本，建立ＰＣＡ 模型，降维 提取统计特征；设定正常工况ＳＰＥ 统计量阈值，建立在线工况ＳＰＥ 统计量，由此进行故障监测。 然后对故障样 本进行ＰＣＡ 降维，构建多个ＲＢＦ 神经网络模型，用以实施在线故障诊断，识别故障原因。 最后把某石化公司气 体分馏装置脱异丁烷单元作为实例，采用ＵｎｉＳｉｍ Ｄｅｓｉｇｎ 软件对该单元进行过程动态模拟，获得工况监测样本， 建立了故障监测与诊断模型。 研究结果表明，所提出的方法不仅能有效地对工况进行状态监测，而且能快速和 准确地诊断故障。 关键词：ＰＣＡ ；ＲＢＦ 神经网络；故障监测与诊断；石化装置 中图分类号： Ｘ９１３．４ 　 　 文献标识码： Ａ　 　 ＤＯＩ：１０．３９６９／ ｊ．ｉｓｓｎ．１００７⁃７９１Ｘ．２０１６．０５．０１２ 业过程故障诊断广泛使用的一种方法，它包括机 ０　 引言 器学习类方法、多元统计分析类方法、信号处理类 方法、信息融合类方法和粗糙集方法等。 目前理 石油化工生产中的工艺介质一般为易燃、易 爆、有毒、腐蚀性的化学物质，生产环境通常处于 论成熟且应用广泛的是多元统计分析类方法中的 高温、高压或低温、真空等极端条件，因此生产过 ＰＣＡ （Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔｓ Ａｎａｌｙｓｉｓ ：主元分析） 和 ［４⁃５］ 程中一个微小的事故都可能引发一场无法挽回的 机器学习类方法中的神经网络方法 。 但是无 灾难，从而可能导致巨大的环境污染、人员伤亡和 论是主元分析还是神经网络方法单独应用于石化 ［１］ 工艺过程的故障诊断中都存在着不足之处，不能 经济损失 。 随着现代石油化工生产规模越来越 大，工艺越来越复杂，各类生产事故发生的概率也 保证快速而有效地进行故障诊断。 因此一些学者 随之增加。 因而对石化生产过程进行有效的故障 提出了基于ＰＣＡ 和神经网络的混合故障诊断方 检测与诊断来预防或避免事故的发生势在必行。 法，在电路和机械故障诊断、医学等领域开展了研 ［６⁃１３］ 故障监测是指通过一定的途径了解和分析设 究 ，但是对石化工艺过程的故障监测与诊断方 备的运行状态，对设备当前的运行状态做出评估， 面此方法涉及较少。 对异常状态及时做出报警，并为进一步进行故障