为保证生产过程的安全稳定运行,避免因故障导致损失,及时检测出异常工况并对异常工况进行准确诊断十分重要。针对化工过程的复杂性,提出一种并行长短时记忆网络和卷积神经网络(Parallel Long and Short-Term Memory Network and Convolu...为保证生产过程的安全稳定运行,避免因故障导致损失,及时检测出异常工况并对异常工况进行准确诊断十分重要。针对化工过程的复杂性,提出一种并行长短时记忆网络和卷积神经网络(Parallel Long and Short-Term Memory Network and Convolutional Neural Network,PLSTM-CNN)模型进行化工生产过程故障检测。该模型有效结合LSTM对时间序列数据全局特征提取能力和CNN模型善于提取局部特征的能力,减少了特征信息的丢失,实现了较高的故障检测率。采用一维稠密卷积神经网络作为CNN的主体,结合LSTM网络对序列信息变化敏感的特点,在构建更深层网络的同时避免模型过拟合。采用最大互信息(Maximum Mutual Information Coefficient,MMIC)数据预处理方法,提高了数据的局部相关性以及从不同初始条件下PLSTM-CNN模型检测故障的效率。以TE(Tennessee Eastman)过程为研究对象,PLSTM-CNN模型在故障平均检测率和漏报率等指标上明显优于传统循环神经网络。展开更多
乙烯裂解炉是乙烯生产的核心装置,烃类原料在裂解炉中发生复杂的高温裂解反应,及时识别裂解炉运行工况变化对设备安全高效运行非常重要。裂解炉运行过程中产生大量的过程数据,这些数据通常具有多变量、高维度特性,增加了数据处理和分析...乙烯裂解炉是乙烯生产的核心装置,烃类原料在裂解炉中发生复杂的高温裂解反应,及时识别裂解炉运行工况变化对设备安全高效运行非常重要。裂解炉运行过程中产生大量的过程数据,这些数据通常具有多变量、高维度特性,增加了数据处理和分析的复杂性,如何基于过程数据及时检测乙烯裂解炉工况变化成为亟需解决的问题。借鉴对比学习算法在图片分类中的优秀性能,提出一类基于对比学习的裂解炉运行工况识别方法。首先,将乙烯裂解炉工业数据经归一化后,使用不同长度的时间窗动态提取数据,将其转化为灰度图片。根据图片中的信息,将图片进行数据增强后输入编码器,得到图片的全局语义、类别、内容不变性等特征。将这些特征应用于计算对比学习的损失函数,通过最小化对比损失函数,实现对灰度图片的分类。通过本文方法,可以根据过程数据快速发现工况变化,其分类准确度较通用时间序列表示学习的自监督对比学习(self-supervised contrastive learning for universal time series representation learning,TimesURL)方法有明显提升,可有效实现乙烯裂解炉工况识别。展开更多
文摘为保证生产过程的安全稳定运行,避免因故障导致损失,及时检测出异常工况并对异常工况进行准确诊断十分重要。针对化工过程的复杂性,提出一种并行长短时记忆网络和卷积神经网络(Parallel Long and Short-Term Memory Network and Convolutional Neural Network,PLSTM-CNN)模型进行化工生产过程故障检测。该模型有效结合LSTM对时间序列数据全局特征提取能力和CNN模型善于提取局部特征的能力,减少了特征信息的丢失,实现了较高的故障检测率。采用一维稠密卷积神经网络作为CNN的主体,结合LSTM网络对序列信息变化敏感的特点,在构建更深层网络的同时避免模型过拟合。采用最大互信息(Maximum Mutual Information Coefficient,MMIC)数据预处理方法,提高了数据的局部相关性以及从不同初始条件下PLSTM-CNN模型检测故障的效率。以TE(Tennessee Eastman)过程为研究对象,PLSTM-CNN模型在故障平均检测率和漏报率等指标上明显优于传统循环神经网络。
文摘乙烯裂解炉是乙烯生产的核心装置,烃类原料在裂解炉中发生复杂的高温裂解反应,及时识别裂解炉运行工况变化对设备安全高效运行非常重要。裂解炉运行过程中产生大量的过程数据,这些数据通常具有多变量、高维度特性,增加了数据处理和分析的复杂性,如何基于过程数据及时检测乙烯裂解炉工况变化成为亟需解决的问题。借鉴对比学习算法在图片分类中的优秀性能,提出一类基于对比学习的裂解炉运行工况识别方法。首先,将乙烯裂解炉工业数据经归一化后,使用不同长度的时间窗动态提取数据,将其转化为灰度图片。根据图片中的信息,将图片进行数据增强后输入编码器,得到图片的全局语义、类别、内容不变性等特征。将这些特征应用于计算对比学习的损失函数,通过最小化对比损失函数,实现对灰度图片的分类。通过本文方法,可以根据过程数据快速发现工况变化,其分类准确度较通用时间序列表示学习的自监督对比学习(self-supervised contrastive learning for universal time series representation learning,TimesURL)方法有明显提升,可有效实现乙烯裂解炉工况识别。
文摘针对实际汽车制造业中多工位、多机器人生产线的焊接任务分配、焊接顺序规划,以及工件和生产线组成的众多约束条件,本文建立了多工位、多机器人焊接任务分配与路径规划(Multi-Station Multi-Robot Welding Task Assignment and Path Planning,MSMR-WTAPP)数学模型;优化目标是同时最小化生产线第一个工件加工时间、后续工件加工时间和机器人运动路径长度;提出了一种基于个体种群密度(Individual Population Density,IPD)的改进SPEA2算法(SPEA2+IPD);针对焊接任务分配和焊接顺序规划的耦合问题设计了双层编码方案,并研究了机器人工序的解码过程。通过仿真实验验证了SPEA2+IPD算法在优化多工位、多机器人生产线节拍、效率和焊接路径等方面的有效性和优越性。SPEA2+IPD算法优化得到的生产节拍与工厂实际生产节拍相比,第一个工件时间缩短了20.7%,后续每个工件的生产时间都减少15.2%,说明提出的模型和算法对优化工厂生产具有实际意义。
