基于KPCA-LSTM模型的石化生产过程故障诊断

刘会平，李大字

(1. 中国寰球工程有限责任公司 东南亚地区管理公司，新加坡 416202;2. 北京化工大学 信息科学与技术学院，北京 100029)

近年来，伴随着信息技术的进步与发展，化工、电力、冶金等传统工业都向着大型化、集中化的方向发展，现代工业体系中大型设备的智能化水平有了显著提高，工作效率得到了大幅提升。然而，先进的智能化设备必然需要更为复杂的系统结构，所需控制的节点数目也就必然会增多，如果此时生产设备发生故障，按传统的故障诊断方法是很难实现快速、准确的故障诊断。现代工业生产中会产生大量的运行数据，基于数据的故障诊断方法被广泛使用[1-3]。

现代石油化工生产过程往往呈现一种非线性，系统结构较为复杂，产生的数据量非常大，而且系统内部产生的故障往往与多个可测变量存在复杂的关联，大幅增加了利用数据做故障诊断的工作量。主元分析法(PCA)作为一种非常有效的降维技术[2]，对于处理线性数据降低维度的操作具有优良的特性，但无法处理非线性数据，此时对其加入核函数形成核主元分析法(KPCA)，可以实现非线性数据的降维[4-6]。处理复杂多模态，进行关联、预测和记忆等能力[3]是当前神经网络普遍拥有的特点。1997年专家提出的长短期记忆网络(LSTM)对于时间序列数据具有很好的学习效果，同时解决了梯度消失的问题[7-9]。因此，本文提出了一种KPCA与LSTM相结合的故障诊断方法，通过田纳西-伊斯曼(Tennessee Eastman, TE过程)化工仿真平台检验过程故障诊断，结果表明： 该方法不仅可以有效减少运算量，还能提高故障诊断的准确率。……