基于mini-1D-CNN模型的TE过程故障诊断

作者：杨余; 杨鑫; 王英; 翟持; 张浩^*

来源：中国安全科学学报, 2023, 33(02): 173-178.

DOI：10.16265/j.cnki.issn1003-3033.2023.02.0017

• 最小一维卷积神经网络(mini-1D-CNN)
• 田纳西-伊斯曼(TE)过程
• 故障诊断
• 过程监测
• 贡献系数

为提升石化企业过程监测与故障诊断系统性能，满足化工过程故障诊断实时性、时效性的要求，提出一种基于过程历史数据驱动的最小一维卷积神经网络(mini-1D-CNN)的故障诊断模型。首先，通过一维卷积核学习和识别不同故障类型的数据特征，自动提取优势特征并进行故障分类；其次，通过逐步向后回归选择重要特征参数，优化模型结构。利用可实时获取的31个过程变量与操作参数，输入一维卷积神经网络(1D-CNN),监测与诊断田纳西-伊斯曼(TE)过程的主要故障。结果表明：相对于其他故障诊断模型，mini-1D-CNN模型在测试集上故障诊断率(FDR)较高，可达到96.50%;同时，mini-1D-CNN模型关注于TE过程故障诊断的重要特征参数，在降低参数量及降低训练和测试时间上具有显著优势。

• 单位
  化学化工学院; 重庆理工大学; 西南大学; 昆明理工大学