基于K-means聚类的TE过程故障诊断与识别

作者：刘丽云; 吕玉海; 牛鲁娜; 国蓉; 栗月姣; 胡海军

来源：自动化与仪器仪表, 2020, (07): 5-11.

DOI：10.14016/j.cnki.1001-9227.2020.07.005

• K-means聚类
• 故障诊断与识别
• 田纳西-伊斯曼过程
• F1-score
• 主元分析

准确地诊断与识别化工系统的故障对保障系统的长期安全运行和高质量生产具有重要的意义。利用K-means聚类方法对标准田纳西-伊斯曼(TE)过程故障进行诊断,并通过主元分析(PCA)方法识别了故障发生的原因。首先,选择正常工况数据与某一故障工况数据组成新数据集,并用z-score标准化方法预处理新数据集,初始聚类中心数量为新数据集包含的工况数,通过分类性能指标F1-score(精确率和召回率的加权平均值)评价K-means聚类方法的故障诊断能力。其次,针对每种故障工况的数据集,采用PCA方法计算数据集中每个变量的统计量(T2和SPE),统计量越大的变量越有可能引起故障。研究结果表明,K-means方法对TE过程的故障1、2、6和18能够100%诊断,主元分析对故障原因的识别结果与TE过程知识完全符合。与使用PCA方法和支持向量机方法故障诊断的结果相比,K-means方法对二者难以诊断的故障3、9和15有更好的诊断能力。

• 单位
  中国石油化工股份有限公司青岛安全工程研究院; 西安工业大学; 西安交通大学