基于数据降维和深度学习的化工故障识别

作者：刘子健; 贾旭清; 张士发; 田文德^*

来源：控制工程, 2021, 28(10): 2005-2020.

DOI：10.14107/j.cnki.kzgc.20190687

• 故障识别
• 特征提取
• 特征选择
• 化工过程
• 长短期记忆网络

数据降维是化工过程故障识别的重要组成部分,主要分为特征提取和特征选择两种方法。为了探索不同数据降维方法对化工过程故障识别的影响,提出了基于数据降维和深度学习的故障识别方法。首先,生成拓扑映射(GTM)得到了原始过程数据的低维空间表示,通过Spearman秩相关系数(SRCC)得到了变量之间的相关性,获得了关键变量。然后,长短期记忆网络(LSTM)学习关键变量集的深层次特征并识别化工过程的故障。田纳西-伊斯曼(TE)过程的应用表明,GTM-LSTM更适用于跃变型故障的识别,SRCC-LSTM对所有类型的故障识别效果都较好,其更适用于化工过程数据降维。

• 单位
  青岛科技大学