通过改进的鱼优化算法和双向长短期记忆来对化学过程进行故障诊断的基于群体智能的深度学习模型
Chunlei Ji1, Chu Zhang2, Leiming Suo1
1Faculty of Automation, Huaiyin Institute of Technology, Huai'an 223003, China.
ISA transactions
|March 5, 2024
概括
本研究引入了一种用于化学生产的新型故障诊断方法,使用时间变化的过实证模式分解 (TVF-EMD) 和内核主要组件分析 (KPCA) 来提高数据质量. 一个优化的双向长短期记忆 (BiLSTM) 网络提高了诊断准确性和过程安全性.
科学领域:
- 化学工程是化学工程的重要组成部分.
- 过程控制 过程控制
- 人工智能的人工智能
背景情况:
- 化学生产过程本质上是复杂和高风险的.
- 有效的故障诊断对于确保操作可靠性和安全至关重要.
- 现有的方法可能会与化学过程中复杂,杂的数据作斗争.
研究的目的:
- 为化学生产提出一个全面而强大的故障诊断方法.
- 提高故障检测和分类的准确性和效率.
- 提高化学制造业务的整体安全性和可靠性.
主要方法:
- 使用时间变化的过实证模式分解 (TVF-EMD) 进行数据预处理,以减少噪声.
- 通过对故障数据进行核心主要组件分析 (KPCA) 来减少尺寸.
- 使用双向长短期内存 (BiLSTM) 网络进行故障分类,该网络通过改进的鱼优化算法 (WOA) 来优化超参数调整.
主要成果:
- 提出的方法有效地预处理原始数据,减少噪音和尺寸.
- 优化的BiLSTM网络在故障数据分类方面表现出高度准确性.
- 通过两项案例研究的验证证实了该方法的有效性和优越性.
结论:
- TVF-EMD,KPCA和WOA优化的BiLSTM的综合方法为化学过程故障诊断提供了一个强大的工具.
- 这种方法显著提高了化学生产的可靠性和安全性.
- 该研究为智能制造和工艺安全做出了宝贵的贡献.
