文章目录

1 FRS故障特征选择

1.1 FRS属性约简算法

1.2 FRS故障特征选择

2 WOA-SVM故障分类模型

2.1 WOA优化算法

    2.1.1 包围猎物

    2.1.2 气泡网攻击法

    2.1.3 搜素猎物

2.2 WOA优化的SVM参数

3 基于FRS-WOA-SVM的TE过程故障诊断仿真分析

3.1 FRS-WOA-SVM故障诊断模型

3.2 TE过程数据集的选取

3.3 TE过程FRS故障特征选择

3.4 SVM故障分类模型的参数寻优

3.5 TE过程故障诊断结果

4 结 论

文章摘要:针对化工过程复杂,故障数据量大、属性多,难以保证故障诊断准确率和速度的问题,提出了一种基于模糊粗糙集（fuzzy rough sets, FRS）和鲸鱼优化的支持向量机（support vector machine, SVM）的化工过程故障诊断方法。通过对化工过程历史数据分析,判别故障类型。首先,利用模糊粗糙集对离散化后的过程数据进行特征选择,经过属性约简得出最小故障特征集合;然后,利用一种新型元启发式算法——鲸鱼优化算法（whale optimization algorithm, WOA）,对支持向量机的参数进行优化,根据全局最佳适应度函数值,构建故障数据分类模型;最后,将属性约简后的数据集输入到鲸鱼优化的支持向量机故障分类模型中,实现化工过程的故障诊断。利用田纳西-伊斯曼（Tennessee Eastman, TE）过程对构建的FRS-WOA-SVM故障分类模型进行测试及比较。结果表明,该方法故障诊断准确率高、诊断速度快,可以有效地对化工过程中的故障做出诊断。

文章关键词:

项目基金:《浙江化工》 网址: http://www.zhejianghuagong.cn/qikandaodu/2022/0128/581.html