公共文化服务平台

搜索到281篇“ TE过程“的相关文章

基于元学习的小样本多模态TE过程故障诊断: 2024年; 为解决多模态TE过程在小样本条件下故障诊断精度低的问题,提出了一种基于深度最近邻神经网络(DN4)与压缩和激励(SE)模块结合的集合型故障诊断方法(SEDN4)。首先,使用小波包变换将多模态过程数据转换成二维图像,划分元学习任务;然后,由嵌入网络进行局部特征提取,获得局部特征描述符;最后,使用k近邻搜索得到预测值。当新模态产生时,基于已有模型设计经验,在小样本条件下可快速得到新模态故障诊断模型。实验结果表明,本文方法在小样本条件下能够较好地实现多模态故障诊断,提高了故障诊断准确率,诊断效果较好。; 杨青华春丽朱美臣吴东升王笑臣; 关键词：故障诊断元学习

基于改进乌鸦算法优化SCN的TE过程故障诊断: 2024年; 现代化工过程变得越来越复杂,及时准确发现故障显得尤为重要。针对随机配置网络(SCN)泛化能力差、分类准确率低以及乌鸦搜索算法(CSA)寻优能力差等问题,提出了改进乌鸦算法(ICSA)优化随机配置网络的田纳西-伊斯曼(TE)过程故障诊断方法,结合ICSA算法和其它优化算法的寻优对比试验以及优化SCN网络对TE过程中不同故障的分类结果,可以得出,将所提方法应用于TE过程中,可以明显提高不同故障的分类准确率,整个测试集的分类准确率也高达97.6%,具有较好的分类效果,也更符合现代化工生产的需求。; 赵文虎王文梁晏宾; 关键词：化工过程分类准确率

基于KPCA融合AdaBoost-IBOA-ELM模型的TE过程故障诊断: 2024年; 为了保障化工系统的安全运行和高质量生产,准确判别化工过程的故障就显得尤为重要。针对田纳西-伊斯曼(Tennessee Eastman,TE)过程故障难以区分以及神经网络等方法在故障诊断中分类准确率较低、分类不稳定等问题,提出一种优化改进极限学习机(extreme learning machine,ELM)的TE过程故障诊断模型。首先利用核主成分分析(kernel principal components analysis,KPCA)方法对TE过程数据进行降维和特征提取,然后采用改进蝴蝶算法(improved butterfly optimization algorithm,IBOA)优化ELM的权值和阈值,最后利用自适应提升(adaptive boosting,AdaBoost)算法对分类器进行集成,完成故障分类。仿真结果表明,IBOA比其他优化算法具有更好的寻优能力,改进效果显著,AdaBoost-IBOA-ELM模型能够对测试集中的不同故障进行准确分类,最后的分类准确率高达98.5%,通过和其他网络对比,进一步验证了模型的合理性和优越性。; 赵文虎蔡生宏王文; 关键词：核主成分分析极限学习机

一种基于传递熵与长短期记忆网络的TE过程时序预测方法: 本发明涉及一种基于传递熵与长短期记忆网络的TE过程时序预测方法。针对TE过程变量间关联性强，易将冗余信息引入预测模型，导致时序预测精度低和训练速率慢的问题，本发明将传递熵算法的不对称性用于变量选取，在TE过程反应器单元变...; 高学金贾阳阳高慧慧韩华云

基于改进蝴蝶算法优化SVM的TE过程故障诊断: 2024年; 针对支持向量机在田纳西-伊斯曼过程故障诊断中存在不稳定且分类精度低以及蝴蝶优化算法在优化支持向量机时存在的易陷入局部最优和收敛速度慢等问题,提出了采用改进蝴蝶算法优化支持向量机的模型。首先利用反向学习策略、自适应调节策略和混沌局部搜索策略来优化蝴蝶算法,改善蝴蝶算法的寻优性能和开发能力。然后采用改进蝴蝶算法来优化支持向量机的参数,最后将改进蝴蝶算法优化的支持向量机模型应用到田纳西-伊斯曼过程的故障诊断中。通过函数测试和对比实验,结果表明:改进蝴蝶算法具有较好的寻优效果,用改进蝴蝶算法优化的支持向量机具有更好的稳定性和更高的分类准确率。; 赵文虎; 关键词：故障诊断分类准确率

基于模糊核聚类及核SMOTE的随机森林TE过程故障诊断方法: 本发明公开了基于模糊核聚类及核SMOTE的随机森林TE过程故障诊断方法，包括：获取TE过程仿真实验数据集，对数据集中的TE数据进行去噪处理；利用核函数将TE数据映射到核空间，然后利用模糊核聚类进行聚类，再利用边界样本剔除...; 李龙峰周红标刘家辉张士林丁唯峰祝清赫马响刘佳博周恒瑞马从国王乐

基于mini-1D-CNN模型的TE过程故障诊断被引量：2: 2023年; 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。; 杨余杨鑫王英翟持张浩; 关键词：故障诊断

基于深度学习的TE过程故障诊断方法研究: 化工过程对于化工生产十分重要,如何在日益复杂的化工过程中有效地诊断故障引起人们的广泛关注。化工过程通常表现出复杂、高维度、时变、多尺度等特性,这使得判断化工过程运行状态变得困难。为了确保化工过程的持续稳定,及早识别和准确...; 随亮辉; 关键词：故障诊断 TE过程

基于卷积对抗自编码机的TE过程故障检测与诊断研究: 随着化学工业的不断发展,安全问题也日益突出,尤其是复杂的化工过程,更加容易发生重大安全事故,造成了死亡、财产以及环境损失。化工过程通常具有高维性、非线性、耦合性、时间动态性等特点,如何及时有效进行检测和诊断是化工领域的研...; 陈怡潇; 关键词：故障检测与诊断 TE过程

相关作者