面向工业过程监控的过程变量时序事件识别方法
由于受到平稳性操作和随机性扰动等因素影响，工业过程变量时序曲线往往呈现了一些频繁的时空演化模式。目前面向工业过程监控的机器学习与特征挖掘大多是直接针对过程变量时序数据展开的，大量冗余的时序数据在很大程度上掩盖了时序曲线的变化。为此，本文将时序曲线的频繁时空演化模式定义为时序事件，提出了一种工业过程变量时序事件识别方法。论文的主要内容和取得的成果如下: 1、采集工业过程变量的基元时序事件，通过格拉姆角场(GAF)将其转化为二维图像，建立格拉姆角场-卷积神经网络分类器(GAF-CNN),对工业过程变量基元时序事件进行分类学习。 2、对于工业过程变量时序曲线，构造基于GAF-CNN分类器的时序事件分割算法，建立深度降噪自编码器(DDAE),对过程变量时序事件进行特征提取，由此，实现工业过程变量时序事件识别。 3、将所提的方法应用于TE仿真模型和工业煤气化过程，实验采集了过程变量基元时序事件，对其进行GAF-CNN分类学习，实现对过程变量时序事件分割，建立DDAE对时序事件进行特征提取，获得了满意的结果，验证了所提方法的有效性。
工业过程监控;时序事件识别;格拉姆角场;深度降噪自编码器
北京化工大学
硕士
控制科学与工程
李宏光
2023
中文
TP277
2023-09-27（万方平台首次上网日期，不代表论文的发表时间）