基于无监督学习的精馏塔异常检测方法研究
文献类型：学位论文
| 作者 | 陈德童 |
| 答辩日期 | 2021-05-21 |
| 授予单位 | 中国科学院沈阳自动化研究所 |
| 授予地点 | 沈阳 |
| 导师 | 刘贤达 |
| 关键词 | 精馏塔 无监督学习 工业控制系统 异常检测 |
| 学位名称 | 专业学位硕士 |
| 学位专业 | 控制工程 |
| 其他题名 | Research on Distillation Tower Anomaly Detection Method Based on Unsupervised Learning |
| 英文摘要 | 化工行业作为国民生产的重要支柱，其工业控制系统用于控制关键基础架构中的物理过程。下一代化工行业工业控制系统以及数据采集系统在异常检测方面面临着许多挑战。尽管近年来取得了一些进步，但特定于某一领域的异常检测方法无法解决现有的问题，同时也无法顾全到下一代化工行业的工业控制系统的特定需求。近年来，针对工业控制系统的异常检测研究基本上是从有监督学习的机器学习方法进行的，但考虑到在实际工业运行过程中，工厂设备将产生大量数据，逐条进行打标签工作变得繁重而困难，无法高效进行模型学习训练，在实际应用中也无法及时在工业现场平台上部署模型。本文首先对化工厂异常检测现况进行了背景调研和分析，介绍了当前机器学习用于化工厂精馏塔的异常检测的应用现况，并进一步剖析了目前化工行业异常检测存在的缺点。针对精馏塔异常检测现在存在的缺点，以化工厂的重要设备精馏塔为研究对象，以其工业控制的安全保障这一现实情况和要求为研究重点，以精馏塔的工艺数据作为训练数据和测试数据，提出了使用无监督学习的机器学习方法进行异常检测。本文使用了K-means聚类算法和FCM聚类算法这两种经典的聚类算法对精馏塔工艺数据进行异常检测。其次，针对精馏塔现场采集的原始数据存在大量噪声、部分数据存在缺失或者错误等现象，对采集的现场数据使用特征工程进行处理，本文使用自编码器神经网络对于工艺数据进行特征工程这一步处理，既避免了不同节点的量纲影响，同时也避免了精馏塔的工艺数据非线性的特点对于聚类结果的影响。再次，针对无监督学习应用化工行业精馏塔异常检测的现况和无监督学习的机器学习方法本身所存在的缺点，进一步进行优化改进，引入了粒子群优化算法和遗传优化算法两种典型的优化算法，利用这两种优化算法对于传统聚类算法进行优化改进，提出了针对精馏塔的四种基于无监督学习的优化算法的异常检测理论方法。最后进行实验，生成相应的精馏塔异常检测模型，并且进一步采用轮廓系数评估异常检测模型的性能，证明了改进算法的可执行性和有效性。根据测试结果，基于无监督改进算法的异常检测模型能够准确判断精馏塔设备运行状态，降低了精馏塔工艺数据异常检测的误报率。相对于基于FCM算法的异常检测模型，基于遗传算法改进FCM算法的精馏塔工艺数据异常检测模型不仅轮廓系数提高了0.3左右，在测试中准确率也提高了大约15个百分点，有效提高了精馏塔异常诊断模型的准确率。 |
| 语种 | 中文 |
| 产权排序 | 1 |
| 页码 | 57页 |
| 源URL | [http://ir.sia.cn/handle/173321/28980]  |
| 专题 | 沈阳自动化研究所_工业控制网络与系统研究室 |
| 作者单位 | 中国科学院沈阳自动化研究所 |
| 推荐引用方式 GB/T 7714 | 陈德童. 基于无监督学习的精馏塔异常检测方法研究[D]. 沈阳. 中国科学院沈阳自动化研究所. 2021. |
入库方式： OAI收割
来源：沈阳自动化研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。