基于DMFA与深度学习的化工过程多工况异常识别

为了解决动态变化过程数据随设备参数变化而服从不同分布的问题,提出了一种基于深层化工机理和自适应方法的多工况深层机理特征自适应(deep mechanism feature adaptation,DMFA)与深度学习的异常识别方法.首先,建立了工艺的物料衡算和热量衡算方程.其次,卷积操作抽取了工艺的机理特征表示.然后,自适应了源域(训练数据)和目标域(测试数据)的深层机理特征分布.最后,基于深度学习实现了无监督目标域的异常识别.由于DMFA在学习工艺机理时,使模型得到了紧致的机理特征表示,适配了工艺过程的设备参数变化,所以DMFA可以有效解决欠拟合、过拟合以及欠适配问题.脱丙烷精馏过程的应用表明,该方法能够有效识别精馏过程多工况,其异常识别的平均F1分数达到了99.87％.