基于改进KFDA与DE优化SOM的故障诊断模型及其化工过程诊断

作者:李国友; 张新魁; 才士文; 贾曜宇; 宁泽
更新时间:

针对化工过程故障诊断数据维数高、故障特征难以识别、自组织映射(SOM)网络容易陷入局部优化等问题,提出了一种基于改进的核Fisher判别分析(KFDA)和差分进化算法(differential evolution、DE)优化的SOM神经网络相结合的故障诊断方法。首先,利用欧氏距离加权类间距,避免类间距过大导致投影数据重叠的问题,从而获得更好的断层数据样本投影效果,优化分类性能。然后,利用DE算法动态调整SOM神经网络的权值向量,有效地避免了死神经元出现时陷入局部最优的问题。最后,对田纳西-伊斯曼(TEtennessee-eastman)工艺和对二甲苯(paraxylene、PX)歧化工艺的故障数据进行了诊断和测试。结果表明,与传统的SOM网络相比,该网络具有更高的分类和诊断精度,可以有效地应用于化工过程的故障诊断。