Tennessee Eastman(TE)田纳西-伊斯曼仿真平台应用试验与分析

简介: Tennessee Eastman(TE)田纳西-伊斯曼仿真平台应用试验与分析

上次说到典型相关分析,在故障诊断邻域用及,下面来实操。


这里是几个数据集下载及相关文档的Link:


MATLAB代码:http://depts.washington.edu/control/LARRY/TE/download.html#Basic_TE_Code

卡玛拉姆/田纳西-伊士曼-prof Braatz——GitHub:https://github.com/camaramm/tennessee-eastman-profBraatz

标准的正常和故障数据集来自 Washington大学网站:http://brahms.scs.uiuc.edu


TE

田纳西-伊斯曼(TE)仿真平台


依据实际化工反应过程,美国 Eastman 化学公司开发了具有开放性和挑战性的化工模型仿真平台-Tennessee Eastman(TE)仿真平台,其产生的数据具有时变、强耦合和非线性特征,广泛用于测试复杂工业过程的控制和故障诊断模型。(这个介绍感觉都介绍烂了⟶ \longrightarrow⟶来自网络)

image.png

图1.TE过程流程图

TE(Tennessee Eastman) Benchmark 实验平台是模拟美国 Eastman 化学公司一个实际的化工联合反应

过程。该平台是一个开放的非常具有挑战性的化工模型试验平台, 主要由连续搅拌式反应釜、 分凝器、 气液分离塔、 汽提塔、 再沸器和离心式压缩机等多个操作单元组成, 该过程的流程示意图如图 1 所示。三种气体反应剂 A、 D 和 E 直接进入反应釜。进料 C 和一定量的进料 A 通过分凝器进入过程。


更多关于TE的介绍可参考此篇Paper:WANG Yinming,YANG Jianbo,XU Donglin.Environmental impact assessment using the evidential reasoning approach[J].European Journal of Operational Research,2006,174(3):1885- 1913.


TE 过程一共有 11 个操作变量和 41 个过程变量。在确定过程监测变量时, 选取常用的与过程运行状况紧密相关的几个过程变量, 其中 11 个操作变量 XMV(1) ~ XMV(11)作为输入, 分别为物料 D(流量 2)、 物料 E(流量 3)、 物料 A(流量 1)、 物料 A 和 C(流量 4)、 压缩机循环阀、 放空气阀、 分离器液体流量、 解吸塔蒸汽阀、 反应器冷水流量、 冷凝器冷水流量。成分 F、 G 和 H 作为输出变量。(源自一篇Paper)


建模数据集具体可根据自己的需求来建立。


运用CCA对TE过程参数进行监控,具体分析步骤在这里,我们可以得到监控的T 2 T^2T

2

统计值,检验CCA的有效性:

image.png

由监测结果可知,对过程故障较为敏感,如上图中,在数据样本快达到第200个,监测到了故障,故障检测率与输入变量的操作有一定的关系,故会出现一定的偏差。

相关文章
|
机器学习/深度学习 并行计算 PyTorch
利用谷歌colab跑github代码AttnGAN详细步骤 深度学习实验(colab+pytorch+jupyter+github+AttnGAN)
Google Colab,全名Colaboratory,是由谷歌提供的免费的云平台,可以使用pytorch、keras、tensorflow等框架进行深度学习。其GPU为Tesla T4 GPU,有很强的算力,对于刚入门机器学习或深度学习的用户,这个平台是不二之选。
利用谷歌colab跑github代码AttnGAN详细步骤 深度学习实验(colab+pytorch+jupyter+github+AttnGAN)
|
编解码 人工智能 运维
南加大提出全新通用时间序列基础模型TimeDiT!基于扩散模型创新物理约束机制
 【10月更文挑战第10天】南加大提出TimeDiT模型,创新融合扩散模型与Transformer架构,针对真实世界时间序列数据的复杂性,如多分辨率、缺失值等问题,提供高效解决方案。该模型通过新颖的掩码机制和无微调编辑策略,实现多任务处理及物理知识集成,显著提升预测和异常检测的准确性和鲁棒性。
363 3
|
安全
工业机理模型的构建
工业机理模型的构建
307 7
|
PyTorch 算法框架/工具
Pytorch学习笔记(六):view()和nn.Linear()函数详解
这篇博客文章详细介绍了PyTorch中的`view()`和`nn.Linear()`函数,包括它们的语法格式、参数解释和具体代码示例。`view()`函数用于调整张量的形状,而`nn.Linear()`则作为全连接层,用于固定输出通道数。
753 0
Pytorch学习笔记(六):view()和nn.Linear()函数详解
|
12月前
|
机器学习/深度学习 算法 Java
机器学习、基础算法、python常见面试题必知必答系列大全:(面试问题持续更新)
机器学习、基础算法、python常见面试题必知必答系列大全:(面试问题持续更新)
|
存储
外部排序快速入门详解:基本原理,败者树,置换-选择排序,最佳归并树
外部排序用于处理无法一次性加载到内存中的大规模数据排序问题。其基本原理是将外存数据划分为若干已内部排序的小块,利用内存中的缓冲区进行多路归并排序,并逐步合并以生成更大的有序块。通过增加缓冲区数量、优化关键字比较次数(如使用败者树)和调整归并段长度等方法可进一步提高排序效率。最佳归并树的应用则能有效减少磁盘I/O次数,从而优化整个排序过程。
576 8
|
机器学习/深度学习 监控 安全
confidence_threshold
【9月更文挑战第13天】
537 2
|
Python
|
存储 弹性计算 Cloud Native
2024年 | 1月云大使返佣规则
①推荐企业认证新用户首购最高可拿首购订单实付金额的45%奖励。②1月首单推广实付金额≥79元,领50元奖励。③重启推广新注册用户关联拥有30天保护期。④1月【2024开门红】达标激励活动,拉新首购达到相应阶段可额外获得最高4000元奖励!⑤调整大使等级升级人数门槛。⑥调整等级计数订单金额门槛。
2024年 | 1月云大使返佣规则
|
机器学习/深度学习 运维 自然语言处理
揭示堆叠自动编码器的强大功能 - 最新深度学习技术
揭示堆叠自动编码器的强大功能 - 最新深度学习技术