Chemical process systems are becoming extremely complex due to increased automation, heat and mass intensification, and expectation of higher efficiency. Many fault detection and diagnostic methods have been proposed for processing facilities. However, managing the missed alarm rate and the false alarm rate (FAR) in the detection and isolation of the fault is crucial in the complex process systems. This work presents a new data‐driven fault detection model using an artificial neural network (ANN) and variable mosquito flying optimization (V‐MFO) technique. The model is based on the optimization of the number of neurons in the hidden layer of the neural network. Subsequently, the model parameters have been tuned using the V‐MFO algorithm for maximizing the fault detection rate (FDR) while minimizing the FAR. The proposed fault detection method has been implemented on the Tennessee Eastman benchmark process. The performance of the proposed model has been evaluated in terms of accuracy, FDR and FAR against well‐known statistical‐based methods such as principal component analysis (PCA), kernel PCA, semiparametric PCA, modified independent component analysis, k nearest neighbors, linear discriminant analysis, support vector machine, and the ANN. The model is observed to be competitive for fault detection among the test algorithms. It recorded slightly improved accuracy and FDR. The proposed model also resulted in 0.6% improvement in the FAR and 8% improvement in missed detection rate compared to the simple ANN. This method provides an efficient fault detection tool for complex process systems.

中文翻译：

---

基于变量蚊蝇优化的混合人工神经网络模型用于过程故障检测系统的报警调整

由于自动化程度的提高、热量和质量的强化以及对更高效率的期望，化学过程系统变得极其复杂。已经为处理设施提出了许多故障检测和诊断方法。然而，在复杂的过程系统中，在故障检测和隔离中管理漏报率和误报率 (FAR) 是至关重要的。这项工作提出了一种使用人工神经网络 (ANN) 和可变蚊蝇优化 (V-MFO) 技术的新数据驱动故障检测模型。该模型基于神经网络隐藏层神经元数量的优化。随后，使用 V-MFO 算法调整模型参数，以最大化故障检测率 (FDR)，同时最小化 FAR。提出的故障检测方法已在田纳西州伊士曼基准过程中实施。所提出的模型的性能已经在准确性、FDR 和 FAR 方面与众所周知的基于统计的方法进行了评估，例如主成分分析 (PCA)、核 PCA、半参数 PCA、修正的独立成分分析、k 个最近邻、线性判别分析、支持向量机和人工神经网络。观察到该模型在测试算法之间的故障检测方面具有竞争力。它记录了略微提高的准确性和 FDR。与简单的人工神经网络相比，所提出的模型还使 FAR 提高了 0.6%，漏检率提高了 8%。该方法为复杂的过程系统提供了一种有效的故障检测工具。所提出的模型的性能已经在准确性、FDR 和 FAR 方面与众所周知的基于统计的方法进行了评估，例如主成分分析 (PCA)、核 PCA、半参数 PCA、修正的独立成分分析、k 个最近邻、线性判别分析、支持向量机和人工神经网络。观察到该模型在测试算法之间的故障检测方面具有竞争力。它记录了略微提高的准确性和 FDR。与简单的人工神经网络相比，所提出的模型还使 FAR 提高了 0.6%，漏检率提高了 8%。该方法为复杂的过程系统提供了一种有效的故障检测工具。所提出的模型的性能已经在准确性、FDR 和 FAR 方面与众所周知的基于统计的方法进行了评估，例如主成分分析 (PCA)、核 PCA、半参数 PCA、修正的独立成分分析、k 个最近邻、线性判别分析、支持向量机和人工神经网络。观察到该模型在测试算法之间的故障检测方面具有竞争力。它记录了略微提高的准确性和 FDR。与简单的人工神经网络相比，所提出的模型还使 FAR 提高了 0.6%，漏检率提高了 8%。该方法为复杂的过程系统提供了一种有效的故障检测工具。FDR 和 FAR 与众所周知的基于统计的方法（例如主成分分析 (PCA)、核 PCA、半参数 PCA、修正的独立成分分析、k 个最近邻、线性判别分析、支持向量机和 ANN）进行对比。观察到该模型在测试算法之间的故障检测方面具有竞争力。它记录了略微提高的准确性和 FDR。与简单的人工神经网络相比，所提出的模型还使 FAR 提高了 0.6%，漏检率提高了 8%。该方法为复杂的过程系统提供了一种有效的故障检测工具。FDR 和 FAR 与众所周知的基于统计的方法（例如主成分分析 (PCA)、核 PCA、半参数 PCA、修正的独立成分分析、k 个最近邻、线性判别分析、支持向量机和 ANN）进行对比。观察到该模型在测试算法之间的故障检测方面具有竞争力。它记录了略微提高的准确性和 FDR。与简单的人工神经网络相比，所提出的模型还使 FAR 提高了 0.6%，漏检率提高了 8%。该方法为复杂的过程系统提供了一种有效的故障检测工具。观察到该模型在测试算法之间的故障检测方面具有竞争力。它记录了略微提高的准确性和 FDR。与简单的人工神经网络相比，所提出的模型还使 FAR 提高了 0.6%，漏检率提高了 8%。该方法为复杂的过程系统提供了一种有效的故障检测工具。观察到该模型在测试算法之间的故障检测方面具有竞争力。它记录了略微提高的准确性和 FDR。与简单的人工神经网络相比，所提出的模型还使 FAR 提高了 0.6%，漏检率提高了 8%。该方法为复杂的过程系统提供了一种有效的故障检测工具。