CN106228184B - 一种基于优化极限学习机的高炉故障检测方法 - Google Patents
一种基于优化极限学习机的高炉故障检测方法 Download PDFInfo
- Publication number
- CN106228184B CN106228184B CN201610570856.1A CN201610570856A CN106228184B CN 106228184 B CN106228184 B CN 106228184B CN 201610570856 A CN201610570856 A CN 201610570856A CN 106228184 B CN106228184 B CN 106228184B
- Authority
- CN
- China
- Prior art keywords
- solution
- chaos
- value
- individual
- adaptive
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Neurology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出一种基于优化极限学习机的高炉故障检测方法,属于高炉故障检测技术领域,本发明通过ABC算法优化ELM中的输入权值和隐层阈值,以建立合理有效的分类模型;基于Tent映射采用混沌反向学习策略产生分布均匀的初始群体,以提高初始解的质量和增加方法的稳定性;采用自适应搜索策略在全局搜索和局部搜索两个方面达到最好的平衡;通过Tent混沌局部搜索策略跳出局部最优解;本发明提高了ABC算法的收敛速度和寻优精度,提高了高炉故障检测的分类精度,增大产生新解的概率,避免陷入局部最优解,保证了算法快速进化的方向,在保证全局搜索能力的同时在一定程度上也提高了算法的局部搜索能力。
Description
技术领域
本发明属于高炉故障检测技术领域,具体涉及一种基于优化极限学习机的高炉故障检测方法。
背景技术
在钢铁企业中,高炉炼铁生产处于先行和重要的地位,能耗约占60%,一旦发生故障,将会造成人员和财产的巨大损失;因此,实现故障检测过程智能化、自动化,及时准确地检测和预测出高炉炼铁生产过程异常状态,既可以减少事故,保证生产平稳可靠地运行,同时也能降低生产管理成本,提高产品质量;这对于提高企业经济效益、减少生产能耗、提升企业竞争力,具有重要的意义;高炉冶炼是一个工艺复杂的连续生产过程,在高炉冶炼过程中,热风风温、热风风量、热风风压、炉顶压力、全压差、上部压力、下部压力、富氧量、透气性指数、十字测温、料速、物理热、含[Si]量等参数反映了高炉生产状态和设备状态,必须要实时检测,以及时预测和诊断高炉故障。因此需要提出新的高炉故障智能诊断技术,以适应实时、高精度的高炉故障检测要求。
目前,基于人工智能的高炉故障检测方法主要有神经网络和支持向量机;但是,神经网络方法需要大量的训练时间,其解可能陷入局部极小值;近年来,极限学习机(ExtremeLearning Machine,ELM)得到了研究人员的广泛关注和研究,ELM是一种基于单隐层前馈神经网络(Single Hidden Layer Feedforward Neural Networks,SLFNS)的学习算法;与传统的神经网络算法相比,ELM具有极快的学习速度和良好的泛化能力,避免了网络中参数设置、陷入局部极小值等问题;因此,将ELM应用到高炉故障检测中,可以极大提高目前故障检测系统的性能,为故障检测技术向智能化发展提供了新的途径。
虽然在ELM方法中,网络的输入权值、隐层阈值是随机生成的,不需要人为调节也不会产生迭代步骤,但这种随机赋值可能会产生非最优或不必要的输入权值和隐层阈值,可能需要更多的隐层神经元,从而降低ELM对未知测试数据的响应速度,造成分类结果不稳定。人工蜂群(Artificial Bee Colony,ABC)算法主要模拟蜂群的智能采蜜行为,是一种群体智能优化算法。由于ABC具有结构简单、参数较少、易于实现等优点,现已在最优化问题中得到广泛地应用。ABC算法具有较强的全局搜索能力,但局部寻优能力却较弱,进化后期收敛速度较慢。
发明内容
针对现有技术的不足,本发明提出一种基于优化极限学习机的高炉故障检测方法,以达到提高ABC算法的收敛速度和寻优精度,提高高炉故障检测的分类精度目的。
一种基于优化极限学习机的高炉故障检测系统,包括数据采集模块、数据库存储模块、极限学习机训练模块和故障检测模块;其中,
数据采集模块:当训练时,用于采集高炉生产状况历史数据和设备运行状态的历史故障类型,并发送至数据库存储模块中;当实际检测时,用于采集高炉生产状况数据,并发送至故障检测模块中;
数据库存储模块:用于存储高炉生产状况历史数据和设备运行状态的历史故障类型;
极限学习机训练模块:用于采用人工蜂群算法对ELM中的输入权值和隐层阈值进行参数优化,即采用混沌反向学习策略产生初始群体,即初始解,将训练样本分类的错误率作为适应值函数,通过比较确定全局最优解,再采用自适应搜索策略根据人工蜂群算法选择食物源邻域范围,生成一个新的候选位置即候选解,并计算相应适应值,利用贪婪选择机制保留更优解;根据人工蜂群算法获得选择某个食物源的概率,根据轮盘赌方式选择其中较优食物源,再采用自适应搜索策略根据人工蜂群算法选择食物源邻域范围,生成一个新的候选位置即候选解,并计算相应适应值,利用贪婪选择机制保留更优解;若连续多次迭代获得的最优解未发生变化,采用混沌局部搜索策略以跳出局部最优解,直到达到最大迭代次数,则从全局最优解中获取最优参数值,即获得ELM中的输入权值和隐层阈值,完成最优极限学习机模型的建立,发送至故障检测模块中;
故障检测模块:用于将采集的数据输入训练好的极限学习机模型中,获得输出的高炉设备运行状态,若为故障类型,则通知工作人员。
采用基于优化极限学习机的高炉故障检测系统进行的检测方法,包括以下步骤:
步骤1、采集高炉生产状况历史数据和高炉设备运行状态的历史故障类型作为训练样本,构建训练集;
步骤2、采用人工蜂群算法对ELM中的输入权值和隐层阈值进行参数优化,建立最优极限学习机模型,具体步骤如下:
步骤2-1、采用混沌反向学习策略产生初始群体,即初始解;
步骤2-2、将训练样本分类的错误率作为适应值函数,通过比较确定全局最优解;
步骤2-3、采用自适应搜索策略根据人工蜂群算法选择食物源邻域范围,生成一个新的候选位置即候选解,并计算相应适应值,利用贪婪选择机制保留更优解;
步骤2-4、根据人工蜂群算法获得选择某个食物源的概率,根据轮盘赌方式选择其中较优食物源,再采用自适应搜索策略根据人工蜂群算法选择食物源邻域范围,生成一个新的候选位置即候选解,并计算相应适应值,利用贪婪选择机制保留更优解;
步骤2-5、判断是否连续多次迭代获得的最优解未发生变化,是则执行步骤2-6;否则执行步骤2-7;
步骤2-6、采用混沌局部搜索策略以跳出局部最优解,并执行步骤2-7;
步骤2-7、本次迭代结束,保存当前获得的全局最优解;
步骤2-8、判断是否达到最大迭代次数,若是,则停止迭代,从全局最优解中获取最优参数值,即获得ELM中的输入权值和隐层阈值,执行步骤2-9,否则返回步骤2-3;
步骤2-9、将获取的输入取值和隐层阈值输入至极限学习机中进行训练,建立最优极限学习机模型;
步骤3、采集实际生产中高炉生产状况数据,将采集的数据输入训练好的极限学习机模型中,获得输出的高炉设备运行状态,若为故障类型,则通知工作人员。
步骤1所述的高炉生产状况历史数据,包括:风量、风压、顶压、压差、透气性、顶温、十字测温、料速、Si含量和物理热;所述的高炉设备运行状态的历史故障类型包括:向凉、向热、悬料和崩料。
步骤2-1所述的采用混沌反向学习策略产生初始群体,即初始解;具体如下:
步骤2-1-1、采用Tent映射在可行域中初始化多个个体,即可行解;
所述的个体由一组输入权值和隐层阈值构成;每个个体表示一个食物源位置;
步骤2-1-2、取某个个体的初始位置分量作为Tent映射初始值,且避免落入小周期内;
步骤2-1-3、根据混沌序列模型进行迭代,产生混沌序列;
步骤2-1-4、判断混沌迭代是否达到最大次数,若是,则转步骤2-1-7;否则,执行步骤2-1-5;
步骤2-1-5、判断混沌迭代是否落入不稳周期点,若是,则转步骤2-1-6,否则转步骤2-1-3;
步骤2-1-6、重置上述个体的位置分量,转步骤2-1-3;
步骤2-1-7、保存产生的混沌序列;
步骤2-1-8、将混沌序列映射到原解空间中,即映射至ELM输入权值和隐层阈值取值范围中,产生一个混沌序列可行解;
步骤2-1-9、从混沌序列可行解中生成多个反向解,反向解的个数与个体的个数相同;
步骤2-1-10、从混沌序列可行解与反向解的并集中选择多个适应值最好的个体作为初始群体,选择的个数与个体的个数相同。
步骤2-3所述的采用自适应搜索策略根据人工蜂群算法选择食物源邻域范围,生成一个新的候选位置即候选解,具体如下:
步骤2-3-1、获得自适应选择概率pfi:
其中,fi表示解Xi所对应的适应值,fmin表示当前群体中最小适应值;fmax表示当前群体中最大适应值;
步骤2-3-2、根据获得的自适应选择概率生成新的候选解Vi={vi,1,vi,2,...,vi,j,...,vi,D}:
其中,xbest,j表示当前全局最优解的第j个位置分量,xi,j表示当前第i个个体中的第j个位置分量,xk,j表示第k个个体中的第j个位置分量,表示第r1个个体中的第j个位置分量,表示第r2个个体中的第j个位置分量,且满足r1≠r2≠i,k≠i,D表示优化参数个数,φi,j为[-1,1]之间的随机数。
步骤2-3所述的贪婪选择机制,具体为:当不同解所对应的适应值相近时,选择输出权值范数较小的解作为更优解。
步骤2-6所述的采用混沌局部搜索策略以跳出局部最优解,具体如下:
步骤2-6-1、设定当前搜索到的局部最优解,采用Tent映射在可行域内随机生成一个混沌序列,并以此作为混沌迭代初始值;
步骤2-6-2、根据混沌序列模型进行迭代,产生混沌序列;
步骤2-6-3、根据当前搜索到的局部最优解的邻域点,将混沌序列转化为原解空间领域内的优化变量序列;
步骤2-6-4、获得优化变量序列的适应值,并利用贪婪选择机制保留更优解;
步骤2-6-5、判断是否达到最大混沌迭代次数,若是,则保存当前得到的全局最优解,否则返回执行步骤2-6-2。
本发明优点:
本发明提出一种基于优化极限学习机的高炉故障检测方法,通过新颖的ABC算法优化ELM中的输入权值和隐层阈值,以建立合理有效的分类模型;在ABC方法中,一方面,基于Tent映射采用混沌反向学习策略产生分布均匀的初始群体,以提高初始解的质量和增加方法的稳定性;另一方面,采用自适应搜索策略在全局搜索和局部搜索两个方面达到最好的平衡;最后,通过Tent混沌局部搜索策略跳出局部最优解;
1)ABC算法中的初始群体是随机选取的,不能保证初始个体均匀分布于整个解空间,影响初始解的质量,根据混沌、反向学习的特性,以及Tent映射具有更好遍历均匀性和更快收敛速度的优势,采用混沌反向学习策略产生初始群体,以提高ABC算法的收敛速度和寻优精度,提高高炉故障检测的分类精度;
2)采用自适应搜索策略即对群体进行有针对性的分类,对较为优秀的个体随机选择个体进行交叉操作,以增大产生新解的概率,避免陷入局部最优解;而对较差的个体选择较为优秀的个体进行交叉操作,保证了算法快速进化的方向,这样在保证全局搜索能力的同时在一定程度上也提高了算法的局部搜索能力;
3)引入Tent混沌局部搜索策略可以产生局部最优解的许多邻域点,从而减少局部最优解的困扰,快速收敛到全局最优解,提高高炉故障检测的分类精度。
附图说明
图1为本发明一种实施方式的基于优化极限学习机的高炉故障检测系统结构框图;
图2为本发明一种实施方式的基于优化极限学习机的高炉故障检测方法流程图;
图3为本发明一种实施方式的采用人工蜂群(ABC)算法对ELM中的输入权值和隐层阈值进行参数优化过程流程图;
图4为本发明一种实施方式的采用混沌反向学习策略产生初始群体过程流程图;
图5为本发明一种实施方式的采用混沌局部搜索策略以跳出局部最优解过程流程图;
图6为本发明一种实施方式的四种方法的分类精度随隐层神经元个数变化的曲线图。
具体实施方式
下面结合附图对本发明一种实施例做进一步说明。
本发明实施例中,如图1所示,基于优化极限学习机的高炉故障检测系统包括数据采集模块、数据库存储模块、极限学习机训练模块和故障检测模块;
本发明实施例中,数据采集模块:当训练时用于采集高炉生产状况历史数据和设备运行状态的历史故障类型,并发送至数据库存储模块中;当实际检测时用于采集高炉生产状况数据,并发送至故障检测模块中;
本发明实施例中,数据库存储模块用于存储高炉生产状况历史数据和设备运行状态的历史故障类型;
本发明实施例中,极限学习机训练模块用于采用人工蜂群算法对ELM中的输入权值和隐层阈值进行参数优化,即采用混沌反向学习策略产生初始群体,即初始解,将训练样本分类的错误率作为适应值函数,通过比较确定全局最优解,再采用自适应搜索策略根据人工蜂群算法选择食物源邻域范围,生成一个新的候选位置即候选解,并计算相应适应值,利用贪婪选择机制保留更优解;根据人工蜂群算法获得选择某个食物源的概率,根据轮盘赌方式选择其中较优食物源,再采用自适应搜索策略根据人工蜂群算法选择食物源邻域范围,生成一个新的候选位置即候选解,并计算相应适应值,利用贪婪选择机制保留更优解;若连续多次迭代获得的最优解未发生变化,采用混沌局部搜索策略以跳出局部最优解;直到达到最大迭代次数,则从全局最优解中获取最优参数值,即获得ELM中的输入权值和隐层阈值,完成最优极限学习机模型的建立,发送至故障检测模块中;
本发明实施例中,故障检测模块用于将采集的数据输入训练好的极限学习机模型中,获得输出的设备运行状态,若为故障类型,则通知工作人员。
采用基于优化极限学习机的高炉故障检测系统进行的检测方法,方法流程图如图2所示,包括以下步骤:
步骤1、采集高炉生产状况历史数据和设备运行状态的历史故障类型作为训练样本,构建训练集;所述的高炉生产状况历史数据,包括:风量(m3/min)、风压(Pa)、顶压(MPa)、压差、透气性、顶温(包含四点温度)、十字测温(包含中心和边缘)(℃)、料速(批/小时)、Si含量、物理热(℃);所述的设备运行状态的历史故障类型包括:向凉、向热、悬料和崩料;
本发明实施例中,构建样本集合(sp,tp),每一类故障包含100个数据,取300个数据作为训练数据,100个数据作为测试数据,其中sp=[sp1,sp2,...,spn]T∈Rn,Rn表示样本空间,sp表示第p个样本的数据向量,n表示样本的特征维数,本实施例中取值为14;tp={1,2,...,m}表示第p个样本的故障类别,取值为整数,m表示故障种类;本发明实施例中,隐层神经元个数L=10,种群大小SN=40,优化参数个数D=(n+1)×L,控制参数limit=15;
步骤2、采用人工蜂群(ABC)算法对ELM中的输入权值和隐层阈值进行参数优化,建立最优极限学习机模型,流程图如图3所示,具体步骤如下:
步骤2-1、采用混沌反向学习策略产生初始群体,即初始解;流程图如图4所示,具体如下:
步骤2-1-1、采用Tent映射在可行域中初始化SN个个体,即可行解;
本发明实施例中,每个个体(可行解)表示一个食物源位置,它由一组输入权值wn1,wn2,...,wnL和隐层阈值b1,b2,...,bL构成;
个体形式:θ={w11,w12,...,w1L,w21,w22,...,w2L,wn1,wn2,...,wnL,b1,b2,...,bL}
步骤2-1-2、取第i个个体的初始位置分量作为Tent映射初始值,且避免落入小周期内{0.2,0.4,0.6,0.8};
步骤2-1-3、根据混沌序列模型进行迭代,产生混沌序列;
本发明实施例中,混沌序列模型:
其中,cxi k,j表示第k次混沌迭代第i个个体中的第j个位置分量;cxi k-1,j表示在第k-1次混沌迭代第i个个体中的第j个位置分量;
步骤2-1-4、判断混沌迭代是否达到最大次数,本实施例中取值为50,若是,则转步骤2-1-7;否则,执行步骤2-1-5;
步骤2-1-5、判断混沌迭代是否落入不稳周期点{0,0.25,0.5,0.75},若是,则转步骤2-1-6,否则转步骤2-1-3;
步骤2-1-6、重置上述个体的位置分量,转步骤2-1-3;
本发明实施例中,重置第i个个体的位置分量,将cxi k,j加上一个很小的正实数ε(ε<0.1)本实施例中取值为0.005,cxi k,j=cxi k,j+ε;
步骤2-1-7、保存产生的混沌序列;
步骤2-1-8、将混沌序列映射到原解空间中,即映射至ELM输入权值和隐层阈值取值范围[-1,1]中,产生一个混沌序列可行解X(SN):Xi={xi,1,xi,2,...,xi,j,...,xi,D};
本发明实施例中,映射公式如下:
xi,j=aj+cxi k,j(bj-aj) (4)
其中,i=1,2,...,SN,j=1,2,...,D,xi,j的取值范围为[aj,bj],本实施例中,aj,bj的取值分别为-1、1;
步骤2-1-9、从混沌序列可行解中生成多个反向解,反向解的个数与个体的个数相同;
本发明实施例中,从混沌序列可行解X(SN)中生成SN个反向解OX(SN):OXi={oxi,1,oxi,2,...,oxi,j,...,oxi,D};
反向解的计算公式如下:
oxi,j=aj+bj-xi,j (5)
步骤2-1-10、从X(SN)∪OX(SN)中选择SN个适应值最好的个体作为初始群体;
步骤2-2、将训练样本分类的错误率作为适应值函数,通过比较确定全局最优解;
本发明实施例中,结合ELM算法定义适应值函数,即训练样本分类的错误率,通过比较找出全局最优解;由于ELM的输出权值范数越小,其泛化能力越强,因此,在设计贪婪选择机制时,当不同解所对应的适应值相近时,选择输出权值范数较小的解作为更优解;
适应值函数f(θ)的计算公式如下:
其中,Ntr表示训练样本数目,misclassification表示训练样本误分类数目;
通过比较获得当前迭代最优解的公式如下:
其中,λ表示容忍率,且λ>0,本实施例中取值为0.04;表示根据解Xi计算得到的输出权值,表示当前迭代最优解计算得到的输出权值;
通过比较获得全局最优解的公式如下:
其中,表示根据全局最优解计算得到的输出权值;
步骤2-3、采用自适应搜索策略根据人工蜂群算法的雇佣蜂阶段:采用自适应搜索策略由雇佣蜂选择食物源邻域范围,从而生成一个新的候选位置即候选解,并计算相应适应值,利用贪婪选择机制保留更优解;
具体如下:
步骤2-3-1、获得自适应选择概率pfi:
其中,fi表示解Xi所对应的适应值,fmin表示当前群体中最小适应值;fmax表示当前群体中最大适应值;
步骤2-3-2、根据获得的自适应选择概率生成新的候选解Vi={vi,1,vi,2,...,vi,j,...,vi,D}:
其中,xbest,j表示当前全局最优解的第j个位置分量,xi,j表示当前第i个个体中的第j个位置分量,xk,j表示第k个个体中的第j个位置分量,表示第r1个个体中的第j个位置分量,表示第r2个个体中的第j个位置分量,且满足r1≠r2≠i,k≠i,D表示优化参数个数,φi,j为[-1,1]之间的随机数;
步骤2-4、根据人工蜂群算法的跟随蜂阶段:计算跟随蜂选择某个食物源的概率pi,根据轮盘赌方式选择其中最优食物源,然后对选出的食物源采用自适应搜索策略生成一个新的候选位置即候选解,并计算相应适应值,利用贪婪选择机制保留更优解:
跟随蜂选择某个食物源的概率计算公式如下:
步骤2-5、根据人工蜂群算法的侦察蜂阶段:判断是否一个食物源Xi在某一位置连续limit代都未发生变化,是则执行步骤2-6;否则执行步骤2-7;
步骤2-6、采用混沌局部搜索策略以跳出局部最优解,并执行步骤2-7;
方法流程图如图5所示,具体如下:
步骤2-6-1、设定当前搜索到的局部最优解Xg={xg,1,xg,2,...,xg,D},采用Tent映射在可行域内随机生成一个混沌序列CX0={cx0,1,cx0,2,...,cx0,D},且cx0,j∈[0,1],并以此作为混沌迭代初始值;
步骤2-6-2、根据Tent映射混沌序列模型进行迭代,产生混沌序列CXk={cxk,1,cxk,2,...,cxk,D};
步骤2-6-3、根据当前搜索到的局部最优解的邻域点,将混沌序列转化为原解空间领域内的优化变量序列;
本发明实施例中,将混沌变量cxk,j转化为原解空间领域内的优化变量vk,j,即将混沌变量cxk,j的取值放大到一个以当前位置xg,j为中心,以Rj为混沌搜索半径的区域上,具体转换公式如下:
vk,j=xg,j+Rj(2cxk,j-1) (10)
其中,vk,j∈[xg,j-Rj,xg,j+Rj];
步骤2-6-4、获得优化变量序列Vk的适应值,并利用贪婪选择机制保留更优解;
步骤2-6-5、判断是否达到最大混沌迭代次数,若是,则保存当前得到的全局最优解,否则返回执行步骤2-6-2;
步骤2-7、本次迭代结束,保存当前获得的全局最优解;
步骤2-8、判断是否达到最大迭代次数,本实施例中取值为150,若是,则停止迭代,从全局最优解中获取最优参数值,即获得ELM中的输入权值和隐层阈值,执行步骤2-9,否则返回步骤2-3;
步骤2-9、将获取的输入取值和隐层阈值输入至极限学习机中进行训练,建立最优极限学习机模型;
步骤3、采集实际生产中高炉生产状况数据,将采集的数据输入训练好的极限学习机模型中,获得输出的设备运行状态,若为故障类型,包括向凉、向热、悬料和崩料,则通知工作人员。
本发明实施例中,如图6所示,采用本方法取得了最佳的高炉故障检测的分类精度,并且取得最佳结果所用的隐层神经元的个数也是最少的,说明本方法采用新颖的ABC算法能有效的实现参数优化,得到更紧凑的网络结构,具有更好的泛化能力;从图6中还可以看出,与智能优化算法结合的ELM算法比基本的ELM算法具有更优的网络结构,如本方法、与粒子群算法结合的ELM算法(PSO-ELM)、与人工蜂群算法结合的ELM算法(ABC-ELM)。
Claims (3)
1.一种基于优化极限学习机的高炉故障检测方法,采用一种基于优化极限学习机的高炉故障检测系统进行检测,该系统包括数据采集模块、数据库存储模块、极限学习机训练模块和故障检测模块;其中,
数据采集模块:当训练时,用于采集高炉生产状况历史数据和高炉设备运行状态的历史故障类型,并发送至数据库存储模块中;当实际检测时,用于采集高炉生产状况数据,并发送至故障检测模块中;
数据库存储模块:用于存储高炉生产状况历史数据和设备运行状态的历史故障类型;
极限学习机训练模块:用于采用人工蜂群算法对ELM中的输入权值和隐层阈值进行参数优化,即采用混沌反向学习策略产生初始群体,即初始解,将训练样本分类的错误率作为适应值函数,通过比较确定全局最优解,再采用自适应搜索策略根据人工蜂群算法选择食物源邻域范围,生成一个新的候选位置即候选解,并计算相应适应值,利用贪婪选择机制保留更优解;根据人工蜂群算法获得选择某个食物源的概率,根据轮盘赌方式选择其中较优食物源,再采用自适应搜索策略根据人工蜂群算法选择食物源邻域范围,生成一个新的候选位置即候选解,并计算相应适应值,利用贪婪选择机制保留更优解;若连续多次迭代获得的最优解未发生变化,采用混沌局部搜索策略以跳出局部最优解,直到达到最大迭代次数,则从全局最优解中获取最优参数值,即获得ELM中的输入权值和隐层阈值,完成最优极限学习机模型的建立,发送至故障检测模块中;
故障检测模块:用于将采集的数据输入训练好的极限学习机模型中,获得输出的高炉设备运行状态,若为故障类型,则通知工作人员;
其特征在于,包括以下步骤:
步骤1、采集高炉生产状况历史数据和设备运行状态的历史故障类型作为训练样本,构建训练集;
步骤2、采用人工蜂群算法对ELM中的输入权值和隐层阈值进行参数优化,建立最优极限学习机模型,具体步骤如下:
步骤2-1、采用混沌反向学习策略产生初始群体,即初始解,具体如下:
步骤2-1-1、采用Tent映射在可行域中初始化多个个体,即可行解;
所述的个体由一组输入权值和隐层阈值构成;每个个体表示一个食物源位置;
步骤2-1-2、取某个个体的初始位置分量作为Tent映射初始值,且避免落入小周期内;
步骤2-1-3、根据混沌序列模型进行迭代,产生混沌序列;
步骤2-1-4、判断混沌迭代是否达到最大次数,若是,则转步骤2-1-7;否则,执行步骤2-1-5;
步骤2-1-5、判断混沌迭代是否落入不稳周期点,若是,则转步骤2-1-6,否则转步骤2-1-3;
步骤2-1-6、重置上述个体的位置分量,转步骤2-1-3;
步骤2-1-7、保存产生的混沌序列;
步骤2-1-8、将混沌序列映射到原解空间中,即映射至ELM输入权值和隐层阈值取值范围中,产生一个混沌序列可行解;
步骤2-1-9、从混沌序列可行解中生成多个反向解,反向解的个数与个体的个数相同;
步骤2-1-10、从混沌序列可行解与反向解的并集中选择多个适应值最好的个体作为初始群体,选择的个数与个体的个数相同;
步骤2-2、将训练样本分类的错误率作为适应值函数,通过比较确定全局最优解;
步骤2-3、采用自适应搜索策略根据人工蜂群算法选择食物源邻域范围,生成一个新的候选位置即候选解,并计算相应适应值,利用贪婪选择机制保留更优解;
所述的采用自适应搜索策略根据人工蜂群算法选择食物源邻域范围,生成一个新的候选位置即候选解,具体如下:
步骤2-3-1、获得自适应选择概率pfi:
其中,fi表示解Xi所对应的适应值,fmin表示当前群体中最小适应值;fmax表示当前群体中最大适应值;
步骤2-3-2、根据获得的自适应选择概率生成新的候选解Vi={vi,1,vi,2,...,vi,j,...,vi,D}:
其中,xbest,j表示当前全局最优解的第j个位置分量,xi,j表示当前第i个个体中的第j个位置分量,xk,j表示第k个个体中的第j个位置分量,表示第r1个个体中的第j个位置分量,表示第r2个个体中的第j个位置分量,且满足r1≠r2≠i,k≠i,D表示优化参数个数,φi,j为[-1,1]之间的随机数;
步骤2-4、根据人工蜂群算法获得选择某个食物源的概率,根据轮盘赌方式选择其中较优食物源,采用自适应搜索策略根据人工蜂群算法选择食物源邻域范围,生成一个新的候选位置即候选解,并计算相应适应值,利用贪婪选择机制保留更优解;
步骤2-5、判断是否连续多次迭代获得的最优解未发生变化,是则执行步骤2-6;否则执行步骤2-7;
步骤2-6、采用混沌局部搜索策略以跳出局部最优解,并执行步骤2-7;
所述的采用混沌局部搜索策略以跳出局部最优解,具体如下:
步骤2-6-1、设定当前搜索到的局部最优解,采用Tent映射在可行域内随机生成一个混沌序列,并以此作为混沌迭代初始值;
步骤2-6-2、根据混沌序列模型进行迭代,产生混沌序列;
步骤2-6-3、根据当前搜索到的局部最优解的邻域点,将混沌序列转化为原解空间领域内的优化变量序列;
步骤2-6-4、获得优化变量序列的适应值,并利用贪婪选择机制保留更优解;
步骤2-6-5、判断是否达到最大混沌迭代次数,若是,则保存当前得到的全局最优解,否则返回执行步骤2-6-2;
步骤2-7、本次迭代结束,保存当前获得的全局最优解;
步骤2-8、判断是否达到最大迭代次数,若是,则停止迭代,从全局最优解中获取最优参数值,即获得ELM中的输入权值和隐层阈值,执行步骤2-9,否则返回步骤2-3;
步骤2-9、将获取的输入取值和隐层阈值输入至极限学习机中进行训练,建立最优极限学习机模型;
步骤3、采集实际生产中高炉生产状况数据,将采集的数据输入训练好的极限学习机模型中,获得输出的高炉设备运行状态,若为故障类型,则通知工作人员。
2.根据权利要求1所述的检测方法,其特征在于,步骤1所述的高炉生产状况历史数据,包括:风量、风压、顶压、压差、透气性、顶温、十字测温、料速、Si含量和物理热;所述的高炉设备运行状态的历史故障类型包括:向凉、向热、悬料和崩料。
3.根据权利要求1所述的检测方法,其特征在于,步骤2-3所述的贪婪选择机制,具体为:当不同解所对应的适应值相近时,选择输出权值范数较小的解作为更优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610570856.1A CN106228184B (zh) | 2016-07-19 | 2016-07-19 | 一种基于优化极限学习机的高炉故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610570856.1A CN106228184B (zh) | 2016-07-19 | 2016-07-19 | 一种基于优化极限学习机的高炉故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106228184A CN106228184A (zh) | 2016-12-14 |
CN106228184B true CN106228184B (zh) | 2019-08-06 |
Family
ID=57531779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610570856.1A Active CN106228184B (zh) | 2016-07-19 | 2016-07-19 | 一种基于优化极限学习机的高炉故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106228184B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067029A (zh) * | 2017-03-20 | 2017-08-18 | 新智认知数据服务有限公司 | 一种基于多通道特征的elm和de相结合的图像分类方法 |
CN108399415B (zh) * | 2018-01-16 | 2020-03-27 | 电子科技大学 | 一种基于设备所处生命周期阶段的自适应数据采集方法 |
CN109787931A (zh) * | 2018-03-20 | 2019-05-21 | 中山大学 | 一种基于改进人工蜂群算法的ofdm信号峰均比降低方法 |
CN111694329B (zh) * | 2019-03-12 | 2022-03-18 | 宁波大学 | 一种基于分散式极限学习机的动态过程监测方法 |
CN110035559B (zh) * | 2019-04-25 | 2023-03-10 | 重庆邮电大学 | 一种基于混沌q-学习算法的竞争窗口大小智能选择方法 |
CN110163389B (zh) * | 2019-05-27 | 2023-06-30 | 上海电气泰雷兹交通自动化系统有限公司 | 运用于预见性维护管理中的神经元网络方法 |
CN110288606B (zh) * | 2019-06-28 | 2024-04-09 | 中北大学 | 一种基于蚁狮优化的极限学习机的三维网格模型分割方法 |
CN111523635B (zh) * | 2020-03-24 | 2023-07-28 | 南昌大学 | 一种基于人工蜂群算法结合最小二乘法的谐波检测方法 |
CN112215385B (zh) * | 2020-03-24 | 2024-03-19 | 北京桃花岛信息技术有限公司 | 一种基于贪婪选择策略的学生困难程度预测方法 |
CN113139598B (zh) * | 2021-04-22 | 2022-04-22 | 湖南大学 | 一种基于改进智能优化算法的入侵检测方法和系统 |
CN117132945B (zh) * | 2023-10-25 | 2024-01-09 | 四川三思德科技有限公司 | 一种基于多源数据融合的重点区域安保方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000212618A (ja) * | 1999-01-21 | 2000-08-02 | Nisshin Steel Co Ltd | 高炉の操業方法 |
CN102944769A (zh) * | 2012-10-18 | 2013-02-27 | 上海市电力公司 | 基于极限学习机的电力变压器故障诊断方法 |
CN103942453A (zh) * | 2014-05-07 | 2014-07-23 | 华北电力大学 | 一种针对非技术性损失的智能用电异常检测方法 |
CN105308191A (zh) * | 2013-06-19 | 2016-02-03 | 杰富意钢铁株式会社 | 高炉异常检测方法以及高炉操作方法 |
CN105606914A (zh) * | 2015-09-06 | 2016-05-25 | 南京航空航天大学 | 一种基于iwo-elm的航空功率变换器故障诊断方法 |
-
2016
- 2016-07-19 CN CN201610570856.1A patent/CN106228184B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000212618A (ja) * | 1999-01-21 | 2000-08-02 | Nisshin Steel Co Ltd | 高炉の操業方法 |
CN102944769A (zh) * | 2012-10-18 | 2013-02-27 | 上海市电力公司 | 基于极限学习机的电力变压器故障诊断方法 |
CN105308191A (zh) * | 2013-06-19 | 2016-02-03 | 杰富意钢铁株式会社 | 高炉异常检测方法以及高炉操作方法 |
CN103942453A (zh) * | 2014-05-07 | 2014-07-23 | 华北电力大学 | 一种针对非技术性损失的智能用电异常检测方法 |
CN105606914A (zh) * | 2015-09-06 | 2016-05-25 | 南京航空航天大学 | 一种基于iwo-elm的航空功率变换器故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
"A modified artificial bee colony algorithm";Gao W F等;《Computers and Operations Research》;20120331;第39卷(第3期);第689页 |
"基于数据的高炉铁水硅含量预测";尹菊萍等;《有色冶金设计与研究》;20150630;第36卷(第3期);第36-38页 |
"自适应Tent混沌搜索的人工蜂群算法";匡芳君等;《控制理论与应用》;20141130;第31卷(第11期);第1502-1508页 |
Also Published As
Publication number | Publication date |
---|---|
CN106228184A (zh) | 2016-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106228184B (zh) | 一种基于优化极限学习机的高炉故障检测方法 | |
WO2020063690A1 (zh) | 一种电力系统预测的方法和装置 | |
CN111612125B (zh) | 一种面向在线学习的新型htm时间池方法及其系统 | |
CN108665106A (zh) | 一种水产养殖溶解氧预测方法及装置 | |
Han et al. | Knowledge-data-driven model predictive control for a class of nonlinear systems | |
CN104217258B (zh) | 一种电力负荷条件密度预测方法 | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
CN111079978A (zh) | 基于逻辑回归和增强学习的煤与瓦斯突出预测的方法 | |
Wang et al. | Short-term load forecasting of power system based on time convolutional network | |
Mengcan et al. | Constrained voting extreme learning machine and its application | |
CN109214610B (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
CN107871157B (zh) | 基于bp和pso的数据预测方法、系统及相关装置 | |
CN110033126A (zh) | 基于注意力机制与逻辑回归的长短期记忆网络预测方法 | |
Wei et al. | A combination forecasting method of grey neural network based on genetic algorithm | |
Zhang et al. | Prediction of dairy product quality risk based on extreme learning machine | |
CN112836902A (zh) | 一种基于改进型bp神经网络的煤燃烧发热量预测方法 | |
CN109726849A (zh) | 一种花授粉算法优化神经网络的楼宇微网负荷预测方法 | |
CN105117616A (zh) | 基于粒子群算法的微生物发酵优化方法 | |
Weng et al. | Boosted backtracking search optimization with information exchange for photovoltaic system evaluation | |
CN108846508A (zh) | 一种基于大气扰动的风速预测方法及系统 | |
Wadhawan et al. | Data driven fuzzy modelling for sugeno and mamdani type fuzzy model using memetic algorithm | |
CN106844908B (zh) | 一种基于样本相似度加权的电站设备自适应建模方法 | |
Geng et al. | Study on prediction of dissolved oxygen content in aquaculture water | |
Liu et al. | A PSO-RBF neural network for BOD multi-step prediction in wastewater treatment process | |
Gao et al. | An Adaptive Soft Sensor Method based on Online Deep Evolving Fuzzy System for Industrial Process Data Streams |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |