CN108536107A - 基于混合型优化参数的群智能寻优故障诊断系统 - Google Patents
基于混合型优化参数的群智能寻优故障诊断系统 Download PDFInfo
- Publication number
- CN108536107A CN108536107A CN201810457333.5A CN201810457333A CN108536107A CN 108536107 A CN108536107 A CN 108536107A CN 201810457333 A CN201810457333 A CN 201810457333A CN 108536107 A CN108536107 A CN 108536107A
- Authority
- CN
- China
- Prior art keywords
- population
- fault diagnosis
- variable
- particle
- parameter
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 51
- 239000013598 vector Substances 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000000513 principal component analysis Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 239000002245 particle Substances 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000014509 gene expression Effects 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims 1
- 230000009467 reduction Effects 0.000 claims 1
- 238000001311 chemical methods and process Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 238000007600 charging Methods 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 9
- 239000007788 liquid Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 239000000498 cooling water Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 239000012263 liquid product Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000003134 recirculating effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 231100000241 scar Toxicity 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种混合型优化参数的群智能寻优故障诊断系统，用于对田纳西伊斯曼过程进行故障诊断，包括数据预处理模块、主成分分析模块、相关向量机模块以及群智能算法模块。本发明对田纳西伊斯曼化工过程的重要参数指标进行故障诊断预报，克服已有的化工故障诊断技术仪表测试敏捷性差、难以找到系统最优参数从而影响故障诊断效果的不足，引入群智能算法模块对相关向量机参数寻优，从而得到混合型优化参数的群智能寻优故障诊断系统，实现的田纳西伊斯曼过程故障诊断系统测试敏捷性好、易于找到全局最优解。
Description
技术领域
本发明涉及故障诊断领域、机器学习领域和群智能优化算法领域，尤其涉及一种结合机器学习和群智能优化算法的田纳西伊斯曼过程化工故障诊断系统。
背景技术
随着工业现代化技术的快速发展，工业自动化系统也不断的升级，越来越多的复杂工业生产过程变得更加可靠，生产变得更加稳定，能够实现更好的控制机器运作。最近几十年当中，微型控制器，传感器，通信总线，集成器等技术的飞速发展。这些元器件变得越来越便宜，性能也越来越稳定可靠。这在很大程度上促进了当代工业自动化系统的发展，促使自动化系统成为工业生产过程中非常重要组成部分。工业生产正向着大型集成化、复杂多样化和精密化的大方向趋势发展。虽然这种趋势能够提高工业生产效率，带来经济、环境和社会效益，但工业生产过程的复杂性也随之增加，受到的干扰因素也逐渐增多，各种各样的故障发生概率也大大增加。一旦出现某个小故障，若不能及时发现故障源，很可能会形成联锁反应，轻则造成机器损坏，经济损失。重则导致人员伤亡，对周围环境造成持续性污染，周围居住的人无法生活。近几年，随着工业过程领域科学技术的革新，工业装置的状态监测、相应设备的监控、控制系统故障检测与诊断等得到快速发展。现如今，工业生产规模不断扩大，生产流程变得越来越复杂。准确、快速有效的故障诊断已成为当前对产品质量和工厂稳定运行至关重要的元素。同时，在工业过程机理结构不断趋向复杂化前提下，生产过程建立准确机理模型增加了难度。因此，促使数据驱动故障检测方法的得到迅速发展。
发明内容
为了克服目前已有的故障诊断技术的测试敏捷性差、难以找到系统最优参数从而影响诊断效果的不足，本发明的目的在于提供一种系统测试敏捷性好、易于找到系统全局最优参数的群智能寻优故障诊断系统。
本发明解决其技术问题所采用的技术方案是：一种混合型优化参数的群智能寻优故障诊断系统，用于对田纳西伊斯曼过程进行故障诊断，包括数据预处理模块、主成分分析模块、相关向量机模块以及群智能算法模块，其中：
数据预处理模块：田纳西伊斯曼过程的52个变量为数据预处理模块的输入。由于每个变量都有不同的单位，为了防止不同的量纲引起数据量级之间的误差，先对所有数据进行标准化处理，标准化公式如下：
其中，mean表示各变量的算术平均值，std表示各变量的标准差，表示输入变量的值，下标i表示第i次检测、j分别表示第j维变量，xij表示标准化后输入变量的值作为输入数据。标准化后的数据为S＝{xi1,xi2,...xi52}。
主成分分析模块：通过主成分分析来保证在不降低系统精度的情况下降低系统的复杂度。将标准化后的数据S＝{xi1,xi2,...xi52}进行主成分分析，保留85％的主要成分。
相关向量机模块：用于建立诊断系统，提高系统测试敏捷性：
在相关向量机中，假设y符合高斯分布，将高斯核函数应用到y(x)，其中yc为y的估计值，κ为函数的宽度参数，可以得到似然估计函数：：
其中t＝(t1,t2...tN)T，w＝(w1,w2...wN)T，w表示权重系数，t表示分类类别共N类，P表示概率结果、x为输入数据、y为输出数据，下标i表示第i个数据，上标T表示矩阵的转置。
在相关向量机中，权值w可以通过极大似然估计来确定，但是为了防止过拟合，通过高斯先验概率分布来约束参数：
其中，α是N+1维超参数，该值的引入导致了系统的稀疏性。
根据先验概率和贝叶斯定理，应用拉普拉斯原理计算出近似的后验概率：
(1)由于p(w|t,α)∝p(t|w)p(w|α)，对当前固定的α值求出最大可能的权值wMP，采用二阶牛顿法求得wMP。
其中，yi＝σ{y(xi；w)}，A＝diag(α0,α1,...αN)。
(2)利用拉普拉斯方法，将对数后验概率进行二次逼近，将上式进行两次求导得到：
其中，Φ＝[φ(x1),φ(x2)...φ(xN)]T是由多个核函数构成的一个N×(N+1)维度的结构矩阵，并且φ(xi)＝[1,K(xi,x1),K(xi,x2),...,K(xi,xN)]T。B＝diag(β1,β2,..βN)是一个对角矩阵，并且βi＝σ{y(xi)}[1-σ(xi)]。对上式右边取负号再求逆矩阵，即可得到协方差矩阵Σ。
(3)利用wMP和Σ，对超参数α进行更新，更新公式如下：
其中，γi≡1-αiΣii。
最终，可以得到后验协方差为：
其中Σ是后验协方差。
相关向量机通过引入贝叶斯框架使得系统更加具有稀疏性，在视频追踪、图像检索领域中被广泛应用。同时，该系统的泛化性能较好，测试时间短，适合于在线监测。
群智能算法模块：结合差分进化算法和粒子群算法优化相关向量机模块中的函数宽度参数κ，易于找到全局最优参数，实现具体步骤如下：
(1)随机初始化种群，设置种群数量N＝100；设置差分进化算法缩放因子F＝0.7，交叉概率CR＝0.5，差分进化算法最大迭代次数50；设置粒子群学习速度c1＝c2＝2，惯性权重ω＝0.67，粒子群算法最大迭代次数100；设置k＝0,i＝0；
(2)根据适应度函数来计算候选粒子种群的适应度值，适应度f(x)函数如下所示；
其中，表示输出变量的真实值，表示输出变量的预测值，n表示样本个数。
(3)根据以下步骤进行差分进化算法变异、交叉、选择操作；
(3.1)变异操作：差分进化算法是通过差分的方式进行变异操作的。在当前种群中随机选取两个种群个体进行作差，将他们差向量进行缩放，缩放后的向量与第三个随机选取的种群个体进行求和，生成新个体，更新公式如下所示：
Ni(k)＝Lm3(k)+F×(Lm1(k)-Lm2(k)),1≤m1≠m2≠m3≠i≤N (9)
其中，F是缩放因子，m1，m2，m3均为1到N之间的整数，k表示迭代次数，Lm1(k)表示第m1个粒子的位置，Lm2(k)表示第m2个粒子的位置，Lm3(k)表示第m3个粒子的位置。通过变异之后，得到第i个变异中间种群Ni(k)。
(3.2)交叉操作：根据原始种群和变异得到中间种群，进行个体间的交叉操作，得到交叉中间种群U，更新公式如下所示：
其中，CR为交叉概率，处于0到1之间，ni,j(k)表示第i个中间种群第j维变量，li,j(k)表示第i个原始种群第j维变量，ui,j(k)表示交叉中间种群的第i个新种群第j维变量，ni,j(k)表示变异中间种群Ni(k)的第i个新种群第j维变量。
(3.3)选择操作：差分进化算法采用了贪心算法，根据适应度值来决定进入下次迭代种群的个体：
其中，Ui(k)表示第i个交叉中间种群，Li(k)表示第i个原始种群。
(4)如果交叉中间种群的适应度值小于原始种群适应度值，则返回步骤(3)，否则，激活粒子群算法；
(5)根据如下公式执行粒子群算法，更新粒子群速度、位置矢量和惯性权重；
其中，Vi(k)是粒子在第k次迭代时的速度，Li(k)是粒子在第k次迭代时的位置，Pbest是粒子自身经验的局部最优解；gbest是所有粒子经验的全局最优解，w是惯性权重，c1和c2是学习速率，r1和r2是在0到1之间的随机数，wmax和wmin是惯性权重的最大值和最小值，itermax是最大迭代次数。
(6)如果粒子群算法迭代次数小于终止迭代次数，则返回步骤(5)，否则，转到步骤(7)；
(7)更新Pbest和gbest作为相关向量机参数的候选解，判断差分进化算法迭代次数是否小于差分进化算法终止迭代次数，若是，则返回步骤(2)，否则，输出种群历史最优gbest，算法终止；gbest即为相关向量机的函数宽度参数κ。
田纳西伊斯曼过程共有21个故障，将不同故障的数据输入到群智能优化的故障诊断系统中进行训练，建立故障诊断模型。
当未知故障的数据输入到此故障诊断系统时，诊断结果显示仪显示诊断结果。
本发明的有益效果主要表现在：本发明对田纳西伊斯曼化工过程的重要参数指标进行故障诊断预报，克服已有的化工故障诊断技术仪表测试敏捷性差、难以找到系统最优参数从而影响故障诊断效果的不足，引入群智能算法模块对相关向量机参数寻优，从而得到混合型优化参数的群智能寻优故障诊断系统，实现的田纳西伊斯曼过程故障诊断系统测试敏捷性好、易于找到全局最优解。
附图说明
图1是一种混合型优化参数的群智能寻优故障诊断系统的基本结构示意图；
图2是群智能优化的故障诊断系统结构示意图；
图3是田纳西伊斯曼过程工艺生产流程图。
具体实施方式
下面根据附图具体说明本发明。
参照图1，一种混合型优化参数的群智能寻优故障诊断系统，包括田纳西伊斯曼过程1、用于测量易测变量的现场智能仪表2、用于测量操作变量的控制站3、存放数据的数据库4、群智能优化的故障诊断系统5和诊断结果显示仪6。所述现场智能仪表2、控制站3与田纳西伊斯曼过程1连接，所述现场智能仪表2、控制站3与数据库4连接，所述数据库4与群智能优化的故障诊断系统5的输入端连接，所述群智能优化的故障诊断系统5的输出端与诊断结果显示仪6连接。
参照图3田纳西伊斯曼过程的变量如表1所示。
表1：田纳西伊斯曼过程变量
| 编号 | 过程变量 | 编号 | 过程变量 |
| 1 | 进料A(流管1) | 27 | 反应器E进料(流管6) |
| 2 | 进料D(流管2) | 28 | 反应器F进料(流管6) |
| 3 | 进料E(流管3) | 29 | 反应器A进料(流管9) |
| 4 | 总进料(流管4) | 30 | 反应器B进料(流管9) |
| 5 | 再循环流量(流管8) | 31 | 反应器C进料(流管9) |
| 6 | 反应器进料速率 | 32 | 反应器D进料(流管9) |
| 7 | 反应器压力 | 33 | 反应器E进料(流管9) |
| 8 | 反应器液位 | 34 | 反应器F进料(流管9) |
| 9 | 反应器温度 | 35 | 反应器G进料(流管9) |
| 10 | 排气量(流管9) | 36 | 反应器H进料(流管9) |
| 11 | 气液分离器温度 | 37 | 汽提塔D流量(流管11) |
| 12 | 气液分离器液位 | 38 | 汽提塔E流量(流管11) |
| 13 | 气液分离器温度 | 39 | 汽提塔F流量(流管11) |
| 14 | 气液分离器塔底流量(流10) | 40 | 汽提塔G流量(流管11) |
| 15 | 汽提塔液位 | 41 | 汽提塔H流量(流管11) |
| 16 | 汽提塔压力 | 42 | D进料速率 |
| 17 | 汽提塔塔底流量(流管11) | 43 | E进料速率 |
| 18 | 汽提塔温度 | 44 | A进料速率 |
| 19 | 汽提塔蒸汽流量 | 45 | 总进料量速率 |
| 20 | 压缩机功率 | 46 | 压缩机再循环阀 |
| 21 | 反应堆冷却水出口温度 | 47 | 排放阀 |
| 22 | 分离器冷却水出口温度 | 48 | 分离罐罐液流量 |
| 23 | 反应器A进料(流管6) | 49 | 汽提塔液体产品流量 |
| 24 | 反应器B进料(流管6) | 50 | 汽提器水流量 |
| 25 | 反应器C进料(流管6) | 51 | 反应器冷却水流量 |
| 26 | 反应器D进料(流管6) | 52 | 冷凝器冷却水流量 |
田纳西伊斯曼过程数据作为群智能优化的故障诊断系统5的输入变量。通过人工取样分析获得，每4小时分析采集一次。
参照图2，所述群智能优化的故障诊断系统5还包括：
数据预处理模块7：田纳西伊斯曼过程的52个变量为数据预处理模块的输入。由于每个变量都有不同的单位，为了防止不同的量纲引起数据量级之间的误差，先对所有数据进行标准化处理，标准化公式如下：
其中，mean表示各变量的算术平均值，std表示各变量的标准差，表示输入变量的值，下标i表示第i次检测、j分别表示第j维变量，xij表示标准化后输入变量的值作为输入数据。标准化后的数据为S＝{xi1,xi2,...xi52}。
主成分分析模块8：通过主成分分析来保证在不降低系统精度的情况下降低系统的复杂度。将标准化后的数据S＝{xi1,xi2,...xi52}进行主成分分析，保留85％的主要成分。
相关向量机模块9：用于建立诊断系统，提高系统测试敏捷性：
在相关向量机中，假设y符合高斯分布，将高斯核函数应用到y(x)，其中yc为y的估计值，κ为函数的宽度参数，可以得到似然估计函数：：
其中t＝(t1,t2...tN)T，w＝(w1,w2...wN)T，w表示权重系数，t表示分类类别共N类，P表示概率结果、x为输入数据、y为输出数据，下标i表示第i个数据，上标T表示矩阵的转置。
在相关向量机中，权值w可以通过极大似然估计来确定，但是为了防止过拟合，通过高斯先验概率分布来约束参数：
其中，α是N+1维超参数，该值的引入导致了系统的稀疏性。
根据先验概率和贝叶斯定理，应用拉普拉斯原理计算出近似的后验概率：
(1)由于p(w|t,α)∝p(t|w)p(w|α)，对当前固定的α值求出最大可能的权值wMP，采用二阶牛顿法求得wMP。
其中，yi＝σ{y(xi；w)}，A＝diag(α0,α1,...αN)。
(2)利用拉普拉斯方法，将对数后验概率进行二次逼近，将上式进行两次求导得到：
其中，Φ＝[φ(x1),φ(x2)...φ(xN)]T是由多个核函数构成的一个N×(N+1)维度的结构矩阵，并且φ(xi)＝[1,K(xi,x1),K(xi,x2),...,K(xi,xN)]T。B＝diag(β1,β2,..βN)是一个对角矩阵，并且βi＝σ{y(xi)}[1-σ(xi)]。对上式右边取负号再求逆矩阵，即可得到协方差矩阵Σ。
(3)利用wMP和Σ，对超参数α进行更新，更新公式如下：
其中，γi≡1-αiΣii。
最终，可以得到后验协方差为：
其中Σ是后验协方差。
相关向量机通过引入贝叶斯框架使得系统更加具有稀疏性，在视频追踪、图像检索领域中被广泛应用。同时，该系统的泛化性能较好，测试时间短，适合于在线监测。
群智能算法模块10：结合差分进化算法和粒子群算法优化相关向量机模块中的函数宽度参数κ，易于找到全局最优参数，实现具体步骤如下：
(1)随机初始化种群，设置种群数量N＝100；设置差分进化算法缩放因子F＝0.7，交叉概率CR＝0.5，差分进化算法最大迭代次数50；设置粒子群学习速度c1＝c2＝2，惯性权重ω＝0.67，粒子群算法最大迭代次数100；设置k＝0,i＝0；
(2)根据适应度函数来计算候选粒子种群的适应度值，适应度f(x)函数如下所示；
其中，表示输出变量的真实值，表示输出变量的预测值，n表示样本个数。
(3)根据以下步骤进行差分进化算法变异、交叉、选择操作；
(3.1)变异操作：差分进化算法是通过差分的方式进行变异操作的。在当前种群中随机选取两个种群个体进行作差，将他们差向量进行缩放，缩放后的向量与第三个随机选取的种群个体进行求和，生成新个体，更新公式如下所示：
Ni(k)＝Lm3(k)+F×(Lm1(k)-Lm2(k)),1≤m1≠m2≠m3≠i≤N (9)
其中，F是缩放因子，m1，m2，m3均为1到N之间的整数，k表示迭代次数，Lm1(k)表示第m1个粒子的位置，Lm2(k)表示第m2个粒子的位置，Lm3(k)表示第m3个粒子的位置。通过变异之后，得到第i个变异中间种群Ni(k)。
(3.2)交叉操作：根据原始种群和变异得到中间种群，进行个体间的交叉操作，得到交叉中间种群U，更新公式如下所示：
其中，CR为交叉概率，处于0到1之间，ni,j(k)表示第i个中间种群第j维变量，li,j(k)表示第i个原始种群第j维变量，ui,j(k)表示交叉中间种群的第i个新种群第j维变量，ni,j(k)表示变异中间种群Ni(k)的第i个新种群第j维变量。
(3.3)选择操作：差分进化算法采用了贪心算法，根据适应度值来决定进入下次迭代种群的个体：
其中，Ui(k)表示第i个交叉中间种群，Li(k)表示第i个原始种群。
(4)如果交叉中间种群的适应度值小于原始种群适应度值，则返回步骤(3)，否则，激活粒子群算法；
(5)根据如下公式执行粒子群算法，更新粒子群速度、位置矢量和惯性权重；
其中，Vi(k)是粒子在第k次迭代时的速度，Li(k)是粒子在第k次迭代时的位置，Pbest是粒子自身经验的局部最优解；gbest是所有粒子经验的全局最优解，w是惯性权重，c1和c2是学习速率，r1和r2是在0到1之间的随机数，wmax和wmin是惯性权重的最大值和最小值，itermax是最大迭代次数。
(6)如果粒子群算法迭代次数小于终止迭代次数，则返回步骤(5)，否则，转到步骤(7)；
(7)更新Pbest和gbest作为相关向量机参数的候选解，判断差分进化算法迭代次数是否小于差分进化算法终止迭代次数，若是，则返回步骤(2)，否则，输出种群历史最优gbest，算法终止；gbest即为相关向量机的函数宽度参数κ。
田纳西伊斯曼过程共有21个故障，将不同故障的数据输入到群智能优化的故障诊断系统5中进行训练，建立故障诊断模型。
当未知故障的数据输入到此故障诊断系统时，诊断结果显示仪6显示诊断结果。
本发明实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。
Claims (5)
1.一种混合型优化参数的群智能寻优故障诊断系统，用于对田纳西伊斯曼过程进行故障诊断，其特征在于：包括数据预处理模块、主成分分析模块、相关向量机模块以及群智能算法模块。
2.根据权利要求1所述混合型优化参数的群智能寻优故障诊断系统，其特征在于：所述数据预处理模块的输入为田纳西伊斯曼过程的52个变量由于每个变量都有不同的单位，为了防止不同的量纲引起数据量级之间的误差，先对所有数据进行标准化处理，标准化公式如下：
其中，mean表示各变量的算术平均值，std表示各变量的标准差，表示输入变量的值，下标i表示第i次检测、j分别表示第j维变量，xij表示标准化后输入变量的值作为输入数据。标准化后的数据为S＝{xi1,xi2,...xi52}。
3.根据权利要求1所述混合型优化参数的群智能寻优故障诊断系统，其特征在于：所述主成分分析模块通过主成分分析来保证在不降低系统精度的情况下降低系统的复杂度。将标准化后的数据S＝{xi1,xi2,...xi52}进行主成分分析，保留85％的主要成分。
4.根据权利要求1所述混合型优化参数的群智能寻优故障诊断系统，其特征在于：所述相关向量机模块用于建立诊断系统，提高系统测试敏捷性。
在相关向量机中，假设y符合高斯分布，将高斯核函数应用到y(x)，其中yc为y的估计值，κ为函数的宽度参数，可以得到似然估计函数：
其中t＝(t1,t2...tN)T，w＝(w1,w2...wN)T，w表示权重系数，t表示分类类别共N类，P表示概率结果、x为输入数据、y为输出数据，下标i表示第i个数据，上标T表示矩阵的转置。
在相关向量机中，权值w可以通过极大似然估计来确定，但是为了防止过拟合，通过高斯先验概率分布来约束参数：
其中，α是N+1维超参数，该值的引入导致了系统的稀疏性。
根据先验概率和贝叶斯定理，应用拉普拉斯原理计算出近似的后验概率：
(1)由于p(w|t,α)∝p(t|w)p(w|α)，对当前固定的α值求出最大可能的权值wMP，采用二阶牛顿法求得wMP。
其中，yi＝σ{y(xi；w)}，A＝diag(α0,α1,...αN)。
(2)利用拉普拉斯方法，将对数后验概率进行二次逼近，将上式进行两次求导得到：
其中，Φ＝[φ(x1),φ(x2)...φ(xN)]T是由多个核函数构成的一个N×(N+1)维度的结构矩阵，并且φ(xi)＝[1,K(xi,x1),K(xi,x2),...,K(xi,xN)]T。B＝diag(β1,β2,..βN)是一个对角矩阵，并且βi＝σ{y(xi)}[1-σ(xi)]。对上式右边取负号再求逆矩阵，即可得到协方差矩阵Σ。
(3)利用wMP和Σ，对超参数α进行更新，更新公式如下：
其中，γi≡1-αiΣii。
最终，可以得到后验协方差为：
其中Σ是后验协方差。
5.根据权利要求1所述混合型优化参数的群智能寻优故障诊断系统，其特征在于：所述群智能算法模块结合差分进化算法和粒子群算法优化相关向量机模块中的函数宽度参数κ，找到全局最优参数，实现具体步骤如下：
(1)随机初始化种群，设置种群数量N＝100；设置差分进化算法缩放因子F＝0.7，交叉概率CR＝0.5，差分进化算法最大迭代次数50；设置粒子群学习速度c1＝c2＝2，惯性权重ω＝0.67，粒子群算法最大迭代次数100；设置k＝0,i＝0；
(2)根据适应度函数来计算候选粒子种群的适应度值，适应度f(x)函数如下所示；
其中，表示输出变量的真实值，表示输出变量的预测值，n表示样本个数。
(3)根据以下步骤进行差分进化算法变异、交叉、选择操作；
(3.1)变异操作：差分进化算法是通过差分的方式进行变异操作的。在当前种群中随机选取两个种群个体进行作差，将他们差向量进行缩放，缩放后的向量与第三个随机选取的种群个体进行求和，生成新个体，更新公式如下所示：
Ni(k)＝Lm3(k)+F×(Lm1(k)-Lm2(k)),1≤m1≠m2≠m3≠i≤N (9)
其中，F是缩放因子，m1，m2，m3均为1到N之间的整数，k表示迭代次数，Lm1(k)表示第m1个粒子的位置，Lm2(k)表示第m2个粒子的位置，Lm3(k)表示第m3个粒子的位置。通过变异之后，得到第i个变异中间种群Ni(k)。
(3.2)交叉操作：根据原始种群和变异得到中间种群，进行个体间的交叉操作，得到交叉中间种群U，更新公式如下所示：
其中，CR为交叉概率，处于0到1之间，ni,j(k)表示第i个中间种群第j维变量，li,j(k)表示第i个原始种群第j维变量，ui,j(k)表示交叉中间种群的第i个新种群第j维变量，ni,j(k)表示变异中间种群Ni(k)的第i个新种群第j维变量。
(3.3)选择操作：差分进化算法采用了贪心算法，根据适应度值来决定进入下次迭代种群的个体：
其中，Ui(k)表示第i个交叉中间种群，Li(k)表示第i个原始种群。
(4)如果交叉中间种群的适应度值小于原始种群适应度值，则返回步骤(3)，否则，激活粒子群算法；
(5)根据如下公式执行粒子群算法，更新粒子群速度、位置矢量和惯性权重；
其中，Vi(k)是粒子在第k次迭代时的速度，Li(k)是粒子在第k次迭代时的位置，Pbest是粒子自身经验的局部最优解；gbest是所有粒子经验的全局最优解，w是惯性权重，c1和c2是学习速率，r1和r2是在0到1之间的随机数，wmax和wmin是惯性权重的最大值和最小值，itermax是最大迭代次数。
(6)如果粒子群算法迭代次数小于终止迭代次数，则返回步骤(5)，否则，转到步骤(7)；
(7)更新Pbest和gbest作为相关向量机参数的候选解，判断差分进化算法迭代次数是否小于差分进化算法终止迭代次数，若是，则返回步骤(2)，否则，输出种群历史最优gbest，算法终止；gbest即为相关向量机的函数宽度参数κ。
田纳西伊斯曼过程共有21个故障，将不同故障的数据输入到群智能优化的故障诊断系统中进行训练，建立故障诊断模型。
当未知故障的数据输入到此故障诊断系统时，诊断结果显示仪显示诊断结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810457333.5A CN108536107A (zh) | 2018-05-14 | 2018-05-14 | 基于混合型优化参数的群智能寻优故障诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810457333.5A CN108536107A (zh) | 2018-05-14 | 2018-05-14 | 基于混合型优化参数的群智能寻优故障诊断系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108536107A true CN108536107A (zh) | 2018-09-14 |
Family
ID=63477384
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810457333.5A Pending CN108536107A (zh) | 2018-05-14 | 2018-05-14 | 基于混合型优化参数的群智能寻优故障诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108536107A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109507889A (zh) * | 2018-12-28 | 2019-03-22 | 浙江大学 | 卷积神经网络的丙烯聚合生产过程最优在线预报系统 |
| CN109635880A (zh) * | 2019-01-08 | 2019-04-16 | 浙江大学 | 基于强鲁棒自适应算法的采煤机故障诊断系统 |
| CN109739086A (zh) * | 2018-12-28 | 2019-05-10 | 浙江大学 | 基于循环神经网络的丙烯聚合生产过程最优在线预报系统 |
| CN109800888A (zh) * | 2019-01-08 | 2019-05-24 | 浙江大学 | 一种基于群智能机器学习的采煤机在线故障诊断系统 |
| CN109856971A (zh) * | 2018-12-28 | 2019-06-07 | 浙江大学 | 基于群智寻优的丙烯聚合生产过程最优在线预报系统 |
| CN109871865A (zh) * | 2019-01-08 | 2019-06-11 | 浙江大学 | 一种基于群智能寻优的采煤机在线故障诊断系统 |
| CN109934456A (zh) * | 2019-01-29 | 2019-06-25 | 中国电力科学研究院有限公司 | 一种用于对采集运维系统进行智能故障检测的方法及系统 |
| CN109947745A (zh) * | 2019-03-28 | 2019-06-28 | 浪潮商用机器有限公司 | 一种数据库优化方法及装置 |
| CN110297480A (zh) * | 2019-06-17 | 2019-10-01 | 重庆仲澜科技有限公司 | 基于参数优化的深度信念网络模型的te过程故障诊断方法 |
| CN110334395A (zh) * | 2019-05-28 | 2019-10-15 | 中国地质大学（武汉） | 基于jade的初始化em算法的卫星动量轮故障诊断方法及系统 |
| CN110764065A (zh) * | 2019-10-16 | 2020-02-07 | 清华大学 | 基于时序重构的雷达故障诊断方法 |
| CN112434686A (zh) * | 2020-11-16 | 2021-03-02 | 浙江大学 | 针对ocr图片的端到端含错文本分类识别仪 |
| CN112578344A (zh) * | 2020-11-16 | 2021-03-30 | 浙江大学 | 一种无需先验知识的雷达工作模式实时识别仪 |
| CN116203907A (zh) * | 2023-03-27 | 2023-06-02 | 淮阴工学院 | 一种化工过程故障诊断报警方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1987697A (zh) * | 2006-12-22 | 2007-06-27 | 浙江大学 | 工业生产过程小样本条件下的故障诊断系统及方法 |
| CN101038485A (zh) * | 2006-12-22 | 2007-09-19 | 浙江大学 | 丙烯聚合生产数据检测及故障诊断系统及方法 |
| CN105548862A (zh) * | 2016-01-25 | 2016-05-04 | 合肥工业大学 | 一种基于广义多核支持向量机的模拟电路故障诊断方法 |
-
2018
- 2018-05-14 CN CN201810457333.5A patent/CN108536107A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1987697A (zh) * | 2006-12-22 | 2007-06-27 | 浙江大学 | 工业生产过程小样本条件下的故障诊断系统及方法 |
| CN101038485A (zh) * | 2006-12-22 | 2007-09-19 | 浙江大学 | 丙烯聚合生产数据检测及故障诊断系统及方法 |
| CN105548862A (zh) * | 2016-01-25 | 2016-05-04 | 合肥工业大学 | 一种基于广义多核支持向量机的模拟电路故障诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| SHIMING HE等: "An Effective Fault Diagnosis Approach Based on Optimal Weighted Least Squares Support Vector Machine", 《THE CANADIAN JOURNAL OF CHEMICAL ENGINEERING》 * |
| SHIMINGHE等: "A novel fault diagnosis method based on optimal relevance vector machine", 《NEUROCOMPUTING》 * |
| 孙文生等: "《统计学》", 31 December 2012, 中国农业大学出版 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109739086A (zh) * | 2018-12-28 | 2019-05-10 | 浙江大学 | 基于循环神经网络的丙烯聚合生产过程最优在线预报系统 |
| CN109856971A (zh) * | 2018-12-28 | 2019-06-07 | 浙江大学 | 基于群智寻优的丙烯聚合生产过程最优在线预报系统 |
| CN109507889A (zh) * | 2018-12-28 | 2019-03-22 | 浙江大学 | 卷积神经网络的丙烯聚合生产过程最优在线预报系统 |
| CN109635880A (zh) * | 2019-01-08 | 2019-04-16 | 浙江大学 | 基于强鲁棒自适应算法的采煤机故障诊断系统 |
| CN109800888A (zh) * | 2019-01-08 | 2019-05-24 | 浙江大学 | 一种基于群智能机器学习的采煤机在线故障诊断系统 |
| CN109871865A (zh) * | 2019-01-08 | 2019-06-11 | 浙江大学 | 一种基于群智能寻优的采煤机在线故障诊断系统 |
| CN109934456A (zh) * | 2019-01-29 | 2019-06-25 | 中国电力科学研究院有限公司 | 一种用于对采集运维系统进行智能故障检测的方法及系统 |
| CN109947745A (zh) * | 2019-03-28 | 2019-06-28 | 浪潮商用机器有限公司 | 一种数据库优化方法及装置 |
| CN109947745B (zh) * | 2019-03-28 | 2021-08-20 | 浪潮商用机器有限公司 | 一种数据库优化方法及装置 |
| CN110334395B (zh) * | 2019-05-28 | 2020-11-27 | 中国地质大学（武汉） | 基于jade的初始化em算法的卫星动量轮故障诊断方法及系统 |
| CN110334395A (zh) * | 2019-05-28 | 2019-10-15 | 中国地质大学（武汉） | 基于jade的初始化em算法的卫星动量轮故障诊断方法及系统 |
| CN110297480A (zh) * | 2019-06-17 | 2019-10-01 | 重庆仲澜科技有限公司 | 基于参数优化的深度信念网络模型的te过程故障诊断方法 |
| CN110297480B (zh) * | 2019-06-17 | 2022-07-01 | 重庆仲澜科技有限公司 | 基于参数优化的深度信念网络模型的te过程故障诊断方法 |
| CN110764065A (zh) * | 2019-10-16 | 2020-02-07 | 清华大学 | 基于时序重构的雷达故障诊断方法 |
| CN110764065B (zh) * | 2019-10-16 | 2021-10-08 | 清华大学 | 基于时序重构的雷达故障诊断方法 |
| CN112434686A (zh) * | 2020-11-16 | 2021-03-02 | 浙江大学 | 针对ocr图片的端到端含错文本分类识别仪 |
| CN112578344A (zh) * | 2020-11-16 | 2021-03-30 | 浙江大学 | 一种无需先验知识的雷达工作模式实时识别仪 |
| CN116203907A (zh) * | 2023-03-27 | 2023-06-02 | 淮阴工学院 | 一种化工过程故障诊断报警方法及系统 |
| CN116203907B (zh) * | 2023-03-27 | 2023-10-20 | 淮阴工学院 | 一种化工过程故障诊断报警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108536107A (zh) | 基于混合型优化参数的群智能寻优故障诊断系统 | |
| CN107656154B (zh) | 基于改进模糊c均值聚类算法的变压器故障诊断方法 | |
| Wang et al. | Data-driven mode identification and unsupervised fault detection for nonlinear multimode processes | |
| CN102361014B (zh) | 大规模半导体制造过程的状态监控与故障诊断方法 | |
| CN106843195B (zh) | 基于自适应集成半监督费舍尔判别的故障分类方法 | |
| CN108764305A (zh) | 一种改进的群智能机器学习故障诊断系统 | |
| CN108536128A (zh) | 一种参数优化的机器学习故障诊断系统 | |
| CN108921230A (zh) | 基于类均值核主元分析和bp神经网络的故障诊断方法 | |
| CN101738998A (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
| CN102257448A (zh) | 使用切换模型进行机器状况监视的文件的滤波和预测 | |
| CN108536130A (zh) | 一种群智能寻优的化工故障诊断系统 | |
| Yuan et al. | Abnormal condition identification modeling method based on Bayesian network parameters transfer learning for the electro-fused magnesia smelting process | |
| Yang et al. | Generative adversarial network based anomaly detection on the benchmark Tennessee Eastman process | |
| CN110046377A (zh) | 一种基于异构相似度的选择性集成即时学习软测量建模方法 | |
| Fuertes et al. | Visual dynamic model based on self-organizing maps for supervision and fault detection in industrial processes | |
| CN110532629A (zh) | 一种多模态退化过程的剩余寿命预测方法 | |
| CN107133642A (zh) | 一种基于田纳西伊斯曼过程的先验知识故障诊断方法 | |
| Zhang et al. | Condition-driven probabilistic adversarial autoencoder with nonlinear Gaussian feature learning for nonstationary process monitoring | |
| Guan et al. | Application of a novel PNN evaluation algorithm to a greenhouse monitoring system | |
| CN109683594A (zh) | 一种异常变量精确识别与定位方法 | |
| Hapsari et al. | Fractional gradient descent optimizer for linear classifier support vector machine | |
| Huang et al. | Static and dynamic joint analysis for operation condition division of industrial process with incremental learning | |
| CN108536129A (zh) | 一种群智能搜索的相关向量机故障诊断系统 | |
| CN115169426B (zh) | 一种基于相似性学习融合模型的异常检测方法及系统 | |
| CN115293520A (zh) | 一种结构化的多模态工业过程指标估计框架的构建方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180914 |
|
| RJ01 | Rejection of invention patent application after publication |