CN109828552B - 一种基于宽度学习系统的间歇过程故障监测与诊断方法 - Google Patents

Abstract

本发明公开了一种基于宽度学习系统的间歇过程故障监测与诊断方法以满足实际工业过程实时监测的要求。本发明建立一种快速的神经网络监测模型，具体包括“离线建模阶段”和“在线监测阶段”两个阶段。“离线建模阶段”包括：首先对数据进行分类，得到N种故障状态；之后建立相应故障的监控子模型；最后对子模型进行测试并调整。“在线监测”包括：读入新时刻数据；将其输入离线建模阶段建立的N种故障监控子模型；得到全部监测值，判断是否故障。本发明在确保监测的准确率的同时加快了建模与监测速度，并实现了实时诊断。最终得到了性能优秀的间歇过程故障监测与诊断方法。

Description

一种基于宽度学习系统的间歇过程故障监测与诊断方法

技术领域

本发明是故障间歇过程故障监测及诊断领域，特别是涉及一种新式深度神经网络技术。本发明的间歇过程故障监测及诊断方法即是对青霉素发酵生产过程监测的具体应用。

背景技术

现代的工业过程中有大量的间歇过程，常见的间歇过程有微生物制药、污水处理、啤酒制备、酸奶制备等。间歇过程生产批量规模比较灵活，工艺改变较容易，同时对于产品切换有一定的兼容性，可以进行少量的不同品种的生产，可以较快地适应原料或运行条件的变化。但是，由于其过程的复杂性,导致单纯基于数学建模的监控方式很不现实。

因此,目前较流行的监测方式是基于深度神经网络的软测量方法。深度神经网络所建立的模型是黑箱系统，因此不需要考虑系统的复杂性；并且经过不断的研究，深度神经网络的监测结果已经有了很高的准确率。目前，较流行的深度神经网络有：深度置信网络(DBN)、深度玻尔兹曼机(DBM)、卷积神经网络(CNN)。

然而，为了获得上文提到的高准确率，深度神经网络的研究大多都集中于堆叠更深层的结构或是参数的调优。为了完成结构的堆叠、参数的调优，大量的计算资源被耗费其中，导致网络的运算时间越来越长。

在实际的生产过程中，这样昂贵的计算代价是工厂完全无法承受的。工厂所需的是系统的实时性、轻量性。

发明内容

为了解决上述矛盾，本发明提供了一种基于宽度学习系统的间歇过程故障监测与诊断方法。宽度学习系统是由澳门大学的陈俊龙教授提出的。宽度学习系统的建模不是通过堆叠更多的层数，而是通过横向增加更多的神经元节点提高自身的性能。由于宽度神经网络没有隐含层，所以网络权值计算速度很快。因为网络结构十分简单，整个模型的运算建立十分快捷，可以满足工业需要。

本文就是将其应用于间歇过程的故障监测与诊断中。利用宽度学习系统建模速度快的优点，针对全部种类的故障建立相应的子模型。通过这些子模型进行在线监测，得到监测图。由于子模型是与故障种类一一对应的，通过分析子模型的响应情况也就得到了故障诊断的结果。模型建立的具体步骤如下：

包括“离线建模阶段”和“在线监测阶段”两个阶段，具体步骤如下：

A.离线建模阶段：

1)通过机理知识将数据分为正常状态数据集、N种故障状态数据集；

2)使用宽度学习网络建立针对第n种故障的监测子系统，构造数据集X、X_test、Y_n、Y_test，将一部分正常数据与一部分第n种故障数据组成训练数据集X，将剩余部分数据组成测试数据集X_test，并构造相应的标签集Y_n、Y_test

其中，norm代表正常数据集，fault代表故障数据集，两者的行均代表采样时刻，列均代表变量，行列交叉处代表对应变量在对应采样时刻的采样值；Y_n对应X，Y_test对应X_test，两者的行均代表采样时刻，列均由正常状态和N种故障状态组成，共1+N列，其第i个行向量代表对应时刻数据集的状态，即该时刻的数据为正常，或者对应哪种故障；

3)对据集X进行线性组合，即训练数据集X乘权值矩阵W_i，加偏置矩阵β_i，重复此操作I次，得到输入节点Z^I，Z^I＝[Z₁，…Z_i，...，Z_I]，其中，第i组输入节点Z_i公式如下：

Z_i＝[φ(XW_i+β_i)]

其中，φ为激活函数，

W_i，β_i由0、1间随机数构成；

4)对数据集Z^I进行线性组合，即训练数据集Z^I乘权值矩阵W_j，加偏置矩阵β_j，重复J次，得到增强节点H^J，

H^J＝[H₁，…H_j，...，H_J]，其中，第j组增强节点H_j公式如下：

H_j＝[ξ(Z^IW_j+β_j)]

其中，ξ为激活函数，W_j，β_j由0、1间随机数构成；

5)计算监测第n种故障的子系统的权值矩阵W_n，具体如下：

将Z^I与H^J合并得到输入矩阵A＝[Z^I|H^J]；

计算A的伪逆A⁺，具体公式为：

其中，I为单位阵；

计算第n个子系统的权重矩阵W_n＝A⁺Y_n；

6)将测试数据X_test输入监测第n种故障的子系统，得到输出矩阵Y_n.test，具体计算公式如下：

Y_n.test＝X_testW_n

矩阵Y_n.test的行代表采样时刻，列均由正常状态和N种故障状态组成，共1+N列，其第i个行向量代表对应时刻数据集的状态，每行最大值位置即代表此行对应时刻的监测结果。若此Y_n.test全部时刻监测正确率满足要求，则进入步骤8；如果对第n种故障全部时刻的监测正确率不满足要求，进入步骤7；

7)增加第n个子系统的增强节点数量，更新第n个子系统的权重矩阵，W_n表示更新前的权重矩阵，W′_n表示更新后的权重矩阵，然后跳转到步骤6，具体更新方法如下：

随机生成新权值矩阵W_j+1、偏置矩阵β_j+1，得到第j+1个增强节点H_j+1＝[ξ(Z^IW_j+1+β_j+1)]；

更新第n个子系统的输入矩阵，A表示更新前的输入矩阵，A′表示更新后的输入矩阵，A′＝[A|H_j+1]；

计算A′的伪逆(A′)⁺，公式如下：

其中，D＝(A)⁺ξ(Z^IW_j+1+β_j+1)，

其中[ξ(Z^IW_j+1+β_j+1)-AD]⁺的计算方式同步骤5中A⁺，(·)^T表示转置。

更新

8)如未完成针对所有N个故障的全部子系统的构建，则返回步骤2；否则，进入在线监测阶段步骤9。

B.在线监测阶段：

9)在线读入实时采集数据x，输入全部N个子系统，分别获得N个子系统的实时监测值y₁…y_n…y_N,其中第n个子系统的实时监测值计算公式如下：

y_n＝xW_n

x为一个行向量，代表当前采集时刻采集到的待监测变量的测量值，W_n代表离线训练完成后第n个子系统的权重矩阵；y_n的结构与步骤6中Y_n.test相同；10)根据步骤9中得到当前时刻状态监测值，判断数据x是否正常，如果正常，则回步骤7；否则输出报警，并分析此位对应的故障编号。

步骤3中所述的φ取线性函数。

步骤4中所述的ξ取tanh函数。

步骤6中所述的正确率计算方式如下：

将Y_n.test与根据先验知识构造的Y_test进行比较，如果每个采样时刻，Y_n.test标记的数据集的状态与Y_test标记的数据集的状态相同，则认为该采样时刻正确，否则错误；

最终正确率计算公式如下：

步骤6中所述的监测正确率为大于等于95％。

有益效果

与现有技术相比，本发明选择更重视运算速度而不是运算精度的宽度神经网络，在保证监控精度的同时提高了建模速度，使模型更适合实际的工业生产过程。网络的结构十分简单，仅由输入层、权值、输出层构成，而没有隐含层。当某种故障监控准确率不足时，会增加相应子模型的增强节点数量。得益于其简洁的结构，增加节点后模型权值的更新仅需几部计算就可以得到，而不是大量的重新训练。

附图说明

图1为本发明的方法流程图；

图2为通风速率斜坡故障子系统监控图；

图3为通风速率阶跃故障子系统监控图；

图4为标签矩阵Y构造举例。

具体实施方式

本文所提出的算法可以监控工业间歇过程中发生的故障并诊断。

青霉素生产过程是间歇过程。本文中所提的算法于Pensim仿真平台进行了测试。Pensim平台能够对青霉素生产过程进行仿真,并给出采样数据。

Pensim仿真平台的采样变量见表1。

表1采样变量

本文构造以下故障数据，具体设置见表2，其中编号1和编号4对应故障类型1，即均为故障变量为通风速率、幅值减小、斜坡的故障类型。编号2和编号3对应故障类型3，即均为故障变量为通风速率、幅值增加、阶跃的故障类型。

表2(部分)故障数据设置

A.离线建模阶段：

步骤1：如表1所示，本实施例中共有16个变量。实验设置的采样时刻共有400个。设置故障变量共有三种：通风速率、搅拌功率、底物流加速率，并认为同一个部位发生的斜坡、阶跃型故障为不同种，幅度增大、减小为不同种，因此N＝3*2*2＝12；

步骤2：将正常数据与第n种(n从1到12)故障数据集组成训练数据集X。数据的排列为每行为每时刻数据，每列为一种变量全时刻数据。将正常数据与故障数据上下堆叠，即构成

正常标签norm label的构造方式为：生成一个行数为时刻数，列数为故障种类数N+1的矩阵，将第1列置1。

故障标签fault label构造同正常标签，仅在故障发生时刻将对应列置1。见表2中故障1,发生时刻为第20至40时刻，则将第2列中的第20至40行置1，并将其余行均置0。图4示意了1个3时刻3种故障状态进行了标签矩阵Y_n或Y_test的构造，其中1、2时刻正常，3时刻发生故障1，因此1、2行第一列为1其余列为0,第3行第2列为1其余列为0；

将正常标签、故障标签上下堆叠，即构成

X_test和Y_test的构成方式同上。

步骤3：随机生成W_i、β_i。W_i的行数为变量数，列数为特征提取维数，可调节，本次实验为10。β_i的行数为时刻数，列数为1。得到特征节点Z_i＝[φ(XW_i+β_i)]，重复I次。每一组Z_i是原始数据X的一种线性组合，通过构造大量多种随机的线性组合输入神经网络，而不是单一组合方式的X，能够有效提高网络的运算能力。I可根据实际情况调节，通常数值越大准确率越好。本次实验设置为10。φ为激活函数，本次实验取线性函数。将全部Z组合为Z^I＝[Z₁，…，Z_I]；

步骤4：随机生成W_j、β_j。W_j的行数为特征提取维数，列数为增强节点数，可调节，本次实验为5。β_i的行数为增强节点数，列数为1。得到增强节点H_j＝[ξ(Z^IW_j+β_j)]，重复J次，H_j可与Z_i类比，即生成多种Z_i的线性组合方式，且改变了激活函数，进一步提高网络的运算能力，本次实验设置为10。ξ为激活函数，本次实验取tanh函数。将全部H组合为H^J＝[H₁，…，H_J]；

步骤5：将Z^I与H^J合并得到输入矩阵A＝[Z^I|H^J]。计算伪逆

具体应用时为避免极限运算令λ为一个较小的数值，λ的取值本文选择0.001，建议不大于0.01。最终得到网络的权值第n个子系统的权重矩阵W_n＝A⁺Y_n；

步骤6：将测试数据X_test输入监测第n种故障的子系统，得到输出矩阵Y_n.test，具体计算公式如下：

Y_n.test＝X_testW_n

矩阵Y_n.test的行代表采样时刻，列均由正常状态和N种故障状态组成，共1+N列，其第i个行向量代表对应时刻数据集的状态，每行最大值位置即代表此行对应时刻的监测结果。比如，第1位最大代表正常状态，第2为最大代表故障1，以此类推。若此Y_n.test全部时刻监测正确率满足要求，则进入步骤8；如果对第n种故障全部时刻的监测结果正确率不满足要求，进入步骤7；

正确率计算方式如下：对于第t个时刻(共400时刻)，比较Y_n.test＝X_testW_n与根据先验知识构造的Y_test的第t行最大值的位置，如位置相同则此t时刻正确，否则错误。最终正确率计算公式如下：

步骤7：增加第n个子系统的增强节点数量，更新第n个子系统的权重矩阵，W_n表示更新前的权重矩阵，W′_n表示更新后的权重矩阵，然后跳转到步骤6，具体更新方法如下：

随机生成新权值矩阵W_j+1、偏置矩阵β_j+1，得到第j+1个增强节点H_j+1＝[ξ(Z^IW_j+1+β_j+1)]；

更新第n个子系统的输入矩阵，A表示更新前的输入矩阵，A′表示更新后的输入矩阵，A′＝[A|H_j+1]；

计算A′的伪逆(A′)⁺，公式如下：

其中，D＝(A)⁺ξ(Z^IW_j+1+β_j+1)，

其中[ξ(Z^IW_j+1+β_j+1)-AD]⁺的计算方式同步骤5中A⁺，(·)^T表示转置。

更新

步骤8：如未完成针对所有N个故障的全部子系统的构建，则返回2；否则，进入在线监测阶段9。

B.粒子多样性阶段：

步骤9：读入新时刻数据x，循环N次计算全部N个子系统监测值y₁…y_n…y_N；

y_n＝xW_n

判断全部监测值。如最大值全部位于第一位，则正常，回步骤7。如其他位存在最大值，则此分析此位置对应故障编号，输出报警。

上述步骤即为本发明方法在青霉素发酵仿真平台Pensim上的具体应用。

Pensim提供的故障种类有通风速率、搅拌功率、底物流加速率三种，每种故障又有斜坡、阶跃两种类型。

为了证明算法的有效性，对Pensim平台能够产生的故障进行了多种实验

图2为通风速率斜坡型减少监测子系统监测结果。训练数据集为正常数据与表2中编号为1的故障数据，测试数据选择编号为4的故障。可以看到在编号为4号故障发生的60至300时刻，子系统的输出(故障编号)由正常状态的0值升为训练集中编号为1的故障数据对应的故障类型1，成功诊断了类型相同规模不同的故障。

图3为通风速率阶跃型增加监测子系统监测结果。训练数据集为正常数据与3号故障，测试数据为2号故障，同样是通风速率增加的阶跃故障。可以看到在2号故障发生的20至150时刻，子系统的输出(故障编号)由正常状态的0值升为训练集中编号为3的故障数据对应的故障类型3，成功诊断了类型相同规模不同的故障。

同样，其他类型的故障，可以分别由对应的故障监测子系统进行监测。

此外每个子网络的建模时间小于5秒。因此，本文提出的方法在满足准确率的前提下，成功提高了监测速率。更加适合实际工业需求。

Claims (5)

1.一种基于宽度学习系统的间歇过程故障监测与诊断方法，其特征包括“离线建模阶段”和“在线监测阶段”两个阶段，具体步骤如下：

A.离线建模阶段：

1.通过机理知识将数据分为正常状态数据集、N种故障状态数据集；

2.使用宽度学习网络建立针对第n种故障的监测子系统，构造数据集X、X_test、Y_n、Y_test，将一部分正常数据与一部分第n种故障数据组成训练数据集X，将剩余部分数据组成测试数据集X_test，并构造相应的标签集Y_n、Y_test

其中，norm代表正常数据集，fault代表故障数据集，两者的行均代表采样时刻，列均代表变量，行列交叉处代表对应变量在对应采样时刻的采样值；Y_n对应X，Y_test对应X_test，两者的行均代表采样时刻，列均由正常状态和N种故障状态组成，共1+N列，其第i个行向量代表对应时刻数据集的状态，即该时刻的数据为正常，或者对应哪种故障；

3.对据集X进行线性组合，即训练数据集X乘权值矩阵W_i，加偏置矩阵β_i，重复此操作I次，得到输入节点Z^I，Z^I＝[Z₁，…Z_i，...，Z_I]，其中，第i组输入节点Z_i公式如下：

Z_i＝[φ(XW_i+β_i)]

其中，φ为激活函数，

W_i，β_i由0、1间随机数构成；

4.对数据集Z^I进行线性组合，即训练数据集Z^I乘权值矩阵W_j，加偏置矩阵β_j，重复J次，得到增强节点H^J，

H^J＝[H₁，…H_j，...，H_J]，其中，第j组增强节点H_j公式如下：

H_j＝[ξ(Z^IW_j+β_j)]

其中，ξ为激活函数，W_j，β_j由0、1间随机数构成；

5.计算监测第n种故障的子系统的权值矩阵W_n，具体如下：

将Z^I与H^J合并得到输入矩阵A＝[Z^I|H^J]；

计算A的伪逆A⁺，具体公式为：

其中，I为单位阵；计算第n个子系统的权重矩阵W_n＝A⁺Y_n；

6.将测试数据X_test输入监测第n种故障的子系统，得到输出矩阵Y_n.test，具体计算公式如下：

Y_n.test＝X_testW_n

矩阵Y_n.test的行代表采样时刻，列均由正常状态和N种故障状态组成，共1+N列，其第i个行向量代表对应时刻数据集的状态，每行最大值位置即代表此行对应时刻的监测结果；若此Y_n.test全部时刻监测正确率满足要求，则进入步骤8；如果对第n种故障全部时刻的监测正确率不满足要求，进入步骤7；

7.增加第n个子系统的增强节点数量，更新第n个子系统的权重矩阵，W_n表示更新前的权重矩阵，W′_n表示更新后的权重矩阵，然后跳转到步骤6，具体更新方法如下：

随机生成新权值矩阵W_j+1、偏置矩阵β_j+1，得到第j+1个增强节点H_j+1＝[ξ(Z^IW_j+1+β_j+1)]；

更新第n个子系统的输入矩阵，A表示更新前的输入矩阵，A′表示更新后的输入矩阵，A′＝[A|H_j+1]；

计算A′的伪逆(A′)⁺，公式如下：

其中，D＝(A)⁺ξ(Z^IW_j+1+β_j+1)，

其中[ξ(Z^IW_j+1+β_j+1)-AD]⁺的计算方式同步骤5中A⁺，(·)^T表示转置；

更新

8.如未完成针对所有N个故障的全部子系统的构建，则返回步骤2；否则，进入在线监测阶段步骤9；

B.在线监测阶段：

9.在线读入实时采集数据x，输入全部N个子系统，分别获得N个子系统的实时监测值y₁…y_n…y_N，其中第n个子系统的实时监测值计算公式如下：

y_n＝xW_n

x为一个行向量，代表当前采集时刻采集到的待监测变量的测量值，W_n代表离线训练完成后第n个子系统的权重矩阵；y_n的结构与步骤6中Y_n.test相同；

10.如果步骤9中得到的当前时刻状态监测值y_n表示数据x正常，则回步骤7；否则输出报警，并根据y_n输出对应的故障编号。

2.根据权利要求1所述的一种基于宽度学习系统的间歇过程故障监测与诊断方法，其特征在于：步骤3中所述的φ取线性函数。

3.根据权利要求1所述的一种基于宽度学习系统的间歇过程故障监测与诊断方法，其特征在于：步骤4中所述的ξ取tanh函数。

4.根据权利要求1所述的一种基于宽度学习系统的间歇过程故障监测与诊断方法，其特征在于：步骤6中所述的正确率计算方式如下：

将Y_n.test与根据先验知识构造的Y_test进行比较，如果每个采样时刻，Y_n.test标记的数据集的状态与Y_test标记的数据集的状态相同，则认为该采样时刻正确，否则错误；

最终正确率计算公式如下：

5.根据权利要求1所述的一种基于宽度学习系统的间歇过程故障监测与诊断方法，其特征在于：步骤6中所述的监测正确率为大于等于95％。

Images