CN109886462B - 一种改进粒子群优化支持向量机的精馏塔故障诊断方法 - Google Patents

Abstract

本发明提供了一种改进粒子群优化支持向量机的精馏塔故障诊断方法，本发明按照如下步骤进行优化：(1)系子群初始值的设定，给定参数C,σ的范围。(2)随机产生粒子的位置与速度，根据适应度函数评价每个微粒的适应值。(3)根据相应的改进公式更新速度和位置。(4)检查是否满足终止条件，如果满足就结束寻找，不满足再返回步骤2重新计算。(5)得到优化的支持向量机的参数，建立改进粒子群优化支持向量机模型。本发明有效的改善普通粒子群优化支持向量在一开始在速度极限值选择上过大或过小而引起的陷入局部最优等的问题。

Description

一种改进粒子群优化支持向量机的精馏塔故障诊断方法

技术领域

本发明属于优化算法应用技术领域，具体是一种改进粒子群优化支持向量机的精馏塔故障诊断方法。

背景技术

在石油化工行业的生产过程中，精馏塔占据着重要的地位。精馏塔是利用混合物中各组分具有不同的挥发度来实现分离目的，从而达到精馏的一种塔式汽液接触装置。在石油化工等行业中，精馏塔设备在运行过程中的好坏与企业的经济效益有着直接的联系。因此对精馏塔进行故障诊断能提高过程安全和产品质量。

在当今快速发展的科技社会中，故障诊断开始朝着自动化，智能化的方面发展。在1995年被Vapnik等人提出的一种新颖的机器学习方法即支持向量机在解决小样本、非线性及高维模式识别问题中具有结构简单、全局最优、泛化能力强等优势，从而在故障诊断中体现出了其存在的优越性。但是现实生活中存在的一些局限性，使得支持向量机参数的选择存在一定的困难，利用粒子群算法与支持向量机结合，可以在参数的选择上进行优化，从而提高整体的分类效果。粒子群算法是一种智能搜寻算法，能够在多维空间中快速找到问题的最优解。但粒子群算法本身又容易陷入局部最优的问题。

发明内容

本发明的目的在于提供一种改进粒子群优化支持向量机的精馏塔故障诊断方法，有效改进粒子群陷入局部最优的问题，从而提高精馏塔故障诊断的分类辨识精度，以解决上述背景技术中提出的问题。

本发明为了实现上述目的，采用以下方案：

本发明提供一种改进粒子群优化支持向量机的精馏塔故障诊断方法，将改进的粒子群算法优化支持向量机的参数，然后将其运用到精馏塔的故障诊断上，其特征在于，包括以下步骤：

步骤1：粒子群初始值的设定，给定输入数据X＝{X₁,...,X_n}和学习目标y＝{y₁,...,y_n}均来源于精馏塔故障数据，给定参数C,σ的范围，C是惩罚系数，σ是选择RBF函数K(x_i,x_j)＝exp(||x_i-x_j||²/σ²)作为kernel后，该函数自带的一个参数，i＝1,2，...n，j＝1,2，...n，x_i＝[x₁,...,x_n]∈X表示其中输入数据的每个样本包含的多个特征量空间，x_j＝[x₁,...,x_n]∈X表示其中输入数据的每个样本包含的多个特征量空间。

步骤2：随机产生粒子的位置与速度，根据适应度函数评价每个微粒的适应度值。

步骤3：根据以下公式更新速度和位置。

v_id(t+1)＝v_id(t)+c₁r₁(p_id-x_id(t))+c₂r₂(p_gd-x_id(t))

x_id(t+1)＝x_id(t)+v_id(t+1)

式中，i＝1,2，...n，为第i个粒子；d＝1,2,...m，为第d维；p_id为第i个粒子目前为止最优位置；p_gd为整个粒子群搜索到的最优位置；c₁和c₂为非负常数即加速因子，r₁和r₂服从[0,1]上的均匀分布随机数，V_id关于时间t的一个速度变量，X_id关于时间t的一个位置变量，V_max为初始最大速度。

在粒子群算法中，由于算法本身的局限性，粒子在搜索全局最优解时可能只是局部的极值点，即使适当调整后也不能完全保证该粒子为全局最优点。基于这一缺陷在粒子群里参考了模拟退火算法改变量的思想，即在粒子更新的速度和速度极限值之间设定限制域ΔE，允许速度极限值在固定取值范围内的变化，其中ΔE＜e，e表示为在模型的设定的最大的允许变化的范围，而后再用这个极限值来对下一次更新的速度设定限制域，这样有利于提高算法的适应度和精度。

即将限制条件改为如下

式中，V_max为初始最大速度，V_id关于时间t的一个速度变量，e表示为在模型的设定的最大的允许变化的范围。

步骤4：检查是否满足终止条件，如果满足就结束寻找，不满足再返回步骤2重新计算。

步骤5：得到优化的支持向量机的参数，建立改进粒子群优化支持向量机模型。

步骤6：将步骤5得到的参数代入到支持向量机中。

支持向量机区分类别的最优化公式：

式中，j＝1,...,k；w^j为第j个样本的超平面法向量，C为惩罚因子，ξ为松弛变量。

约束条件：

式中，Φ：X→H的一个映射函数，X为输入的精馏塔故障数据，H为希尔伯特空间，b为截距常量，y_t表示t时刻学习目标为二元变量y＝{-1,1}之一。

其中，核函数选择K(x_i,x_j)＝exp(||x_i-x_j||²/σ²)

式中，i＝1,2，...n，j＝1,2，...n，x_i＝[x₁,...,x_n]∈X表示其中输入数据的每个样本包含的多个特征量空间，x_j＝[x₁,...,x_n]∈X表示其中输入数据的每个样本包含的多个特征量空间。

与现有技术相比，本发明的有益效果是：

本发明建立了一种改进粒子群优化支持向量机的精馏塔故障诊断方法，与现有粒子群优化支持向量机相比，本发明方法针对普通粒子群优化支持向量在一开始在速度极限值选择上过大或过小而引起的陷入局部最优等的问题，参考了模拟退火算法中改变量的思想，在后续速度改变过程中对速度极限值进行动态选择，可以改善粒子群容易陷入局部最优的问题，同时又能提高支持向量机的分类精度和粒子的平均适应度。

附图说明

图1为本发明的流程示意图。

图2为本发明实施例涉及的改进粒子群优化支持向量机的适应度曲线示意图。

图3为本发明实施例涉及的基本粒子群优化支持向量机的适应度曲线示意图。

具体实施方式

如图1所示，一种改进粒子群优化支持向量机的精馏塔故障诊断方法，该方法具体包括以下步骤：

步骤1：粒子群初始值的设定，给定输入数据X＝{X₁,...,X_n}和学习目标y＝{y₁,...,y_n}均来源于精馏塔故障数据，其中T_max为最大的迭代次数为300，设定w为惯性权值0.9，加速因子c₁为1.6，加速因子c₂为1.5，V_max初始最大设定速度为120，X_max为初始最大设定位置为180。给定参数C,σ的范围[0,100]，C是惩罚系数，σ是选择RBF函数(K(x_i,x_j)＝exp(||x_i-x_j||²/σ²))作为kernel后，该函数自带的一个参数，i＝1,2，...n，j＝1,2，...n，x_i＝[x₁,...,x_n]∈X表示其中输入数据的每个样本包含的多个特征量空间，x_j＝[x₁,...,x_n]∈X表示其中输入数据的每个样本包含的多个特征量空间。

步骤2：随机产生粒子的位置与速度，根据适应度函数评价每个微粒的适应值，通过比较支持向量机模型的实际值与目标输出结果之间的一个比较。

步骤3：根据以下公式更新速度和位置。

假设种群规模为N，在迭代时刻t，在高维空间中，每个粒子的坐标位置为

速度为

两者在t+1刻时可以按如下公式更新速度和位置：

v_id(t+1)＝v_id(t)+c₁r₁(p_id-x_id(t))+c₂r₂(p_gd-x_id(t))

x_id(t+1)＝x_id(t)+v_id(t+1)

式中，i＝1,2，...n，为第i个粒子；d＝1,2,...m，为第d维；V_max为初始最大速度，V_id关于时间t的一个速度变量，e表示为在模型的设定的最大的允许变化的范围。

该算法需要判断当前速度与速度极限值之间的一个变化量是否小于设定的最大的允许变化范围内，是的话将当前速度值赋予速度极限值，否的话将速度极限值赋予当前速度值。

步骤4：检查是否满足终止条件，如果满足就结束寻找，不满足再返回步骤2重新计算。

步骤5：得到优化的支持向量机的参数，建立改进粒子群优化支持向量机模型。

步骤6：将步骤5得到的参数带入到支持向量机中。

支持向量机区分类别的最优化公式：

式中，j＝1,...,k；w^j为第j个样本的超平面法向量，C为惩罚因子，ξ为松弛变量。

约束条件：

式中，Φ：X→H的一个映射函数，X为输入的精馏塔故障数据，H为希尔伯特空间，b为截距常量，y_t表示t时刻学习目标为二元变量y＝{-1,1}之一。其中，核函数选择K(x_i,x_j)＝exp(||x_i-x_j||²/σ²)

式中，i＝1,2，...n，j＝1,2，...n，x_i＝[x₁,...,x_n]∈X表示其中输入数据的每个样本包含的多个特征量空间，x_j＝[x₁,...,x_n]∈X表示其中输入数据的每个样本包含的多个特征量空间。

根据如上内容，本实施所提供的一种改进粒子群优化支持向量机的精馏塔故障诊断方法，有效的改善了一开始在速度极限值选择上过大或过小而引起的陷入局部最优等的问题，提高支持向量机的分类精度和粒子的平均适应度。

为验证上述改进粒子群优化支持向量机优化算法的正确性和有效性，本发明进行了仿真验证，与基本粒子群优化支持向量机和支持向量机在参数选择和分来精度上进行了对比。本实验研究的数据来自某化工厂空分制氮过程的现场采样数据。对于表3故障F1，F2，F3构造出两个二类分类器。第一个二类分类器选取150组F2故障和150组包含F1和F3的故障，其中设置F2故障为1，F1和F3故障为-1进行仿真研究。第二个二类分类器选取150组F1故障和150组F3故障，其中设置F1故障为1，F3故障为-1进行仿真研究。同个分类器中的故障混合后，取前150组作为训练数据，余下的数据作为测试数据。分别采用SVM和基本PSO-SVM以及改进的PSO-SVM进行测试。

表1第一个二类分类器三种算法的分类精度表

类别1	C	σ	训练精度％	测试精度％
					SVM	1.3195	0.7579	84	88.67
基本PSO-SVM	92.1387	1.8484	100	89.33
					改进PSO-SVM	25.4187	3.4747	100	90.00

表2第二个二类分类器三种算法的分类精度表

类别1	C	σ	训练精度％	测试精度％
					SVM	0.0474	2.2974	100	93.33
基本PSO-SVM	12.5007	0.0100	100	94.67
					改进PSO-SVM	16.9218	0.0100	100	98.67

从表1、表2可知，在第一个和第二个分类器上三种算法的训练精度大致相同，但在测试精度上改进的PSO-SVM算法精确度最高，由图2和图3也可以看出改进的PSO-SVM与基本PSO-SVM最佳适应度相似，但平均适应度上改进的PSO-SVM比基本PSO-SVM的适应度提高5-10左右，说明该算法在该化工厂故障分析中有其存在的实际作用。

通过仿真结果显示，基于改进的粒子群优化支持向量机算法能够较优的选取最终的支持向量机参数，在故障诊断中的精确度相比于前两种方法有明显的提高，研究成果有一定的可行性，在工程应用中有发展的可能性。

表3精馏塔常见故障现象表

序号	单位
		F1	下塔液泛
F2	再沸器功能故障
		F3	回流阀故障
F4	上塔液泛
		F5	液氧液面变化
F6	工作周期变化
		F7	进料温度变化

Claims (1)

1.一种改进粒子群优化支持向量机的精馏塔故障诊断方法，其特征在于，包括如下步骤：

步骤1：粒子群初始值的设定，给定输入数据X＝{X₁,...,X_n}和学习目标y＝{y₁,...,y_n}均来源于精馏塔故障数据，给定参数C,σ的范围，C是惩罚系数，σ是选择RBF函数K(x_i,x_j)＝exp(||x_i-x_j||²/σ²)作为kernel后，该函数自带的一个参数；

步骤2：随机产生粒子的位置与速度，根据适应度函数评价每个微粒的适应度值；

步骤3：根据以下公式更新速度和位置；

v_id(t+1)＝v_id(t)+c₁r₁(p_id-x_id(t))+c₂r₂(p_gd-x_id(t))

x_id(t+1)＝x_id(t)+v_id(t+1)

式中，i＝1,2，...n，为第i个粒子；d＝1,2,...m，为第d维；p_id为第i个粒子目前为止最优位置；p_gd为整个粒子群搜索到的最优位置；c₁和c₂为非负常数即加速因子，r₁和r₂服从[0,1]上的均匀分布随机数，V_id关于时间t的一个速度变量，X_id关于时间t的一个位置变量，e表示为在模型的设定的最大的允许变化的范围；

步骤4：检查是否满足终止条件，如果满足就结束寻找，不满足再返回步骤2重新计算；

步骤5：得到优化的支持向量机的参数，建立改进粒子群优化支持向量机模型；

步骤6：将步骤5得到的参数代入到支持向量机中；

支持向量机区分类别的最优化公式：

式中，j＝1,...,k；w^j为第j个样本的超平面法向量，C为惩罚系数，ξ为松弛变量；

约束条件：

式中，Φ：X→H的一个映射函数，X为输入的精馏塔故障数据，H为希尔伯特空间，b为截距常量，y_t表示t时刻学习目标为二元变量y＝{-1,1}之一；

其中，核函数选择K(x_i,x_j)＝exp(||x_i-x_j||²/σ²)

式中，i＝1,2，...n，j＝1,2，...n，x_i＝[x₁,...,x_n]∈X、x_j＝[x₁,...,x_n]∈X表示其中输入数据的每个样本包含的多个特征量空间，且i≠j。

Images