CN110297480B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110297480B
CN110297480B CN201910521837.3A CN201910521837A CN110297480B CN 110297480 B CN110297480 B CN 110297480B CN 201910521837 A CN201910521837 A CN 201910521837A CN 110297480 B CN110297480 B CN 110297480B
Authority
CN
China
Prior art keywords
deep belief
particle
belief network
fitness
fault
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
Application number
CN201910521837.3A
Other languages
English (en)
Other versions
CN110297480A (zh
Inventor
黄迪
张卫
黄家华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Zhonglan Technology Co ltd
Original Assignee
Chongqing Zhonglan Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Zhonglan Technology Co ltd filed Critical Chongqing Zhonglan Technology Co ltd
Priority to CN201910521837.3A priority Critical patent/CN110297480B/zh
Publication of CN110297480A publication Critical patent/CN110297480A/zh
Application granted granted Critical
Publication of CN110297480B publication Critical patent/CN110297480B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0256—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults injecting test signals and analyzing monitored process response, e.g. injecting the test signal while interrupting the normal operation of the monitored system; superimposing the test signal onto a control signal during normal operation of the monitored system

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种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，按照以下步骤进行：以TE过程为研究对象进行试验仿真，得到仿真数据，并将该仿真数据分成训练集数据样本和测试集数据样本；基于量子粒子群算法，对深度信念网络进行优化，得到优化深度信念网络；将训练集数据样本带入优化深度信念网络进行训练，得到TE过程深度信念网络故障诊断模型；将测试集数据样本带入TE过程深度信念网络故障诊断模型，对TE过程的故障进行诊断，得到测试集故障数据样本；根据测试集故障数据样本，对故障诊断结果进行评估。有益效果：收敛速度更快，全局收敛能力更强，避免了DBN算法易陷入局部最小值、训练不充分及早熟现象。

Description

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
技术领域
本发明涉及TE过程故障诊断技术领域，具体的说是一种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。
背景技术
现代化工生产过程日趋大型化、集成化和精细化。当系统的某个环节发生故障时，若不及时处理，就可能引起故障扩大并导致重大事故的发生。因此建立高效的、准确的实时故障检测和诊断系统，消除故障隐患，及时排除故障，确保安全、平稳、优质的生产，已成为整个生产过程的关键所在。
例如：TE过程是由美国Tennessee Eastman化学公司过程控制小组的J.J.Downs和E.F.Vogel提出的1个实际化工过程的仿真模拟，被广泛的应用于过程控制技术的研究。详见文献DOWNS J J，VOGEL E F.A plant-wide industrialprocess control problem[J].Computers and Chemical Engineering，1993，17(3):245-255.TE过程包括5个主要单元:反应器、冷凝器、压缩机、分离器和汽提塔，包括A～H总共8种成分，其中A、C、D、E为反应物，B为催化剂，G、H为最终的产物。
TE过程通常包含52个观测变量和21种预设定的故障状况，其中，在21种预设定的故障状况中，有16个过程故障描述为已知的，剩余的5个未知，TE过程故障类型如表1所示。
表1 TE过程故障类型
Figure BDA0002096954050000011
Figure BDA0002096954050000021
目前，应用于故障诊断方法主要集中在多变量统计分析、神经网络、支持向量机等方法，其中杜海莲的等人提出的“改进PCA方法及数据重构在化工过程中的故障诊断研究”、李立等人提出的“基于MSPCA-ANFIS的化工过程故障诊断”、王林等人提出的“改进型支持向量回归方法及其在故障诊断中的应用”中有提到相关技术。顾炳斌等提出了一种基于主元分析的基于多块信息提取的PCA故障诊断方法，取得了一定的效果。翟坤等人提出一种改进的动态核主元分析故障检测方法。神经网络作为有监督的机器学习方法已广泛的应用到故障诊断中，其中，易军等提出了一种基于对称Alpha稳定分布概率神经网络的铝电解槽况诊断方法、薄翠梅等提出了一种基于核主元分析(KPCA)和概率神经网络(PNN)的故障辨识方法。支持向量机作为有监督的机器学习方法也广泛的应用到故障诊断过程中，其中，谷波等人提出了一种基于支持向量机(SVM)的制冷系统多故障并发检测与诊断方法、邓晓刚等人提出了一种基于动态最大方差展开(DMVU)和单类支持向量机(OCSVM)的故障诊断方法。虽然，上述方法使准确率得到了提高，但由于网络规模较大、难以收敛、训练时间变长，降低了网络的泛化能力，不能较快速地得到诊断结果。
发明内容
针对上述问题，本发明提供了一种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，QPSO算法训练DBN网络更利于在可行解空间搜索到全局最优的连接权值和隐藏节点值，收敛速度更快，全局收敛能力更强，避免了DBN算法易陷入局部最小值、训练不充分及早熟现象。
为达到上述目的，本发明采用的具体技术方案如下：
一种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，按照以下步骤进行：
步骤1：以TE过程为研究对象进行试验仿真，得到仿真数据，并将该仿真数据分成训练集数据样本和测试集数据样本；
步骤2：基于量子粒子群算法，对深度信念网络进行优化，得到优化深度信念网络；
步骤3：将训练集数据样本带入优化深度信念网络进行训练，得到TE过程深度信念网络故障诊断模型；
步骤4：将测试集数据样本带入TE过程深度信念网络故障诊断模型，对TE过程的故障进行诊断，得到测试集故障数据样本诊断结果；
步骤5：根据测试集故障数据样本，对步骤4得到的测试集故障数据样本诊断结果进行对比评估。
步骤1中试验仿真的具体内容为：
从TE过程的所有观测变量中，随机选取agc个观测变量作为输出变量，A-agc个观测变量，作为控制变量；
目前，TE过程的包含52个观测变量和21种预先设定的故障状况，其中有16个过程故障描述为已知的，剩余的5个未知。但是随着技术的改进和发现，其观测变量可能发生增加。
根据选取的观测变量和控制变量，带入TE过程中，设定训练集的无故障仿真时间、有故障仿真时间、故障类型、仿真次数，进行仿真，得到所述训练集数据样本；
则在训练集数据样本的个数等于观测数据的个数，其维度由观测变量个数决定。
根据选取的观测变量和控制变量，带入TE过程中，设定测试集的无故障仿真时间、有故障仿真时间、故障类型、仿真次数，进行仿真，得到所述训练集数据样本。
测试仿真次数和训练仿真次数相同。同理的，训练集数据样本的大小由观测数据和维度解决，其中维度由观测变量个数决定。
在步骤2的具体内容为：
SA1：基于量子粒子群算法，设定粒子群规模、维数和最大迭代次数；
SA2：初始化粒子群，设定适应度函数；
SA3：构建深度信念网络，并根据步骤SA2的粒子群，对深度信念网络的权值和网络隐藏节点数值进行初始化，得到初始化的深度信念网络；
SA4：根据初始化的深度信念网络，计算粒子群中粒子的适应度，并定义当前迭代次数为1；
SA5：改变粒子的位置和速度，计算新粒子的适应度，并比较当前位置粒子的适应度与上一位置粒子适应度的大小，若适应度增大，则输出该粒子适应度，进入步骤SA6；否则返回步骤SA5；
SA6：计算粒子群的全局适应度，若当前位置下全局适应度大于上一位置下全局适应度，则更新粒子群，否则保持原位置和速度不变；
SA7：判断，当前迭代次数是否大于等于最大迭代次数，若是，结束，并输出优化深度信念网络；否则，选择下一粒子，返回步骤SA5。
量子粒子群优化算法(QPSO)是一种基于种群的概率算法，最早由Sun等人于2004年提出，参见文献：1、A Global Search Strategy of Quantum behaved Particle SwarmOptimization；2、A new BDI forecasting model based on support vector machine；其主要思想是使用量子力学中波函数描述粒子的运动状态，取代在粒子群优化算法(PSO)中粒子运动状态的位置与速度描述方式，从而解决粒子群优化算法中由于粒子的速度受到限制，使得粒子的搜索空间只能局限于某个空间的问题。
深度信念网络(Deep Belief Network，DBN)的性能决定于网络的参数设定和特征的有效提取，训练阶段如何得到一组最优的网络参数值，是该模型构建的核心。将QPSO用于DBN的训练学习，以用来提高网络训练算法全局寻优能力和收敛速度。
QPSO算法优化DBN网络时，其思想是粒子群中每个粒子表示模型的一组权值和隐藏节点值。首先采用受限玻尔兹曼机(restricted Boltzmann machine,RBM)重构误差构造适应度目标函数fitness，再根据DBN网络的参数(连接权值和隐藏节点值)生成粒子群，并初始化这些粒子的位置和速度，由初始参数确定初始目标适应度值。再将所有的训练样本数据进行归一化处理，然后输入到DBN模型，根据式适应度目标函数fitness计算每个粒子对训练样本适应度值，搜索使训练样本适应度值最小的粒子。
进一步的，计算新粒子的适应度的公式为：
Figure BDA0002096954050000061
式中：N为训练集数据样本，J为输出神经元个数，pij和tij分别表示第i个样本的第j个分量的输出值和期望输出值。
改变粒子的位置和速度的计算公式为：
Pi＝r1×Pij+r2×Pgj；
Figure BDA0002096954050000062
Mbest是种群Pbest中间位置：
Figure BDA0002096954050000063
m是粒子个数；
d是粒子维数；
Pi是粒子最佳位置；
Pij是粒子搜到的最优解Pbest；
Pgj是种群搜到的最优解gbest；
Xi(t)是粒子的相关位置信息；
β是收缩扩张系数；
r1、r和u是[0,1]上的随机数；
在粒子群中，每一个粒子必须收敛于各自的随机点P,P＝(p1,p2,...pd)，第i个粒子P点的第d维坐标为：
Figure BDA0002096954050000064
其中，
Figure BDA0002096954050000065
Figure BDA0002096954050000066
QPSO算法的收敛速度会受到控制参数β的选择和控制的影响。第t次迭代时β一般可取如下值：
β＝(1-0.5)×(Tmax-t)/Tmax+0.5；
其中，Tmax表示最大迭代次数。
进一步的，步骤3的具体内容为：
将步骤1得到的训练集数据样本依次带入优化深度信念网络，得出每层受限玻尔兹曼机的初始化参数以及对应的TE过程深度信念网络故障诊断模型框架；
其中所述训练集数据样本包括A维训练集数据；
采用BP算法对TE过程深度信念网络故障诊断模型框架的每一层受限玻尔兹曼机的初始化参数进行微调操作，寻找得到网络全局最优参数，从而得到TE过程深度信念网络故障诊断模型。
单纯BP算法训练效果对比这个性能会差，因为它只需要对网络的参数空间进行一个局部的搜索，相比BP神经网络，训练速度要快，而且收敛时间短。
步骤5中，对故障诊断结果进行对比评估的内容包括：误报率FNR、漏报率FPR、分类正确率ACC；
误报率FNR计算公式为：
Figure BDA0002096954050000071
漏报率FPR计算公式为：
Figure BDA0002096954050000072
分类正确率ACC计算公式为：
Figure BDA0002096954050000073
FN表示样本正常数据诊断为故障的数目，TP表示样本正常数据诊断为正常的数目，FP表示样本故障数据诊断为正常的数目，TN表示为样本故障数据诊断为故障的数目。
本发明的有益效果：在对目前DBN模式分类模型分析的基础上，提出了利用QPSO算法优化DBN网络建立QPSO-DBN网络模型。QPSO算法训练DBN网络更利于在可行解空间搜索到全局最优的连接权值和隐藏节点值，收敛速度更快，全局收敛能力更强，避免了DBN算法易陷入局部最小值、训练不充分及早熟现象。
附图说明
图1是本发明方法流程图；
图2是本发明的QPSO算法优化DBN流程图；
图3是RBM网络结构图；
图4是故障3在不同算法下的故障识别结果图；
图5是故障5在不同算法下的故障识别结果图；
图6是故障8在不同算法下的故障识别结果图；
图7是21次试验故障诊断对比实验结果图。
具体实施方式
下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。
从图1可以看出，一种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，按照以下步骤进行：
步骤1：以TE过程为研究对象进行试验仿真，得到仿真数据，并将该仿真数据分成训练集数据样本和测试集数据样本；
在步骤1中试验仿真的具体内容为：
从TE过程的所有观测变量中，随机选取agc个观测变量作为输出变量，A-agc个观测变量，作为控制变量；
在本实施例中，软件环境：Matlab2016a，Windows7操作系统；硬件环境：CPU2.20GHz，内存8GB，750G硬盘。
在本实施例中，结合现有的TE过程，A＝52；随机选取41个观测变量作为输出变量，11个观测变量，作为控制变量；
根据选取的观测变量和控制变量，带入TE过程中，设定训练集的无故障仿真时间、有故障仿真时间、故障类型、仿真次数，进行仿真，得到所述训练集数据样本；
在本实施例中，开始lh仿真时间内，系统正常运行并开始产生训练集数据样本；当仿真时间达到lh时，引入故障。每进行一次仿真，变产生500个观测数据。共计进行22次仿真，第一个训练集数据作为训练集数据样本的正常数据样本。后21个测试集数据作为训练集数据样本的故障数据样本。这500个观测数据中，后480个观测数据是有故障的。
根据选取的观测变量和控制变量，带入TE过程中，设定测试集的无故障仿真时间、有故障仿真时间、故障类型、仿真次数，进行仿真，得到所述训练集数据样本。
在本实施例中，对于测试集中的数据，也是进行了22次仿真，第一次仿真没有引入故障数据。每次进行仿真的时间都是48h。在开始仿真时，系统正常运行，当仿真时间达到8h时，引入故障。每进行一次仿真，变产生960个观测数据。在这960个观测数据中，前160个观测数据是正常的，后800个观测数据是有故障的。
结合图2，步骤2：基于量子粒子群算法，对深度信念网络进行优化，得到优化深度信念网络；在步骤2的具体内容为：
SA1：基于量子粒子群算法，设定粒子群规模、维数和最大迭代次数；
在QPSO算法中，每一个粒子必须收敛于各自的随机点P,P＝(p1,p2,...pd)，第i个粒子P点的第d维坐标为：
Figure BDA0002096954050000101
其中，
Figure BDA0002096954050000102
Figure BDA0002096954050000103
SA2：初始化粒子群，设定适应度函数fitness；
SA3：构建深度信念网络，并根据步骤SA2的粒子群，对深度信念网络的权值和网络隐藏节点数值进行初始化，得到初始化的深度信念网络；
SA4：根据初始化的深度信念网络，计算粒子群中粒子的适应度，并定义当前迭代次数为1；
适应度函数公式为：
Figure BDA0002096954050000104
式中：N为训练集数据样本，J为输出神经元个数，pij和tij分别表示第i个样本的第j个分量的输出值和期望输出值。
SA5：改变粒子的位置和速度，计算新粒子的适应度，并比较当前位置粒子的适应度与上一位置粒子适应度的大小，若适应度增大，则输出该粒子适应度，进入步骤SA6；否则返回步骤SA5；
在粒子群中，粒子下次迭代的变量是用一个全局点来进行计算的,并定义为所有粒子局部最优位置的平均值Mbest(Mainstream Thought or Mean Best),粒子更新计算公式如下:
Figure BDA0002096954050000105
Pi＝r1×Pij+r2×Pgj
Figure BDA0002096954050000111
式中，m是粒子个数，Mbest是种群Pbest中间位置，d是粒子维数，Pi是粒子最佳位置，Pij是粒子搜到的最优解Pbest，Pgj是种群搜到的最优解gbest，Xi(t)是粒子的相关位置信息；β是收缩扩张系数,r1、r和u是[0,1]上的随机数。
QPSO算法的收敛速度会受到收缩扩张系数β的选择和控制的影响。第t次迭代时β一般可取如下值：
β＝(1-0.5)×(Tmax-t)/Tmax+0.5
其中，Tmax表示最大迭代次数。
SA6：计算粒子群的全局适应度，若当前位置下全局适应度大于上一位置下全局适应度，则更新粒子群，否则保持原位置和速度不变；
SA7：判断，当前迭代次数是否大于等于最大迭代次数，若是，结束，并输出优化深度信念网络；否则，选择下一粒子，返回步骤SA5。
步骤3：将训练集数据样本带入优化深度信念网络进行训练，得到TE过程深度信念网络故障诊断模型；
步骤3的具体内容为：
将步骤1得到的训练集数据样本依次带入优化深度信念网络，得出每层受限玻尔兹曼机的初始化参数以及对应的TE过程深度信念网络故障诊断模型框架；
其中所述训练集数据样本包括A维训练集数据；
采用BP算法对TE过程深度信念网络故障诊断模型框架的每一层受限玻尔兹曼机的初始化参数进行微调操作，寻找得到网络全局最优参数，从而得到TE过程深度信念网络故障诊断模型。
深度信念网络于2006年由HINTON等人在文献A fast learning algo-rithm fordeep belief nets.Neural Computation中提出的，由多个受限玻尔兹曼机(restrictedBoltzmann machine,RBM)堆叠而成，通过对神经元之间的权值进行不断训练调整，最终使得整个神经网络按照最大概率来生成训练数据，DBN的训练包括RBM预训练和后向微调两个部分。
RBM预训练：
受限玻尔兹曼机RBM是深度信念网络的基本组成元件，图3为RBM的网络结构图，每一个RBM由两层网络组成，分别为可视层v和隐藏层h，它们之间通过权值w连接。可视层与隐藏层各有一些神经元，神经元同层之间没有连接，每一个神经元有两种状态——激活和未激活，分别用1和0表示。假设一个RBM中有n个可视单元和m个隐藏单元，即v＝(v1，v2，…，vn)和h＝(h1，h2，…，hm)，其中vi为第i个可视单元的状态，hj为第j个隐藏单元的状态。神经元与神经元之间连接的权重也是不同的，wij表示连接可视层神经元vi和隐藏层神经元hj之间的权值。各有一个偏置在每一个隐藏层和可视层的连接上，可视层神经元vi的偏置用bi来表示，相对的隐藏层神经元hj的偏置用aj表示。
RBM模型是一种能量模型，其可视层与隐藏层之间关系可以用能量函数表示为：
Figure BDA0002096954050000121
式中θ＝{w，b，a}。可视层神经元与隐藏层神经元之间的联合分布概率可以被定义为：
Figure BDA0002096954050000122
上式中，Z(θ)＝∑v，hexp(-E(v，h；θ))，是分区函数。隐藏层的条件概率可得以下公式：
Figure BDA0002096954050000131
同理可视层的条件概率为：
Figure BDA0002096954050000132
由于隐藏层内部和可视层各自的内部没有相连，因此隐藏层与可视层的条件概率相互独立。当可视层所有神经元的状态可知时，可以根据可视层神经元的状态推导出隐藏层神经单元被激活的概率，即计算P(hj＝1|v；θ)。
Figure BDA0002096954050000133
又因为RBM中可视层和隐藏层层间连接没有方向，且具有对称性，可以推导出可视层单元被激活的概率：
Figure BDA0002096954050000134
预训练完成之后，每层RBM可以得到初始化的参数，组成了DBN的初步框架。接下来需要对DBN作调优训练，进一步优化网络各层的参数，以使得网络的判别性能更好。
后向微调：
调优过程是有监督学习过程，即采用标签数据进行训练，利用BP算法微调网络参数，最终寻找到网络全局最优。单纯BP算法训练效果对比这个性能会差，因为它只需要对网络的参数空间进行一个局部的搜索，相比BP神经网络，训练速度要快，而且收敛时间短。
DBN的训练包括对RBM的无监督自训练过程和使用BP算法进行有监督的微调过程。在训练RBM网络时，求最佳联合概率与初始联合概率分布时使用马尔可夫链的方法，针对很难确定步长以及收敛速度很难保证的缺点，机器学习专家Tielema和Hinton在持续对比散度算法的基础上引入一种单独的混合机制，提出了快速持续对比散度(FPCD)算法来提高计算速度，详见文献A Review of Quantum-behaved Particle Swarm Optimization.IETETech Rev 2010；27:336-48.由于属于现有技术，在此不作赘述。
本实施例采用FPCD算法对网络模型进行训练，具体详见(TIELEMANT，HINTONG，Using fast weights to improve persistent contrastive divergence[C].International Conference on Machine Learning，2009:1003-1040.)
在此基础上利用BP算法对网络进行细微调节，并在训练过程中通过QPSO算法进一步优化DBN网络。
步骤4：将测试集数据样本带入TE过程深度信念网络故障诊断模型，对TE过程的故障进行诊断，得到测试集故障数据样本诊断结果；
步骤5：根据测试集故障数据样本，对步骤4得到的测试集故障数据样本诊断结果进行对比评估。
在本实施例中，分别用BP神经网络(BPNN)、SVM、DBN、QPSO-DBN四种方法，对故障进行检测。其中训练集样本中第一个样本为500个正常数据、其它均为480个故障数据，测试集样本均为前160个为正常数据和后800个为故障数据。
在图4可以看出，为测试集数据样本故障3在四种算法的故障识别结果图；
在图5可以看出，为测试集数据样本故障5在四种算法的故障识别结果图；
在图6可以看出，为测试集数据样本故障8在四种算法的故障识别结果图；
在图4-6中，从左至右依次为BPNN、SVM、DBN、QPSO-DBN算法实验分类结果图，从图可以看出，在本试验中，QPSO-DBN(基于参数优化的深度信念网络)算法的整体识别率是高于其他三种算法的。事实上，QPSO-DBN算法在模式分类的优势是显而易见的，无论是对BPNN网络的训练，或者是对SVM的训练，都存在着可能陷入局部最小值和算法的收敛速度慢的问题，而对DBN的网络参数优化阶段，则是避免出现局部最小值的有效手段。QPSO-DBN算法利用其深度网络在对测试数据特征提取上，有比较明显的优势。综上，使用QPS-DBN算法进行化工过程的故障识别是准确可靠且方便有效的。
表2四种算法诊断结果比较
Figure BDA0002096954050000151
Figure BDA0002096954050000161
表2为四种算法在各个指标下的各个测试集故障数据样本进行故障诊断的诊断结果。对故障诊断结果进行评估：分别计算误报率FNR、漏报率FPR、分类正确率ACC；
误报率FNR计算公式为：
Figure BDA0002096954050000162
漏报率FPR计算公式为：
Figure BDA0002096954050000163
分类正确率ACC计算公式为：
Figure BDA0002096954050000164
FN表示样本正常数据诊断为故障的数目，TP表示样本正常数据诊断为正常的数目，FP表示样本故障数据诊断为正常的数目，TN表示为样本故障数据诊断为故障的数目。
根据表2可得，在采用相同的样本数据进行实验时，QPSO-DBN模型在绝大多数实验的误报率和漏报率都要低于其他3种方法，辨识正确率较与传统DBN也有所提高；对于某几种故障训练样本，SVM算法的辨识准确率很高。但对其他数据辨识准确率较低。对于故障测试样本，采用QPSO-DBN模型诊断的平均辨识精度优于BPNN、SVM、DBN。实验结果表明，将经过QPSO优化DBN模型进行化工过程故障分类决策，故障误报率、漏报率均有所降低、优化后的网络模型辨识准确率得到提高。说明经过QPSO优化网络参数提高了模型故障的稳定性和收敛速度，还快速寻找到网络全局最优。增强了辨识模型的性能。
为了进一步测试经过QPSO算法优化的DBN模型在模式分类时的稳定性，进行了21次随机测试样本实验，通过实验辨识率结果算出多次实验的平均值。得出四种算法在多次实验辨识率折线图如图7所示。
从图7中可以看出，四种算法在经过多次实验后，识别率在渐渐趋于平稳，SVM算法针对某些测试样本识别率很高，但平均识别率低于DBN，故障诊断准确率与算法模型提取训练样本中所包含的特征信息密切相关，随着实验次数的增加，诊断模型从训练数据中可提取的特征信息越丰富，这时，经过参数优化的DBN就表现出了它的优势。与SVM、BPNN、DBN相比，QPSO-DBN模型在多次样本实验后平均识别率更高，取得了更好的分类效果。
在本发明中，通过本发明的方法进行化工过程仿真试验其分类精度明显高于其他几种方法建立的分类模型，平均识别准确率为91％，说明该分类模型有效可行，这为化工过程故障的预测及防治提供了有效依据。
应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。

Claims (2)

1.一种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，其特征在于按照以下步骤进行：
步骤1：以TE过程为研究对象进行试验仿真，得到仿真数据，并将该仿真数据分成训练集数据样本和测试集数据样本；
在步骤1中试验仿真的具体内容为：
从TE过程的所有观测变量中，随机选取agc个观测变量作为输出变量，A-agc个观测变量，作为控制变量；
根据选取的观测变量和控制变量，带入TE过程中，设定训练集的无故障仿真时间、有故障仿真时间、故障类型、仿真次数，进行仿真，得到所述训练集数据样本；
根据选取的观测变量和控制变量，带入TE过程中，设定测试集的无故障仿真时间、有故障仿真时间、故障类型、仿真次数，进行仿真，得到所述测试集 数据样本；
步骤2：基于量子粒子群算法，对深度信念网络进行优化，得到优化深度信念网络；
在步骤2的具体内容为：
SA1：基于量子粒子群算法，设定粒子群规模、维数和最大迭代次数；
SA2：初始化粒子群，设定适应度函数；
SA3：构建深度信念网络，并根据步骤SA2的粒子群，对深度信念网络的权值和网络隐藏节点数值进行初始化，得到初始化的深度信念网络；
SA4：根据初始化的深度信念网络，计算粒子群中粒子的适应度，并定义当前迭代次数为1；
SA5：改变粒子的位置和速度，计算新粒子的适应度，并比较当前位置粒子的适应度与上一位置粒子适应度的大小，若适应度增大，则输出该粒子适应度，进入步骤SA6；否则返回步骤SA5；
SA6：计算粒子群的全局适应度，若当前位置下全局适应度大于上一位置下全局适应度，则更新粒子群，否则保持原位置和速度不变；
SA7：判断，当前迭代次数是否大于等于最大迭代次数，若是，结束，并输出优化深度信念网络；否则，选择下一粒子，返回步骤SA5；
步骤3：将训练集数据样本带入优化深度信念网络进行训练，得到TE过程深度信念网络故障诊断模型；
步骤3的具体内容为：
将步骤1得到的训练集数据样本依次带入优化深度信念网络，得出每层受限玻尔兹曼机的初始化参数以及对应的TE过程深度信念网络故障诊断模型框架；
其中所述训练集数据样本包括A维训练集数据；
采用BP算法对TE过程深度信念网络故障诊断模型框架的每一层受限玻尔兹曼机的初始化参数进行微调操作，寻找得到网络全局最优参数，从而得到TE过程深度信念网络故障诊断模型；
QPSO算法优化DBN网络时，其思想是粒子群中每个粒子表示模型的一组权值和隐藏节点值，首先采用受限玻尔兹曼机重构误差构造适应度目标函数fitness，再根据DBN网络的参数生成粒子群，并初始化这些粒子的位置和速度，由初始参数确定初始目标适应度值，再将所有的训练样本数据进行归一化处理，然后输入到DBN模型，根据式适应度目标函数fitness计算每个粒子对训练样本适应度值，搜索使训练样本适应度值最小的粒子；
步骤4：将测试集数据样本带入TE过程深度信念网络故障诊断模型，对TE过程的故障进行诊断，得到测试集故障数据样本诊断结果；
步骤5：根据测试集故障数据样本，对步骤4得到的测试集故障数据样本诊断结果进行对比评估；
计算新粒子的适应度的公式为：
Figure FDA0003522616060000031
式中：N为训练集数据样本，J为输出神经元个数，pij和tij分别表示第i个样本的第j个分量的输出值和期望输出值；
改变粒子的位置和速度的计算公式为：
Pi＝r1×Pij+r2×Pgj；
Figure FDA0003522616060000032
Mbest是种群Pbest中间位置：
Figure FDA0003522616060000033
m是粒子个数；
d是粒子维数；
Pi是粒子最佳位置；
Pij是粒子搜到的最优解Pbest；
Pgj是种群搜到的最优解gbest；
Xi(t)是粒子的相关位置信息；
β是收缩扩张系数；
r1、r2 和u是[0,1]上的随机数；
在粒子群中，每一个粒子必须收敛于各自的随机点P,P＝(p1,p2,...pd)，第i个粒子P点的第d维坐标为：
Figure FDA0003522616060000041
其中，
Figure FDA0003522616060000042
Figure FDA0003522616060000043
2.根据权利要求1所述的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，其特征在于步骤5中，对故障诊断结果进行对比评估的内容包括：误报率FNR、漏报率FPR、分类正确率ACC；
误报率FNR计算公式为：
Figure FDA0003522616060000044
漏报率FPR计算公式为：
Figure FDA0003522616060000045
分类正确率ACC计算公式为：
Figure FDA0003522616060000046
FN表示样本正常数据诊断为故障的数目，TP表示样本正常数据诊断为正常的数目，FP表示样本故障数据诊断为正常的数目，TN表示为样本故障数据诊断为故障的数目。
CN201910521837.3A 2019-06-17 2019-06-17 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 Active CN110297480B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910521837.3A CN110297480B (zh) 2019-06-17 2019-06-17 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910521837.3A CN110297480B (zh) 2019-06-17 2019-06-17 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

Publications (2)

Publication Number Publication Date
CN110297480A CN110297480A (zh) 2019-10-01
CN110297480B true CN110297480B (zh) 2022-07-01

Family

ID=68028098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910521837.3A Active CN110297480B (zh) 2019-06-17 2019-06-17 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

Country Status (1)

Country Link
CN (1) CN110297480B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766137A (zh) * 2019-10-18 2020-02-07 武汉大学 基于天牛须优化深度置信网络算法的电力电子电路故障诊断方法
CN111917781A (zh) * 2020-08-05 2020-11-10 湖南匡楚科技有限公司 一种智能内部恶意行为网络攻击识别方法及电子设备
CN112183745A (zh) * 2020-09-25 2021-01-05 广东电网有限责任公司中山供电局 基于粒子群算法和dbn的高压电缆局部放电模式识别方法
CN112347917B (zh) * 2020-11-05 2023-05-16 北京信息科技大学 一种燃气轮机故障诊断方法、系统、设备及存储介质
CN112633493A (zh) * 2020-12-01 2021-04-09 北京理工大学 一种面向工业设备数据的故障诊断方法及系统
CN113628175B (zh) * 2021-07-22 2024-02-20 上海交通大学 图像质量分数分布的预测方法、系统、终端及介质
CN116401037B (zh) * 2023-06-05 2023-08-22 杭州谐云科技有限公司 一种基于遗传算法的多任务调度方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108414923A (zh) * 2018-02-05 2018-08-17 武汉大学 一种基于深度置信网络特征提取的模拟电路故障诊断方法
CN108536107A (zh) * 2018-05-14 2018-09-14 浙江大学 基于混合型优化参数的群智能寻优故障诊断系统
CN108875772A (zh) * 2018-03-30 2018-11-23 浙江大学 一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法
CN109086817A (zh) * 2018-07-25 2018-12-25 西安工程大学 一种基于深度信念网络的高压断路器故障诊断方法
CN109800875A (zh) * 2019-01-08 2019-05-24 华南理工大学 基于粒子群优化和降噪稀疏编码机的化工故障检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108414923A (zh) * 2018-02-05 2018-08-17 武汉大学 一种基于深度置信网络特征提取的模拟电路故障诊断方法
CN108875772A (zh) * 2018-03-30 2018-11-23 浙江大学 一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法
CN108536107A (zh) * 2018-05-14 2018-09-14 浙江大学 基于混合型优化参数的群智能寻优故障诊断系统
CN109086817A (zh) * 2018-07-25 2018-12-25 西安工程大学 一种基于深度信念网络的高压断路器故障诊断方法
CN109800875A (zh) * 2019-01-08 2019-05-24 华南理工大学 基于粒子群优化和降噪稀疏编码机的化工故障检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于VAE_DBN的故障分类方法在化工过程中的应用;张祥等;《过程工程学报》;20180630;第18卷(第3期);全文 *
基于深度神经网络的复杂化工过程故障检测研究;旷天亮;《中国优秀博硕士学位论文全文数据库（硕士）工程科技Ⅰ辑》;20190115(第12期);全文 *
基于深度置信网络和量子粒子群的矿井通风机故障预测研究;王翠;《中国优秀博硕士学位论文全文数据库（硕士）工程科技Ⅰ辑》;20190215(第02期);全文 *

Also Published As

Publication number Publication date
CN110297480A (zh) 2019-10-01

Similar Documents

Publication Publication Date Title
CN110297480B (zh) 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
Deng et al. Deep principal component analysis based on layerwise feature extraction and its application to nonlinear process monitoring
Wu et al. Process topology convolutional network model for chemical process fault diagnosis
WO2024021246A1 (zh) 基于持续学习的跨设备增量轴承故障诊断方法
Li et al. Data-driven bearing fault identification using improved hidden Markov model and self-organizing map
Yan et al. Deep relevant representation learning for soft sensing
Zheng et al. Ensemble semi-supervised Fisher discriminant analysis model for fault classification in industrial processes
Yu et al. Challenges and opportunities of deep learning-based process fault detection and diagnosis: a review
Deng et al. Integrating feature optimization using a dynamic convolutional neural network for chemical process supervised fault classification
Chen et al. One-dimensional convolutional neural network-based active feature extraction for fault detection and diagnosis of industrial processes and its understanding via visualization
Mabayoje et al. Software defect prediction: effect of feature selection and ensemble methods
CN114139639A (zh) 一种基于自步邻域保持嵌入的故障分类方法
Ren et al. Learnable faster kernel-PCA for nonlinear fault detection: deep autoencoder-based realization
Zhao et al. A capsnet-based fault diagnosis method for a digital twin of a wind turbine gearbox
Xiao et al. Fault diagnosis of unseen modes in chemical processes based on labeling and class progressive adversarial learning
Agarwal et al. Classification of profit-based operating regions for the tennessee eastman process using deep learning methods
Wagner et al. Machine condition monitoring and fault diagnostics with imbalanced data sets based on the KDD process
Liang et al. Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting
Aarti et al. Grey relational classification algorithm for software fault proneness with SOM clustering
Zhao et al. Remaining useful life prediction method based on convolutional neural network and long short-term memory neural network
Zhou et al. Imbalanced Multi-Fault Diagnosis via Improved Localized Feature Selection
Liu et al. Root-cause analysis for time-series anomalies via spatiotemporal graphical modeling in distributed complex systems
Song et al. A Novel Fault Diagnosis Method based on Bayesian Optimized Multi-Scale Convolutional Neural Network in Chemical Processes
Fang et al. Two-stage time-varying hidden conditional random fields with variable selection for process operating mode diagnosis
Kong et al. Deep Probabilistic Principal Component Analysis for Process Monitoring

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
GR01 Patent grant
GR01 Patent grant