CN113688559B - 一种基于改进选择性进化随机网络的海水淡化系统故障诊断方法 - Google Patents
一种基于改进选择性进化随机网络的海水淡化系统故障诊断方法 Download PDFInfo
- Publication number
- CN113688559B CN113688559B CN202110701763.9A CN202110701763A CN113688559B CN 113688559 B CN113688559 B CN 113688559B CN 202110701763 A CN202110701763 A CN 202110701763A CN 113688559 B CN113688559 B CN 113688559B
- Authority
- CN
- China
- Prior art keywords
- network
- fault diagnosis
- pnn
- sea water
- desalination system
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 80
- 239000013535 sea water Substances 0.000 title claims abstract description 54
- 238000010612 desalination reaction Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000013016 learning Effects 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000010276 construction Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000009326 social learning Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000011056 performance test Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000007257 malfunction Effects 0.000 claims 2
- 230000003044 adaptive effect Effects 0.000 abstract description 6
- 238000013461 design Methods 0.000 abstract description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 230000006399 behavior Effects 0.000 description 3
- 239000000498 cooling water Substances 0.000 description 3
- 239000012153 distilled water Substances 0.000 description 3
- 150000003839 salts Chemical class 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000001793 Wilcoxon signed-rank test Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于改进选择性进化随机网络的海水淡化系统故障诊断方法，涉及故障诊断技术领域，包括以下步骤：选取特征差异较大的若干分类数据集作为原始网络(PNN)构建数据集；生成一个初始随机单隐层前馈神经网络；基于PNN构建数据集，采用基于智能PID控制的自适应人类学习优化算法(AHLOPID)优化该网络以获得PNN；将PNN用于具体故障诊断，基于海水淡化系统故障数据利用AHLOPID协同进行实际工作网络优化及特征选择；最终将得到的最优分类器用于实际故障诊断。本发明通过构建PNN提高了故障诊断泛化性能，将AHLOPID用于网络的设计以克服随机前馈神经网络在实际应用中由于随机化带来的不稳定性，从而提高了海水淡化系统故障诊断准确率，保证了系统的稳定运行。
Description
技术领域
本发明涉及故障诊断技术领域，具体涉及一种基于改进选择性进化随机网络的海水淡化系统故障诊断方法。
背景技术
随着远洋船舶技术的发展，其规模和装置逐渐大型化、复杂化，淡水的需求量也随之变大，远洋船舶上越来越多地采用海水淡化系统。海水淡化系统的故障不仅会造成经济损失，还有可能影响船舶的续航，因此对船舶上海水淡化系统的稳定性和可靠性提出了更高的要求，针对海水淡化系统开展故障诊断工作具有重要意义。
随机前馈神经网络(Random Feedforward Neural Network，RFNN)基于随机化的网络训练方法，通过对固定网络配置(例如连接)或网络参数进行随机化操作，能够有效地改善传统基于梯度的神经网络存在的梯度爆炸、收敛速度慢及易陷入局部最优等问题，同时具有良好的逼近能力和泛化学习能力，近年来在分类等问题(如故障诊断)上得到了深入研究与广泛应用。RFNN的输入层权重值和中间层神经元偏置值都是随机产生的，其网络结构一旦确定，只需要训练得到输出层权重值即可确定整个神经网络。其中，随机向量泛函连接网络(Random Vector Functional Link Networks，RVFL)和极限学习机(Extremelearning machine，ELM)是两种典型的随机前馈神经网络，两者区别在于网络结构的输入与输出节点有无直连权值。近年来，由于ELM的应用相对更为广泛，因此本发明的RFNN采用ELM网络结构。然而，RFNN在处理实际故障诊断问题时，一方面，网络的权值和中间层节点的偏置均为随机产生，理论上其需要设置一个足够大的中间层节点数以保证算法性能，但中间层节点数过大会使得算法对计算资源需求增大而影响分类性能；另一方面，故障诊断数据中的冗余和不相关特征会提高信息处理的难度，从而导致故障诊断准确率不理想。
人类学习优化(Human Learning Optimization，HLO)算法是一种实现简单、性能优异的元启发式优化算法，其模拟人类的随机学习行为、个体学习行为和社会学习行为，通过所设计的随机学习算子、个体学习算子和社会学习算子产生新解并于解空间中搜索最优解。在这三种操作算子中，以pr为控制参数的随机学习算子在维持种群多样性和执行局部搜索上发挥了重要作用，直接影响着HLO的探索和开采功能，前期的自适应策略的一般适用性存在不足，因此需要针对参数pr提出通用性更强的自适应策略，这成为亟待了解决的技术问题。
发明内容
为了解决现有技术问题，本发明的目的在于克服已有技术存在的不足，提供一种基于改进选择性进化随机网络的海水淡化系统故障诊断方法，运用基于智能PID控制的自适应人类学习优化算法(Adaptive Human Learning Optimization based onIntelligent PID Control，AHLOPID)实现改进选择性进化随机网络(Improved SelectiveEvolutionary Random Network，ISERN)的设计，从而实现对远洋船舶海水淡化系统的故障诊断。
为达到上述目的，本发明的构思是：
首先运用AHLOPID算法对初始RFNN的结构进行优化以获得原始网络(PrimitiveNeural Network，PNN)，接着将PNN与具体海水淡化系统故障诊断问题结合，采用AHLOPID算法协同进行特征选择和实际工作网络优化，最终将优化获得的最优分类器用于远洋船舶海水淡化系统故障诊断。
根据上述发明构思，本发明采用的技术方案如下：
一种基于改进选择性进化随机网络的海水淡化系统故障诊断方法，包括以下操作步骤：
步骤1：选取特征差异大的若干典型分类数据集并预处理，生成构建原始网络PNN的数据集；
步骤2：生成一个中间层节点数为L的初始随机单隐层前馈神经网络，其输入层节点数由PNN构建数据集中特征数最大的数据集决定，输入层与中间层之间的权值为W＝[w1,...,wL]T，中间层节点的偏置为b＝[b1,...,bL]T；
步骤3：对该初始随机单隐层前馈神经网络输入层与中间层之间的权值W和中间层节点的偏置b编码，基于生成的PNN构建数据集，利用AHLOPID算法寻优，以获得PNN；
步骤4：基于优化出的PNN，结合海水淡化系统故障诊断问题，利用AHLOPID算法协同进行实际工作网络优化及数据的特征选择，将得到的最优分类器用于海水淡化系统的故障诊断。
优选地，在所述步骤1中，生成构建原始网络PNN的数据集的步骤为：
步骤1-1：选定D个典型分类数据集，将所述数据集按特征个数由小到大排列，最大特征数为fD；
步骤1-2：对数据集做归一化处理，并划分训练集、验证集和测试集。
优选地，在所述步骤2中，生成的初始随机单隐层前馈神经网络基于极限学习机的架构，其输入层节点数由在所述步骤1-1中得到的最大特征数的数据集决定。
优选地，在所述步骤3中，AHLOPID算法的为：
(1.1)设置AHLOPID算法基本参数，包括控制器参数、种群规模popSize、最大迭代次数Gmax；
(1.2)随机初始化种群X，计算种群中每个个体的适应度值，初始化个体知识库IKD和社会知识库SKD；
(1.3)根据下式(1)执行学习算子更新种群产生新的候选解：
其中，rand是0到1之间的随机数，pr表示随机学习的概率，(pi-pr)和(1-pi)分别是个体学习和社会学习的概率；Rand(0,1)表示随机生成0或1，ikipj为IKD中对应的第i个体的第j维解，skqj是SKD中对应个体的第j维解；处理单目标优化问题时，p和q均设置为1；
(1.4)计算新候选解的适应度值；
(1.5)更新IKD并判断个体IKD是否执行重新学习操作，若是则清空对应个体的IKD，随机产生新的初始化IKD；
(1.6)更新SKD；
(1.7)每间隔采样周期S根据式(2)和式(3)分别计算反映种群多样性的实际AD值和设定的参考输入值ADr，根据式(4)计算参考输入值和实际值之间的偏差error；
其中，M表示解的长度，N是种群规模，第k个个体的个体最优解代表全局最优解，其中i表示种群中第i个个体，j表示解的第j维；
其中，t是当前迭代次数，ADmax、ADmin分别表示参考输入(ADr)的最大值、最小值。p1和p2是两个转折点，将搜索过程分为三个阶段，p1、p2分别等于tpAD1×Gmax和tpAD2×Gmax，tpAD1和tpAD2表示两个转折率，Gmax是最大迭代次数；
error＝ADr-AD (4)
(1.8)根据式(5)更新pr值；
其中，pr(k)指算法在当前代的pr值，pr(k-1)指上一采样时刻的pr值；error(k)是当前代参考输入ADr与实际AD值之间的偏差，error(k-1)和error(k-2)分别是上一次和上两次采样得到的参考输入ADr与实际AD值之间的偏差，Kp、Ki、Kd分别代表比例、积分、微分系数，两次采样间隔S代；
(1.9)输出最优结果，否则跳转至(1.3)继续执行。
优选地，在所述步骤3中，获得PNN的步骤为：
步骤3-1：根据所述随机前馈神经网络输入层节点数n和中间层节点数L，确定权值W和偏差b的待优化变量个数(n+1)×L，每个变量的取值范围是[-1,1]，采用12bit编码；
步骤3-2：设定AHLOPID算法的种群规模popSize、最大迭代次数Gmax等参数；
步骤3-3：随机初始化种群X，根据每个个体表示的变量得到对应的网络；
步骤3-4：根据构建的网络和式(6)计算对应个体的适应度值：
其中，D是待测数据集的个数，Hacci表示当前数据集在优化网络中的验证集分类准确率，acci表示当前数据集在初始随机网络中的验证集分类准确率。为了保证PNN在处理不同实际分类问题时具有良好的普适性，目标函数还设置了约束条件，如式(7)：
s.t.Hi-Bi≥0,i＝1,2,...,D (7)
所得PNN网络在三个数据集分类准确率(Hi)不能劣于初始基于极限学习机架构的随机网络分类准确率(Bi)；
步骤3-5：根据适应度值初始化个体知识库IKD和社会知识库SKD；
步骤3-6：执行AHLOPID算法的三种学习算子，并更新种群产生新的候选解Xnew：
步骤3-7：计算新候选解的适应度值，并更新IKD、SKD；
步骤3-8：若算法满足终止迭代条件，则输出SKD并构建PNN。
优选地，在所述步骤4中，进行海水淡化系统故障诊断的步骤为：
步骤4-1：采用归一化方法，对海水淡化系统故障诊断数据进行预处理，所有数据划分为训练集、验证集和测试集；
步骤4-2：基于优化出的PNN，结合故障诊断数据确定故障诊断分类器的初始结构；输入层节点数f、中间层节点数L、输入层与中间层之间的权重和中间层节点偏置；优选所述输入层节点数f为PNN中超出f的输入节点屏蔽；
步骤4-3：设定AHLOPID算法的控制参数，包括种群规模popSize、最大迭代次数Gmax；
步骤4-4：随机初始化种群X，海水淡化系统故障诊断数据样本中的总特征个数与PNN的中间层节点数之和为(f+L)，与AHLOPID算法每个个体的长度对应；对前f维来说，bit位等于1表示对应特征被选中，bit位等于0表示对应特征未被选中；对后L维来说，bit位等于1表明对应中间层节点被激活，bit位为0表示该节点未被激活；根据初始个体确定被选中的特征和实际分类器网络结构；
步骤4-5：基于构建的作为分类器的网络和选中的特征进行故障诊断，以验证集分类准确率为适应度指标，计算得到相应个体的适应度值，初始化IKD和SKD；
步骤4-6：执行AHLOPID算法的学习算子，产生新一代解Xnew；
步骤4-7：由Xnew每个个体得到优化后的选中的特征和中间层的工作节点，从而得到新特征以及作为分类器的网络结构，进行故障诊断，计算对应个体的适应度值并更新IKD、SKD；
步骤4-8：判断AHLOPID算法是否满足迭代终止条件，若满足条件则停止搜索，根据最优解输出被选中特征及其对应的最优分类器；否则跳转所述步骤4-6继续搜索；
步骤4-9：基于最优特征子集和最优分类器采用海水淡化系统故障诊断测试集数据进行性能测试评价，输出测试集的故障诊断结果。
本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著优点：
1.本发明为HLO算法的控制参数pr引入了PID控制自适应策略，提出了AHLOPID算法，AHLOPID算法根据种群多样性信息实现参数pr的自适应更新，从而实现动态调整随机学习算子的探索和开采功能，提高了算法的全局优化能力，有利于算法更好地优化网络结构并构建分类器；
2.本发明受生物大脑广泛存在的天生网络结构这一实际启发，基于AHLOPID算法首先对随机前馈神经网络的结构针对分类问题进行一般性结构优化以获得良好特性的原始网络(PNN)，比起完全随机的网络，基于PNN处理分类问题时更具有优势；
3.本发明针对随机前馈神经网络因随机性引起的性能下降以及故障诊断数据中存在的冗余和不相关特征，基于PNN针对实际海水淡化系统故障诊断问题协同进行数据的特征选择和网络中间层节点优化，得到具有优秀分类性能的分类器并用于远洋船舶海水淡化系统的故障诊断，提高了故障诊断准确率，有利于保证远洋船舶的稳定运行，具有良好的实际应用前景。
附图说明
图1为本发明方法的流程图。
图2为本发明优选实施例中的AHLOPID算法流程图。
图3为本发明优选实施例中的PNN优化设计流程图。
图4为本发明优选实施例中的ISERN优化设计原理图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。下面的实施例可以使专业技术人员更全面的理解本发明，但并不因此将本发明限制在所述的实施例范围中。
以下结合具体的实施例子对上述方案做进一步说明，本发明的优选实施例详述如下：
实施例一：
在本实施例中，参见图1，一种基于改进选择性进化随机网络的海水淡化系统故障诊断方法，包括以下操作步骤：
步骤1：选取特征差异大的若干典型分类数据集并预处理，生成构建原始网络PNN的数据集；
步骤2：生成一个中间层节点数为L的初始随机单隐层前馈神经网络，其输入层节点数由PNN构建数据集中特征数最大的数据集决定，输入层与中间层之间的权值为W＝[w1,...,wL]T，中间层节点的偏置为b＝[b1,...,bL]T；
步骤3：对该初始随机单隐层前馈神经网络输入层与中间层之间的权值W和中间层节点的偏置b编码，基于生成的PNN构建数据集，利用AHLOPID算法寻优，以获得PNN；
步骤4：基于优化出的PNN，结合海水淡化系统故障诊断问题，利用AHLOPID算法协同进行实际工作网络优化及数据的特征选择，将得到的最优分类器用于海水淡化系统的故障诊断。
本实施例方法运用自适应人类学习优化算法实现改进选择性进化随机网络的设计，从而实现对远洋船舶海水淡化系统的故障诊断。
实施例二：
本实施例与实施例一基本相同，特别之处在于：
在本实施例中，如图1所示，一种基于改进选择性进化随机网络的故障诊断方法，其步骤如下：
首先选取特征差异较大的若干分类数据集作为PNN构建数据集；生成一个初始随机单隐层前馈神经网络；基于PNN构建数据集，采用AHLOPID算法优化该网络以获得PNN；将PNN用于具体故障诊断，基于海水淡化系统故障数据利用AHLOPID算法协同进行实际工作网络优化及特征选择；最终将得到的最优分类器用于实际海水淡化系统故障诊断；AHLOPID算法如图2所示，其具体步骤如下：
(1.1)设置AHLOPID算法基本参数，包括控制器参数、种群规模popSize、最大迭代次数Gmax；
(1.2)随机初始化种群X，计算种群中每个个体的适应度值，初始化个体知识库IKD和社会知识库SKD；
(1.3)根据式(1)执行学习算子更新种群产生新的候选解：
其中，rand是0到1之间的随机数，pr表示随机学习的概率，(pi-pr)和(1-pi)分别是个体学习和社会学习的概率；Rand(0,1)表示随机生成0或1，ikipj为IKD中对应的第i个体的第j维解，skqj是SKD中对应个体的第j维解；处理单目标优化问题时，p和q均设置为1；
(1.4)计算新候选解的适应度值；
(1.5)更新IKD并判断个体IKD是否执行重新学习操作，若是则清空对应个体的IKD，随机产生新的初始化IKD；
(1.6)更新SKD；
(1.7)每间隔采样周期S根据式(2)和式(3)分别计算反映种群多样性的实际AD值和设定的参考输入值ADr，根据式(4)计算参考输入值和实际值之间的偏差error；
其中，M表示解的长度，N是种群规模，第k个个体的个体最优解代表全局最优解；其中i表示种群中第i个个体，j表示解的第j维；
其中，t是当前迭代次数，ADmax、ADmin分别表示参考输入(ADr)的最大值、最小值；p1和p2是两个转折点，将搜索过程分为三个阶段，p1、p2分别等于tpAD1×Gmax和tpAD2×Gmax，tpAD1和tpAD2表示两个转折率，Gmax是最大迭代次数；
error＝ADr-AD (4)
(1.8)根据式(5)更新pr值；
其中，pr(k)指算法在当前代的pr值，pr(k-1)指上一采样时刻的pr值；error(k)是当前代参考输入ADr与实际AD值之间的偏差，error(k-1)和error(k-2)分别是上一次和上两次采样得到的参考输入ADr与实际AD值之间的偏差，Kp、Ki、Kd分别代表比例、积分、微分系数，两次采样间隔S代；
(1.9)输出最优结果，否则跳转至(1.3)继续执行；
一种基于改进选择性进化随机网络的故障诊断方法，其具体内容如下：
步骤1：选取特征差异较大的若干典型分类数据集并预处理，生成PNN构建数据集：
步骤1-1：选定D个典型分类数据集，将所述数据集按特征个数由小到大排列，最大特征数为fD；
本实施例选定3个典型分类数据集SEEDS、URBAN1和LSVT，均来自UCI标准数据集，其特征个数分别为7、147和310；
步骤1-2：对数据集做归一化处理，并划分训练集、验证集和测试集；
步骤2：生成一个中间层节点数为L的初始随机单隐层前馈神经网络，其输入层节点数由PNN构建数据集中特征数最大的数据集决定，输入层与中间层之间的权值为W＝[w1,...,wL]T，中间层节点的偏置为b＝[b1,...,bL]T；
本实施例中，生成的随机单隐层前馈神经网络基于极限学习机的架构，其输入层节点数为310、中间层节点数设置为100；
步骤3：对该随机单隐层前馈神经网络输入层与中间层之间的权值W和中间层节点的偏置b编码，利用AHLOPID算法寻优以获得原始网络(PNN)，如图3所示，其具体步骤如下；
步骤3-1：根据所述随机前馈神经网络输入层节点数n和中间层节点数L可确定权值W和偏差b的待优化变量个数(n+1)×L，每个变量的取值范围是[-1,1]，采用12bit编码；
本实施例中，待优化变量共31100个，采用12bit编码，故解的长度为373200；
步骤3-2：设定AHLOPID算法的种群规模popSize、最大迭代次数Gmax等参数；
本实施例中，设定AHLOPID算法的控制器参数Kp为0.397、Ki为0.009、Kd为0.013、采样周期S为31、参考输入ADmax为0.407、ADmin为0.049、tpAD1为0.071、tpAD2为0.379、种群规模popSize为20、最大迭代次数Gmax为600；
步骤3-3：随机初始化种群X，根据每个个体表示的变量得到对应的网络；
本实施例中，根据种群中每个个体所表示的变量可确定对应输入层节点数为n、中间层节点数为L的网络的权值W和偏差b；
步骤3-4：根据构建的网络和式(6)计算对应个体的适应度值：
其中，D是待测数据集的个数，Hacci表示当前数据集在优化网络中的验证集分类准确率，acci表示当前数据集在初始随机网络中的验证集分类准确率；同时，为了保证PNN在处理该类型不同实际问题时具有良好的普适性，目标函数还设置了约束条件，如式(7)：
s.t.Hi-Bi≥0,i＝1,2,...,D (7)
即所得PNN网络在三个数据集分类准确率(Hi)不能劣于极限学习机的分类准确率(Bi)；
步骤3-5：根据适应度值初始化个体知识库IKD和社会知识库SKD；
步骤3-6：执行AHLOPID算法的三种学习算子并更新种群产生新的候选解Xnew：
步骤3-7：计算新候选解的适应度值并更新IKD、SKD；
步骤3-8：若算法满足终止迭代条件则输出SKD并构建PNN；
步骤4：基于优化出的PNN，结合海水淡化系统故障诊断问题，进一步利用AHLOPID算法协同进行实际工作网络优化及数据的特征选择，将得到的最优分类器用于海水淡化系统的故障诊断，其具体步骤如下：
步骤4-1：采用归一化方式对海水淡化系统故障诊断数据进行预处理，所有数据划分为训练集、验证集和测试集；
步骤4-2：基于优化出的PNN，结合故障诊断数据确定故障诊断分类器的初始结构，如输入层节点数f(PNN中超出f的输入节点直接删除)、中间层节点数L、输入层与中间层之间的权重和中间层节点偏置；
步骤4-3：设定AHLOPID算法的控制参数，包括种群规模popSize、最大迭代次数Gmax等；
步骤4-4：随机初始化种群X，海水淡化系统故障诊断数据样本中的总特征个数与PNN的中间层节点数之和为(f+L)，与AHLOPID算法每个个体的长度对应；对前f维来说，bit位等于1表示对应特征被选中，bit位等于0表示对应特征未被选中；对后L维来说，bit位等于1表明对应中间层节点被激活，bit位为0表示该节点未被激活；根据初始个体确定被选中的特征和实际分类器网络结构；
步骤4-5：基于构建的网络(作为分类器)和选中的特征进行故障诊断，以验证集分类准确率为适应度指标，计算得到相应个体的适应度值，初始化IKD和SKD；
步骤4-6：执行AHLOPID算法的学习算子，产生新一代解Xnew；
步骤4-7：由Xnew每个个体得到优化后的选中的特征和中间层的工作节点，从而得到新特征以及网络结构(作为分类器)，进行故障诊断，计算对应个体的适应度值并更新IKD、SKD；
步骤4-8：判断AHLOPID算法是否满足迭代终止条件，若满足条件则停止搜索，根据最优解输出被选中特征及其对应的最优分类器；否则跳转步骤4-6继续搜索。
步骤4-9：基于最优特征子集和最优分类器采用海水淡化系统故障诊断测试集数据进行性能测试评价，输出测试集的故障诊断结果。
本实施例中，ISERN优化设计原理图如图4所示，其中输入层与中间层之间的实线表示与被选择特征所对应的输入层节点与中间层的连接(对应bit值为1)，虚线表示未被选择特征所对应的未参与工作的输入层和中间层之间的连接(对应bit值为0)，与输入层有连接的中间层节点表示被激活并参与网络工作(对应bit值为1)；无连接的中间层灰色节点表示其未被激活(对应bit值为0)。
本实施例中，对某远洋船舶海水淡化系统监测采集温度、压力等22个信号，包括：第一级冷却水出口温度、第五级冷却水出口温度、第一级闪发温度、第五级闪发温度、海水进口温度、排盐温度、最高盐水温度、加热蒸汽温度、工作蒸汽温度、蒸馏水出口温度、冷却水进口温度、第一级闪发压力、第五级闪发压力、蒸馏水泵出口压力、循环水泵出口压力、海水进口压力、排盐水出口压力、工作蒸汽压力、循环水流量、蒸馏水量、盐度、总电流；对各状态类型对应编号，以便开展故障诊断工作，具体如表1所示；
表1状态类型与编号
本实施例中，输入层节点数f为22、中间层节点数L为100，解的长度为122；设定AHLOPID算法的控制器参数Kp为0.397、Ki为0.009、Kd为0.013、采样周期S为31、参考输入ADmax为0.407、ADmin为0.049、tpAD1为0.071、tpAD2为0.379、种群规模popSize为20、最大迭代次数Gmax为40；为验证对比ISERN方法的故障诊断性能，将其与没有特征选择机制的变型方法ISERN1、没有PNN机制的变型方法ISERN2、基于特征选择的极限学习机ELM-FS和基本ELM进行对比，其参数设置同表2，每个方法均独立运行20次。
表2各方法参数设置
本实施例中某远洋船舶海水淡化系统故障诊断结果如表3所示，包括测试集分类准确率、故障诊断特征数、测试集分类准确率的排名、各方法在测试集上的威尔科克森符号秩检验(Wilcoxon Signed-rank Test，W-test)统计结果，其中故障诊断特征数为区分结果差异，带有特征选择策略的方法中特征数保留平均值小数点后一位，其中“1”表示方法的优化结果显著优于对比方法，“-1”表示显著劣于对比方法，“0”表示两者的结果之间不存在显著差异。
表3故障诊断整体分类准确率
故障诊断结果表明：
(1)ISERN方法在所有方法中的故障诊断准确率最高，体现出ISERN方法性能优异；各个方法在海水淡化系统故障诊断问题上的性能排序为：ISERN、ISERN1、ISERN2、ELM-FS、SERN、ELM，与上一节中标准数据集测试的结论一致；
(2)ISERN和ISERN1方法的测试集准确率比其他方法高，统计结果显示这两种方法性能优势显著，说明优化出的PNN结构有效；
(3)ISERN、ISERN2和ELM-FS分别对应优于ISERN1、SERN与ELM，体现了特征选择的优势。
对海水淡化系统来说，不同故障对系统的影响存在差异，表4列出了海水淡化系统各个故障的诊断结果，包括准确率、误报率和漏报率，可以看出ISERN方法进行故障诊断时，各个故障的分类准确率都保持在较高水平，相比其它方法展现出了更强的稳定性。
表4各状态故障诊断结果
本实施例为HLO算法的控制参数pr引入了PID控制自适应策略，提出了AHLOPID算法，AHLOPID算法根据种群多样性信息实现参数pr的自适应更新，从而实现动态调整随机学习算子的探索和开采功能，提高了算法的全局优化能力，有利于算法更好地优化网络结构并构建分类器。
综上所述，一种基于改进选择性进化随机网络的海水淡化系统故障诊断方法，涉及故障诊断技术领域，上述实施例方法包括以下步骤：选取特征差异较大的若干分类数据集作为原始网络(PNN)构建数据集；生成一个初始随机单隐层前馈神经网络；基于PNN构建数据集，采用基于智能PID控制的自适应人类学习优化算法(AHLOPID)优化该网络以获得PNN；将PNN用于具体故障诊断，基于海水淡化系统故障数据利用AHLOPID协同进行实际工作网络优化及特征选择；最终将得到的最优分类器用于实际故障诊断。上述实施例通过构建PNN提高了故障诊断泛化性能，将AHLOPID用于网络的设计以克服随机前馈神经网络在实际应用中由于随机化带来的不稳定性，从而提高了海水淡化系统故障诊断准确率，保证了系统的稳定运行。
上面对本发明实施例结合附图进行了说明，但本发明不限于上述实施例，还可以根据本发明的发明创造的目的做出多种变化，凡依据本发明技术方案的精神实质和原理下做的改变、修饰、替代、组合或简化，均应为等效的置换方式，只要符合本发明的发明目的，只要不背离本发明的技术原理和发明构思，都属于本发明的保护范围。
Claims (5)
1.一种基于改进选择性进化随机网络的海水淡化系统故障诊断方法，其特征在于，包括以下操作步骤：
步骤1：选取特征差异大的若干典型分类数据集并预处理，生成构建原始网络PNN的数据集；
步骤2：生成一个中间层节点数为L的初始随机单隐层前馈神经网络，其输入层节点数由PNN构建数据集中特征数最大的数据集决定，输入层与中间层之间的权值为W＝[w1,…,wL]T，中间层节点的偏置为b＝[b1,…,bL]T；
步骤3：对该初始随机单隐层前馈神经网络输入层与中间层之间的权值W和中间层节点的偏置b编码，基于生成的PNN构建数据集，利用AHLOPID算法寻优，以获得PNN；
步骤4：基于优化出的PNN，结合海水淡化系统故障诊断问题，利用AHLOPID算法协同进行实际工作网络优化及数据的特征选择，将得到的最优分类器用于海水淡化系统的故障诊断；
AHLOPID算法为：
(1.1)设置AHLOPID算法基本参数，包括控制器参数、种群规模popSize、最大迭代次数Gmax；
(1.2)随机初始化种群X，计算种群中每个个体的适应度值，初始化个体知识库IKD和社会知识库SKD；
(1.3)根据下式(1)执行学习算子更新种群产生新的候选解：
其中，rand是0到1之间的随机数，pr表示随机学习的概率，(pi-pr)和(1-pi)分别是个体学习和社会学习的概率；Rand(0,1)表示随机生成0或1，ikipj为IKD中对应的第i个体的第j维解，skqj是SKD中对应个体的第j维解；处理单目标优化问题时，p和q均设置为1；
(1.4)计算新候选解的适应度值；
(1.5)更新IKD并判断个体IKD是否执行重新学习操作，若是则清空对应个体的IKD，随机产生新的初始化IKD；
(1.6)更新SKD；
(1.7)每间隔采样周期S根据式(2)和式(3)分别计算反映种群多样性的实际AD值和设定的参考输入值ADr，根据式(4)计算参考输入值和实际值之间的偏差error；
其中，M表示解的长度，N是种群规模，第k个个体的个体最优解代表全局最优解，其中i表示种群中第i个个体，j表示解的第j维；
其中，t是当前迭代次数，ADmax、ADmin分别表示参考输入(ADr)的最大值、最小值；p1和p2是两个转折点，将搜索过程分为三个阶段，p1、p2分别等于tpAD1×Gmax和tpAD2×Gmax，tpAD1和tpAD2表示两个转折率，Gmax是最大迭代次数；
error＝ADr-AD (4)
(1.8)根据式(5)更新pr值；
其中，pr(k)指算法在当前代的pr值，pr(k-1)指上一采样时刻的pr值；error(k)是当前代参考输入ADr与实际AD值之间的偏差，error(k-1)和error(k-2)分别是上一次和上两次采样得到的参考输入ADr与实际AD值之间的偏差，Kp、Ki、Kd分别代表比例、积分、微分系数，两次采样间隔S代；
(1.9)输出最优结果，否则跳转至(1.3)继续执行。
2.根据权利要求1所述的基于改进选择性进化随机网络的海水淡化系统故障诊断方法，其特征在于，在所述步骤1中，生成构建原始网络PNN的数据集的步骤为：
步骤1-1：选定D个典型分类数据集，将所述数据集按特征个数由小到大排列，最大特征数为fD；
步骤1-2：对数据集做归一化处理，并划分训练集、验证集和测试集。
3.根据权利要求2所述的基于改进选择性进化随机网络的海水淡化系统故障诊断方法，其特征在于，在所述步骤2中，生成的初始随机单隐层前馈神经网络基于极限学习机的架构，其输入层节点数由在所述步骤1-1中得到的最大特征数的数据集决定。
4.根据权利要求1所述的基于改进选择性进化随机网络的海水淡化系统故障诊断方法，其特征在于，在所述步骤3中，获得PNN的步骤为：
步骤3-1：根据所述随机单隐层前馈神经网络输入层节点数n和中间层节点数L，确定权值W和偏差b的待优化变量个数(n+1)×L，每个变量的取值范围是[-1,1]，采用12bit编码；
步骤3-2：设定AHLOPID算法的种群规模popSize、最大迭代次数Gmax等参数；
步骤3-3：随机初始化种群X，根据每个个体表示的变量得到对应的网络；
步骤3-4：根据构建的网络和式(6)计算对应个体的适应度值：
其中，D是待测数据集的个数，Hacci表示当前数据集在优化网络中的验证集分类准确率，acci表示当前数据集在初始随机网络中的验证集分类准确率；为了保证PNN在处理不同实际分类问题时具有良好的普适性，目标函数还设置了约束条件，如式(7)：
s.t.Hi-Bi≥0, i＝1, 2, …, D (7)
所得PNN网络在三个数据集分类准确率Hi不能劣于初始基于极限学习机架构的随机网络分类准确率Bi；
步骤3-5：根据适应度值初始化个体知识库IKD和社会知识库SKD；
步骤3-6：执行AHLOPID算法的三种学习算子，并更新种群产生新的候选解Xnew：
步骤3-7：计算新候选解的适应度值，并更新IKD、SKD；
步骤3-8：若算法满足终止迭代条件，则输出SKD并构建PNN。
5.根据权利要求1所述的基于改进选择性进化随机网络的海水淡化系统故障诊断方法，其特征在于，在所述步骤4中，进行海水淡化系统故障诊断的步骤为：
步骤4-1：采用归一化方法，对海水淡化系统故障诊断数据进行预处理，所有数据划分为训练集、验证集和测试集；
步骤4-2：基于优化出的PNN，结合故障诊断数据确定故障诊断分类器的初始结构；输入层节点数f、中间层节点数L、输入层与中间层之间的权重和中间层节点偏置；
步骤4-3：设定AHLOPID算法的控制参数，包括种群规模popSize、最大迭代次数Gmax；
步骤4-4：随机初始化种群X，海水淡化系统故障诊断数据样本中的总特征个数与PNN的中间层节点数之和为(f+L)，与AHLOPID算法每个个体的长度对应；对前f维来说，bit位等于1表示对应特征被选中，bit位等于0表示对应特征未被选中；对后L维来说，bit位等于1表明对应中间层节点被激活，bit位为0表示该节点未被激活；根据初始个体确定被选中的特征和实际分类器网络结构；
步骤4-5：基于构建的网络和选中的特征进行故障诊断，以验证集分类准确率为适应度指标，计算得到相应个体的适应度值，初始化IKD和SKD；
步骤4-6：执行AHLOPID算法的学习算子，产生新一代解Xnew；
步骤4-7：由Xnew每个个体得到优化后的选中的特征和中间层的工作节点，从而得到新特征以及网络结构，进行故障诊断，计算对应个体的适应度值并更新IKD、SKD；
步骤4-8：判断AHLOPID算法是否满足迭代终止条件，若满足条件则停止搜索，根据最优解输出被选中特征及其对应的最优分类器；否则跳转所述步骤4-6继续搜索；
步骤4-9：基于最优特征子集和最优分类器采用海水淡化系统故障诊断测试集数据进行性能测试评价，输出测试集的故障诊断结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110701763.9A CN113688559B (zh) | 2021-06-24 | 2021-06-24 | 一种基于改进选择性进化随机网络的海水淡化系统故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110701763.9A CN113688559B (zh) | 2021-06-24 | 2021-06-24 | 一种基于改进选择性进化随机网络的海水淡化系统故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113688559A CN113688559A (zh) | 2021-11-23 |
| CN113688559B true CN113688559B (zh) | 2023-11-17 |
Family
ID=78576534
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110701763.9A Active CN113688559B (zh) | 2021-06-24 | 2021-06-24 | 一种基于改进选择性进化随机网络的海水淡化系统故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113688559B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106628097A (zh) * | 2016-11-22 | 2017-05-10 | 南京航空航天大学 | 一种基于改进径向基神经网络的船舶设备故障诊断方法 |
| CN109242204A (zh) * | 2018-09-30 | 2019-01-18 | 淮阴工学院 | 基于最优vmd与同步优化的超短期风速预测方法 |
| CN110363277A (zh) * | 2019-07-15 | 2019-10-22 | 南京工业大学 | 基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2275946A1 (en) * | 2005-03-04 | 2011-01-19 | STMicroelectronics S.r.l. | Probabilistic neural network and relative training method |
| CN109933881A (zh) * | 2019-03-06 | 2019-06-25 | 武汉大学 | 一种基于优化深度信念网络的电力电子电路故障诊断方法 |
-
2021
- 2021-06-24 CN CN202110701763.9A patent/CN113688559B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106628097A (zh) * | 2016-11-22 | 2017-05-10 | 南京航空航天大学 | 一种基于改进径向基神经网络的船舶设备故障诊断方法 |
| CN109242204A (zh) * | 2018-09-30 | 2019-01-18 | 淮阴工学院 | 基于最优vmd与同步优化的超短期风速预测方法 |
| CN110363277A (zh) * | 2019-07-15 | 2019-10-22 | 南京工业大学 | 基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于狼群算法的RBF神经网络模拟电路故障诊断;颜学龙;丁鹏;马峻;计算机工程与应用;第53卷(第19期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113688559A (zh) | 2021-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Binary differential evolution with self-learning for multi-objective feature selection | |
| US20210390416A1 (en) | Variable parameter probability for machine-learning model generation and training | |
| US20200210847A1 (en) | Ensembling of neural network models | |
| CN111860982B (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| US11074503B2 (en) | Execution of a genetic algorithm having variable epoch size with selective execution of a training algorithm | |
| Cantú-Paz et al. | An empirical comparison of combinations of evolutionary algorithms and neural networks for classification problems | |
| Drown et al. | Evolutionary sampling and software quality modeling of high-assurance systems | |
| CN111241466A (zh) | 一种基于深度学习的船舶流量预测方法 | |
| CN116759100B (zh) | 基于联邦学习构建慢性心血管疾病大模型方法 | |
| CN110363230A (zh) | 基于加权基分类器的stacking集成污水处理故障诊断方法 | |
| Zhao et al. | The structure optimization of radial basis probabilistic neural networks based on genetic algorithms | |
| Seo et al. | Reliable knowledge graph path representation learning | |
| CN115952456A (zh) | 故障诊断模型的确定方法、系统、程序产品及存储介质 | |
| Zhao et al. | A hybrid learning method for constructing compact rule-based fuzzy models | |
| CN111126560A (zh) | 一种基于云遗传算法优化bp神经网络的方法 | |
| Ordóñez et al. | Genetic Approach for Optimizing Ensembles of Classifiers. | |
| CN113688559B (zh) | 一种基于改进选择性进化随机网络的海水淡化系统故障诊断方法 | |
| CN117709010A (zh) | 基于ocssa-bp神经网络的变压器绝缘油溶解气体分析方法 | |
| CN116306226B (zh) | 一种燃料电池性能退化预测方法 | |
| CN116522194A (zh) | 一种基于和声搜索-Stacking的分类方法 | |
| CN116305939A (zh) | 陆地生态系统碳水通量高精度反演方法、系统及电子设备 | |
| Feng et al. | Web service QoS classification based on optimized convolutional neural network | |
| CN112132259B (zh) | 神经网络模型输入参量降维方法及计算机可读存储介质 | |
| Liu et al. | Evolutionary Large-Scale Multiobjective Optimization via Autoencoder-Based Problem Transformation | |
| CN110739030B (zh) | 一种乙烯生产过程小样本的软测量方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |