一种改进的群智能机器学习故障诊断系统技术方案

本发明专利技术公开了一种改进的群智能机器学习故障诊断系统，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、加权最小二乘支持向量机模块以及粒子群算法模块。本发明专利技术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测，克服已有的化工故障诊断技术仪表预报精度不高、易受人为因素影响的不足，引入粒子群算法模块对加权最小二乘支持向量机参数进行自动优化，不需要人为经验或多次测试来调整系统参数，从而得到具有最优的粒子群算法加权最小二乘支持向量机田纳西伊斯曼化工故障诊断系统。此故障诊断系统预报的鲁棒性好，系统参数少，十分简便。

An improved swarm intelligence machine learning fault diagnosis system

The invention discloses an improved swarm intelligence machine learning fault diagnosis system for fault diagnosis of Tennessee Eastman process, including data preprocessing module, principal component analysis module, weighted least squares support vector machine module and particle swarm optimization algorithm module. The invention carries out fault diagnosis and prediction for the important parameter indexes of Tennessee Eastman chemical process, overcomes the shortcomings of the existing chemical fault diagnosis technology instrumentation, such as low prediction accuracy and easy to be affected by human factors, and introduces the particle swarm optimization module to automatically optimize the parameters of weighted least squares support vector machine without human intervention. Experience or multiple tests were conducted to adjust the system parameters to obtain the Tennessee Eastman Chemical Fault Diagnosis System with the best particle swarm optimization algorithm weighted least squares support vector machine. The fault diagnosis system has good robustness and few parameters.

【技术实现步骤摘要】
一种改进的群智能机器学习故障诊断系统
本专利技术涉及故障诊断领域、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。
技术介绍
化工故障诊断一直是化工领域中的重点和难点，化工过程中包含了大量的工艺变量，导致传统的化工故障诊断技术越来越无法满足化工过程故障诊断的要求。计算机在现代工业化管理中的出现，大大地提高了生产效率，降低了生产成本，为企业和国家都带来了巨大的经济效益。但是，化工工业过程系统结构复杂，系统内部各个部分之间相互耦合，某一部分发生故障就很有可能引起链式反应，导致整个系统无法正常运行。在化工生产过程中，如果不能及时地排除故障，就有可能引发灾难性事件。如1984年，墨西哥一家炼油厂发生石油气爆炸，导致7000多人受伤，500多人死亡。同年，印度博帕尔的美国联合碳化物公司的一家农药厂发生了将近45万吨的甲基异氰酸酯泄露，导致近4万人受伤，2374人死亡。因此，如何高效地监控化工过程、及时地诊断出故障并确定故障原因是当今面临的热点和难点，提升生产过程中的状态监控技术和故障诊断能力具有重要的现实意义。加权最小二乘支持向量机是一种监督式机器学习方法，具备完整的统计学习理论基础，在数字识别、人脸识别等领域中表现出很多特有的优势，适合于小样本和非线性高维数据，可以进行数据分析、模式识别和分类回归。
技术实现思路
为了克服目前已有的故障诊断技术的预报精度不高、易受人为因素影响的不足，本专利技术的目的在于提供一种鲁棒性高、参数少、十分简便的群智能机器学习故障诊断系统。本专利技术解决其技术问题所采用的技术方案是：一种改进的群智能机器学习故障诊断系统，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、加权最小二乘支持向量机模块以及粒子群算法模块。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。加权最小二乘支持向量机模块：用于建立诊断系统，由支持向量机进行改进，引入权重系数：通过误差函数最小化来完成输入到输出的一种高度非线性映射，映射中保持拓扑不变性。其中J表示目标函数、w表示惯性权重、ξ表示误差、C表示惩罚因子、u表示权重系数、表示核函数映射、b表示偏执、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。该模块采用性能优秀、所需参数少的RBF核函数K，函数如下：其中，K是核函数，表示输入数据的平均值，σ表示核参数。粒子群算法模块：用于优化加权最小二乘支持向量机模块的RBF核参数σ和惩罚因子C。粒子群算法的具体步骤如下：(1)种群初始化：在D维问题解空间随机产生N个粒子的位置li＝(li1,li2,...liD)，和速度vi＝(vi1,vi2,...viD)，i＝1,2,…,N，设置粒子学习速率c1＝c2＝2，设置惯性权重最大值与最小值wmax＝0.8，wmin＝0.2，设置种群数量N＝20，设置最大迭代次数itermax＝100。同时，设置迭代次数k＝1；(2)更新粒子：根据公式(4)更新粒子的速度和位置；其中，vi(k)是粒子i在第k次迭代时的速度，li(k)是粒子i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。(3)更新Pbest：比较某个粒子的适应度值与其个体最优解Pbest，如果适应度值优于Pbest，则用该粒子当前的位置作为Pbest，其中适应度值f(x)采用如下公式进行计算；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。(4)更新gbest：比较所有粒子的适应度值与种群的全局最优解gbest，选择最优适应度值的粒子的位置作为gbest；(5)终止条件判断：判断迭代次数是否达到设定值或者精度是否小于0.001，若达到，迭代终止，若没有达到，转向(2)继续迭代；迭代终止时的RBF核参数σ和惩罚因子C即为加权最小二乘支持向量机的最优参数。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。本专利技术的有益效果主要表现在：本专利技术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测，克服已有的化工故障诊断技术仪表预报精度不高、易受人为因素影响的不足，引入粒子群算法模块对加权最小二乘支持向量机参数进行自动优化，不需要人为经验或多次测试来调整系统参数，从而得到具有最优的粒子群算法加权最小二乘支持向量机田纳西伊斯曼化工故障诊断系统。此故障诊断系统预报的鲁棒性好，系统参数少，十分简便。附图说明图1是一种改进的群智能机器学习故障诊断系统结构示意图；图2是群智能优化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专利技术。参照图1，一种改进的群智能机器学习故障诊断系统，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与群智能优化诊断系统5的输入端连接，所述基于群智能优化诊断系统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42D进料速率17汽提塔塔底流量(流管11)43E进料速率18汽提塔温度44A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反应堆冷本文档来自技高网...

【技术保护点】
1.一种改进的群智能机器学习故障诊断系统，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、加权最小二乘支持向量机模块和粒子群算法模块。

【技术特征摘要】
1.一种改进的群智能机器学习故障诊断系统，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、加权最小二乘支持向量机模块和粒子群算法模块。2.根据权利要求1所述改进的群智能机器学习故障诊断系统，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所述改进的群智能机器学习故障诊断系统，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所述改进的群智能机器学习故障诊断系统，其特征在于，所述加权最小二乘支持向量机模块用于建立诊断系统，由支持向量机进行改进，引入权重系数：通过误差函数最小化来完成输入到输出的一种高度非线性映射，映射中保持拓扑不变性。其中J表示目标函数、w表示惯性权重、ξ表示误差、C表示惩罚因子、u表示权重系数、表示核函数映射、b表示偏执、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。该模块采用性能优秀、所需参数少的RBF核函数K，函数如下：其中，K是核函数，表示输入数据的平均值，σ表示核参数。5.根据权利要求1所述改进的群智能机器学习故障诊断系统，其特征在于，所述粒子群算法模块用于优化加权最小二乘支...

【专利技术属性】
技术研发人员：刘兴高，何世明，徐志鹏，张泽银，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33