一种参数优化的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参数优化的机器学习故障诊断系统，用于对乙烯裂解过程进行故障诊断，它包括数据预处理模块、主成分分析模块、机器学习模块以及群智能算法模块。本发明专利技术对乙烯裂解化工过程的重要参数指标进行故障诊断，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，引入群智能算法模块对支持向量机参数寻优，从而得到参数优化的机器学习故障诊断系统。本发明专利技术在小样本条件下预报效果好且容易找到全局最优解。

A machine learning fault diagnosis system based on Parameter Optimization

The invention discloses a machine learning fault diagnosis system with optimized parameters, which is used for fault diagnosis of ethylene cracking process. The system comprises a data preprocessing module, a principal component analysis module, a machine learning module and a swarm intelligence algorithm module. The invention makes fault diagnosis for the important parameter indexes of ethylene cracking chemical process, overcomes the shortcomings of the existing chemical fault diagnosis techniques and instruments, such as low prediction accuracy and easy to be influenced by human factors, and introduces the swarm intelligence algorithm module to optimize the parameters of support vector machine, thus obtains the machine learning fault diagnosis system of parameter optimization. . The invention has good prediction effect under small sample conditions and is easy to find the global optimal solution.

【技术实现步骤摘要】
一种参数优化的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乙烯裂解过程化工故障诊断系统。
技术介绍
化工几乎己经渗透进人们生活工作的方方面面，也涉及到国家工业、国防、农业等各个领域。化工过程需要保证很高的安全性，因为一旦发生故障，如果诊断不及时，故障无法排除，就会造成严重影响，甚至危害人们的人身财产安全，后果不堪设想。因此，化工过程的故障诊断与监控问题越来越受到人们的重视，国内外的专家、学者们针对这一领域进行了深入的讨论，并取得了迅速发展，获得了大量研宄成果。随着科学技术的不断发展与创新，现代工业过程与机械设备日益趋向自动化、智能化、高速化，结构也愈发复杂，各个系统之间的联系越来越紧密，并且能够在恶劣环境下运行。这些特性都极大的提高了工业过程的生产能力，同时也减少了生产的成本。但是也正是由于过程复杂，一旦发生故障，就会产生连锁反应，造成大面积停工停产，造成巨大的经济损失和人员伤亡。另外，因为控制过程的规模庞大，复杂程度高，使操作人员很难及时发现故障原因并排除故障。因此，如何有效监控过程、及时发现故障、正本文档来自技高网...

【技术保护点】
1.一种参数优化的机器学习故障诊断系统，用于对乙烯裂解过程进行故障诊断，其特征在于，它包括数据预处理模块、主成分分析模块、机器学习模块以及群智能算法模块。

【技术特征摘要】
1.一种参数优化的机器学习故障诊断系统，用于对乙烯裂解过程进行故障诊断，其特征在于，它包括数据预处理模块、主成分分析模块、机器学习模块以及群智能算法模块。2.根据权利要求1所述的参数优化的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乙烯裂解过程的30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,...xi30}。3.根据权利要求1所述的参数优化的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,...xi30}进行主成分分析，保留85％的主要成分。4.根据权利要求1所述的参数优化的机器学习故障诊断系统，其特征在于，所述机器学习模块用于建立诊断系统，提高系统小样本条件下的故障诊断效果，采用支持向量机自主学习模块：其中，J表示目标函数、w表示模块参数、b表示偏执、x表示输入数据、y表示输出数据，下标i表示第i个数据。对于上述公式的求解，引入了拉格朗日乘子αi，定义拉格朗日函数L如下，其中上标T表示矩阵的转置，表示核函数映射：根据KKT条件，将L(w,αi,b)分别对w,b求偏导，可以得到如下公式：该模块采用性能优秀、所需参数少的RBF核函数，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所述的参数优化的机器学习故障诊断系统，其特征在于，所述群智能算法模块结合差分进化算法和粒子群算法优化机器学习模块中的RBF核参数σ，实现具体步骤如下：(1)随机初始化种群，设置种群数量N＝100；设置差分进化算法缩放因子F＝0.7，交叉概率CR＝0.5，差分进化算法最大迭代次数50；设置粒子群学习速度c1＝c2＝2，惯性权重ω＝0.67，粒子群算法最大迭代次数100；设置k＝0,i＝0；(2)根据适应度函数来计算候选粒子种群的适应度值，适应度f(x)函数如下所示；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。(3)根据以下步骤进行差分进化算法变异、交叉、选...

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