一种基于新型fde-elm和时延efsm的非线性过程工业故障预测方法

文档序号:6307771阅读:343来源:国知局
一种基于新型fde-elm和时延efsm的非线性过程工业故障预测方法
【专利摘要】本发明提供了一种用于非线性过程工业的故障预测和推理方法,所述方法包括:数据预处理过程,时延扩展有限状态机EFSM模型构建过程,基于反馈差分优化极限学习机FDE-ELM的变量预测过程和基于时延EFSM的故障推理过程:该发明具有建模稳定性高、故障预测精度高、算法复杂度低、故障推理自动化,推理过程可视化等优点,为保证过程工业的安全性、保障财产和人员的安全、节约硬件成本提供了帮助。
【专利说明】-种基于新型FDE-ELM和时延EFSM的非线性过程工业故障 预测方法

【技术领域】
[0001] 本发明W非线性过程工业系统为对象,W提高建模稳定性和故障预测精度为目 标,提出了一种包括复杂过程工业数据预处理技术、反馈差分优化极限学习机(Fee化ack Differential Evolution Optimized Extreme Learning Machine,FDE-ELM)技术,W及时 延扩展有限状态机巧xtended Finite State Machine, EFSM)技术的工业故障预测方法。

【背景技术】
[0002] 过程工业包括石化、冶金、造纸等是我国的基础产业,它设及到国民生活的方方面 面。过程工业具备生产规模大、工艺复杂、过程非线性、危险系数高等特点,因而成为了故障 预测和诊断的一个重要研究领域。近些年来我国相关行业事故频发,其中在化工行业情况 尤为严峻,2013年青岛石化爆炸造成62人死亡、136人受伤,该使得加强过程生产过程的安 全保障变得迫在眉睫。为了预防此类事故的发生造成严重后果,高精度的故障预测和诊断 是一种有效的规避故障方法。因此,研究提高非线性过程工业故障预测和故障诊断精度和 模型稳定性,具有重要的理论意义和实用价值。
[0003] 人工神经网络是一种仿生物结构形成的数学模型,能够根据提供的数据,通过训 练和学习找到数据中的内在联系,从而搭建出目标对象的数学模型。该方法是一种技术数 据驱动的方法,在实际应用上不依赖先验知识和规则,并且具有很强的非线性逼近能力,因 而被广泛应用于复杂工业对象的参数估计、操作优化、故障预测等领域中。在现有的各种算 法中,极限学习机巧xtreme Learning Machine, ELM)是一种单隐含层前馈神经网络的快 速参数训练算法,它能够解决大多数传统算法收敛速度慢、容易陷入局部极小等问题。但是 ELM网络为了达到比较好的效果,通常需要大量的隐含层节点,该增加了算法的复杂度。同 时,由于ELM学习算法的输入层权值是随机产生的,而随机权值通常不是最优的,因此网络 学习的精度不高。为了解决该两个问题,可W引入差分(differential evolution,呢)优 化算法来找到网络最优的输入层权值,提高学习精度,同时也可W减少隐含层节点数,从而 达到降低算法复杂度的目的。但在过程工业中,DE-ELM没有考虑到数据的时延和系统变量 的内在联系,因此往往预测效果不佳。
[0004] EFSM是一种在计算机领域应用十分成熟的切片技术,它可W有效地简化复杂系统 模型并且有助于系统模型的分析和理解。EFSM由S大部分组成,状态依赖图、数据依赖图、 迁移表,通过该=部分就能够将系统间的内部关系和状态转换清晰的表征出来。因此可W 将其引入过程工业领域,应用于系统分析和故障推理中。然而传统的EFSM无法直接引入 过程工业,其中还存在一些无法解决的问题:首先,传统EFSM数据依赖图搭建完全凭借数 学模型,但在过程工业系统中,数学模型往往十分复杂,无法精确表示;其次,过程工业系统 间的变量往往存在时延,传统EFSM并未考虑该一时延问题,因而会导致变量间关系的分析 不准确。


【发明内容】

[000引本发明的目的在于;克服传统故障预测精度低、模型稳定性不高的缺点,并针对现 有技术存在的上述问题,提出了一种基于抑E-ELM和时延EFSM非线性过程工业故障预测的 方法。该方法将人工神经网络和EFSM引入过程工业故障预测领域,分别构建基于时延EFSM 的状态依赖图和数据依赖图,W及基于FDE-ELM技术的变量预测模型,提出了一种预测精 度高、模型稳定性好、算法复杂度低的故障预测方法,为降低事故发生率、节约硬件成本、提 高生产安全等级提供了技术支撑。
[0006] 本发明提供了一种用于非线性过程工业的故障预测和推理方法,其特征在于所述 方法包括:
[0007] 数据预处理过程;对工业数据进行降噪处理;
[000引时延时延扩展有限状态机EFSM模型构建过程:运用时延互信息量TDMI对预处理 后的数据进行延迟时间计算和相关性分析,搭建数据依赖图,并通过先验知识和对模型的 机理分析构建状态依赖图和迁移表;
[0009] 基于反馈差分优化极限学习机抑E-ELM的变量预测过程;构建抑E-ELM网络,选取 系统的关键变量作为网络的输出节点,并通过所述数据依赖图建立的变量间的联系得到与 输出节点对应的输入节点;
[0010] 基于时延EFSM的故障推理过程:当所述抑E-ELM的变量预测过程输出的预测结果 超出设定的控制阔值范围时,将所述预测结果导入时延EFSM进行故障推理;具体为,根据 预先设定好的迁移表进行推理,当预测结果满足迁移条件时,状态发生转变,当状态不再发 生转变时,输出的状态即为发生的故障类型。
[0011] 所述数据预处理过程中,采用小波去噪对数据进行预处理。
[0012] 所述数据依赖图的搭建具体包括;针对系统中每一个变量运用TDffl计算其与其 他变量间的相关系数和延迟时间,所得的最短延迟时间所对应的两个变量即为最短传播路 径所对应的两个变量;连接所述两个变量形成传播路径;计算所述两个变量之间的干扰传 播方向,确定两个变量之间最终的延迟时间t和相关系数r并进行标注,形成完整的数据依 赖图。
[0013] 所述状态依赖图和迁移表的搭建具体包括:通过对机理模型的分析和先验知识确 定系统的状态,创建状态依赖图用于表征各个状态之间的联系;根据所述数据依赖图中变 量间的t和r,得出状态和变量间的关系,从而得到状态依赖图中对应的状态间迁移的迁 移规则,进而构建迁移表。
[0014] 所述基于抑E-ELM的变量预测过程具体包括;加入反馈层来存储预测变量的时间 序列信息,同时将EFSM提取后的变量间关系引入FDE-ELM ;将所述数据依赖图中与目标预 测变量相邻的变量作为网络的输入。
[0015] 所述基于时延EFSM的故障推理过程具体包括;当目标变量的预测结果超出了设 定的控制限范围,则将抑E-ELM网络中所有关键变量的预测结果导入EFSM进行故障推理; 所述故障推理依照迁移表中的迁移条件逐步进行,具体为,在当前状态下,捜索当前状态作 为初始状态对应的迁移条件是否满足,若满足则迁移被激活,状态发生迁移,当状态不再发 生迁移时输出对应的故障识别结果。
[0016] 所述推理过程通过人工操作实现,或者通过过程编程自动化实现。
[0017] 本发明与现有技术相比的创新点在于:
[0018] (1)本发明提高了一种新型神经网络预测方法一-抑E-ELM,该方法可W在随机选 择输入层权值的前提下,利用差分优化找到最优输入层权值送入网络,从而提高网络的训 练和泛化精度。反馈的引入,能够有效地存储系统连续运行过程中数据的时序信息,改善由 于时延引起的泛化精度不高的问题。该方法具有学习速率快、学习效果稳定、泛化精度高、 模型稳定性强等诸多优良特性,为过程工业故障预测提供了新思路。
[0019] (2)本发明将运用于计算机领域的EFSM成功引入过程工业故障预测领域。同时, 在传统EFSM中引入了 TDMI,得到变量间时延信息和相关系数形成了一种新的时延EFSM。通 过该方法,我们能清楚地了解系统变量间的内部关系,选取相关性高的变量输入预测网络, 从而避免了大量的冗余信息对预测过程的影响。实验表明,时延EFSM的引入能大幅度提高 变量预测的精度。
[0020] (3)本发明运用时延EFSM,建立了系统状态依赖图和迁移表,定义了一套新的迁 移条件表述方法,有效地解决了过程工业数学模型复杂的问题。
[002U (4)本发明将时延EFSM和抑E-ELM有机的结合起来,将抑E-ELM预测所得的变量 值导入FDE-ELM运用于故障推理过程,充分发挥了该两者的技术优势,获得了良好的技术 效果。

【专利附图】

【附图说明】
[0022] 图1为本发明所述方法的工作流程图;
[0023] 图2为TE过程工艺流程图;
[0024] 图3为TE过程的时延EFSM数据依赖图;
[0025] 图4为TE过程的时延EFSM状态依赖图;
[0026] 图5为抑E-ELM网络结构图;
[0027] 图6为TE过程变量预测结果。
[002引

【具体实施方式】
[0029] 如图1所示,为本发明所述方法的工作流程图。(1)数据预处理过程;该过程主要 对工业数据进行降噪处理,避免由于噪声干扰影响后续操作结果的准确性。(2)时延EFSM 模型构建过程:该过程主要是运用TDffl对预处理后的数据进行延迟时间计算和相关性分 析,搭建出数据依赖图,并通过先验知识和对模型的机理分析构建状态依赖图和迁移表,从 而将复杂的过程工业对象约减为简单的模型,清晰地展现系统变量间的内部联系、状态间 的内部联系、W及状态和变量间的相互联系。(3)基于FDE-ELM的变量预测过程:该过程是 使用抑E-ELM网络预测过程工业运行中可能发生的异常。在构建抑E-ELM网络时,选取系 统的关键变量(一般将异常时会直接导致故障发生的变量定义为关键变量)作为网络的输 出节点,并通过数据依赖图建立的变量间的联系得到与输出节点对应的输入节点。在训练 过程中差分优化和反馈同时发挥作用,保障网络的稳定性和预测结果的可靠性,使得泛化 结果有着较小的误差。(4)基于时延EFSM的故障推理过程:当FDE-ELM输出的预测结果超 出设定的控制阔值范围时,将FDE-ELM输出的预测结果导入时延EFSM进行故障推理。推理 根据预先设定好的迁移表进行,当预测结果满足迁移条件时,状态发生转变。最后,当状态 不再发生转变时,输出的状态即为可能发生的故障类型。
[0030] 为了清晰地说明该方法的具体过程,我们选择TE过程(Tennessee Eastman Process)作为仿真对象,其具体工艺流程图如图2所示。TE标准过程是一个实际非线性工 业过程,经常被用来验证故障预测和故障诊断的效果。TE过程是一种实际化工过程的仿真 模拟,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, 广泛应用于过程控制技术的研究。TE过程包括12个操纵变量和41个测量变量,如表1所 示。同时,在标准TE过程中包含了 20种故障,分为随机故障和阶跃故障两大类。我们选取 其中的阶跃故障(故障1、故障2、故障3、故障4、故障5和故障7)作为研究对象,如表2所 /J、- 〇
[0031] 表1TE过程变量
[0032]

【权利要求】
1. 一种用于非线性过程工业的故障预测和推理方法,其特征在于所述方法包括: 数据预处理过程:对工业数据进行降噪处理; 时延时延扩展有限状态机EFSM模型构建过程:运用时延互信息量TDMI对预处理后的 数据进行延迟时间计算和相关性分析,搭建数据依赖图,并通过先验知识和对模型的机理 分析构建状态依赖图和迀移表; 基于反馈差分优化极限学习机FDE-ELM的变量预测过程:构建FDE-ELM网络,选取系统 的关键变量作为网络的输出节点,并通过所述数据依赖图建立的变量间的联系得到与输出 节点对应的输入节点; 基于时延EFSM的故障推理过程:当所述FDE-ELM的变量预测过程输出的预测结果超出 设定的控制阈值范围时,将所述预测结果导入时延EFSM进行故障推理;具体为,根据预先 设定好的迀移表进行推理,当预测结果满足迀移条件时,状态发生转变,当状态不再发生转 变时,输出的状态即为发生的故障类型。
2. 根据权利要求1所述的方法,其特征在于所述数据预处理过程中,采用小波去噪对 数据进行预处理。
3. 根据权利要求1所述的方法,其特征在于所述数据依赖图的搭建具体包括:针对系 统中每一个变量运用TDMI计算其与其他变量间的相关系数和延迟时间,所得的最短延迟 时间所对应的两个变量即为最短传播路径所对应的两个变量;连接所述两个变量形成传播 路径;计算所述两个变量之间的干扰传播方向,确定两个变量之间最终的延迟时间t和相 关系数r并进行标注,形成完整的数据依赖图。
4. 根据权利要求3所述的方法,其特征在于所述状态依赖图和迀移表的搭建具体包 括:通过对机理模型的分析和先验知识确定系统的状态,创建状态依赖图用于表征各个状 态之间的联系;根据所述数据依赖图中变量间的t和r,得出状态和变量间的关系,从而得 到状态依赖图中对应的状态间迀移的迀移规则,进而构建迀移表。
5. 根据权利要求1所述的方法,其特征在于所述基于FDE-ELM的变量预测过程具体 包括:加入反馈层来存储预测变量的时间序列信息,同时将EFSM提取后的变量间关系引入 FDE-ELM ;将所述数据依赖图中与目标预测变量相邻的变量作为网络的输入。
6. 根据权利要求1所述的方法,其特征在于所述基于时延EFSM的故障推理过程具体包 括:当目标变量的预测结果超出了设定的控制限范围,则将FDE-ELM网络中所有关键变量 的预测结果导入EFSM进行故障推理;所述故障推理依照迀移表中的迀移条件逐步进行,具 体为,在当前状态下,搜索当前状态作为初始状态对应的迀移条件是否满足,若满足则迀移 被激活,状态发生迀移,当状态不再发生迀移时输出对应的故障识别结果。
7. 根据权利要求6所述的基于时延EFSM的故障推理过程方法,其特征是所述推理过程 通过人工操作实现,或者通过过程编程自动化实现。
【文档编号】G05B23/02GK104503420SQ201410482211
【公开日】2015年4月8日 申请日期:2014年9月19日 优先权日:2014年9月19日
【发明者】徐圆, 周子茜, 朱群雄, 曹健, 王晓, 耿志强, 卢玉帅, 叶亮亮, 刘莹, 陈彦京 申请人:北京化工大学
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1