一种基于压缩感知和dros-elm的非线性过程工业故障预测及识别方法
【技术领域】
[000。 本发明涉及工业控制领域，特别涉及到一种基于压缩感知和DR0S-ELM的非线性 过程工业故障预测及识别方法。
【背景技术】
[0002] 目前，随着大型工业系统流程复杂化、控制环节与控制点日益增多，而许多重大而 不易观察的危险源一旦发生安全事故，将会造成巨大的生命和财产损失。
[0003] 近年来，系统设备故障引起的事故频繁发生，故障预测识别技术也受到国内外学 者的关注，实现全系统故障预测识别成为迫切需求。故障预测识别方法需要根据系统过去 和当前的状态，判断系统未来时刻是否发生故障，并对故障进行精确定位。
[0004] 故障预测识别是保障工业系统安全的重要任务之一，工业系统对于故障预测识别 方法的实时性与准确性要求不断提高，尤其对于非线性动态系统，要求故障预测模型能够 快速而准确地对系统运行过程中各变量进行实时分析。
[0005] 因此，研究出一种高性能的非线性过程工业故障预测方法，具有重要的理论意义 和实际应用价值。
【发明内容】
[0006] 为了解决上述问题，本发明提出了一种基于压缩感知和DR0S-ELM的非线性过程 工业故障预测及识别方法。
[0007] 本发明提供了一种高性能的非线性过程工业故障预测及识别方法，克服复杂工业 系统非线性生产过程缺乏在线故障预测及识别的困难，将压缩感知和人工神经网络应用于 工业领域，分别构建基于压缩感知特征提取和动态反馈0S-ELM神经网络值R0S-ELM)技术 的故障预测识别模型，为企业保证安全生产，提高生产效率、节约生产成本提供技术支撑。 [000引本发明提供了一种基于压缩感知和DR0S-ELM的故障预测及识别方法，所述方法 包括：
[0009] 数据预处理及样本选取步骤，包括对仿真采集的48小时的TE的数据中存在的缺 失数据、异常数据和噪声数据进行处理，并将所处理后的数据作为故障预测模型和故障识 别模型的训练数据；将数据预处理后的训练样本在整个可行区域内符合均匀分布，将区间 映射[-1,1]，采用均匀设计方法对不同时段样本生成样本，保证获得完整的训练样本，并 将该样本训练数据用于压缩感知特征提取、神经网络建模的训练样本；
[0010] 压缩感知特征重构步骤，包括：将正常工况所有变量数据按顺序转换为一维向量， 通过将输入数据进行稀疏分解并重构数据特征后，计算正常数据与重构数据向量的二范数 作为特征数据，使用残差计算特征数据，该特征数据即为故障识别模型训练数据；
[0011] 在线反馈神经网络建模步骤，包括：该步骤采用串行方式对故障预测模型和故障 识别模型神经网络分别进行训练，引入在线极限学习机（0S-ELM)训练算法，实现个体神经 网络的快速训练和在线权值调整，在建模过程中设置反馈层，保证所训练的个体神经网络 有较高的动态特性，本模型根据故障预测模型预测输出作为故障识别模型输入，从而达到 系统故障预测识别的目的。
[0012] 通过数据预处理及样本选取构造TE过程数据预测模型，通过压缩感知特征重构 训练故障识别模型，将TE过程数据预测模型的输出经过压缩感知特征重构后，输入故障识 别模型W输出是否发生故障及故障类型。
[0013] 进一步的，所述数据预处理及样本选取步骤具体包括：对所述缺失数据进行补 充、对所述异常数据进行修正、对所述噪声数据进行滤波，之后采用固定均值算法进行数据 融合，并根据均匀设计法生成训练样本。
[0014] 进一步的，压缩感知特征重构的步骤具体如下；假设对k类样本的故障进行特征 重构，每个故障样本为P维，（1)基准样本构造：根据样本选取获得所有故障数据的基准样 本，基准样本组成pX 1维的列向量L，组成的基准样本为；L =山，L,，. . .，Lk]，其中L为 故障训练样本矩阵，Lk为第k类故障数据样本；（2)输入样本稀疏变换；根据设定时间窗 口大小，获得的输入样本X，将输入样本进行稀疏变换，S= VX;其中，V为傅里叶稀疏 变换矩阵；（3)构建观测向量；0= cj^S，其中（35为观测矩阵；(4)重构信号；利用最小二 乘法得近似解并更新余量，通过解出y的稀疏向量X，再结合字典矩阵A进行残差分析， 最终完成信号特征重构，数学模型如下公式表示：义= argmiii||义111 St I//知f=0,其中X 表示重构的信号，11X111表示X的1 1范数，通过已有的快速有效的迭代求解；（5)信号特 征提取；通过基准样本重构输入样本的信号，并采用W下函数，进一步完成故障特征提取： min^o)=||Z-义Ik
[0015] 进一步的，在线反馈神经网络建模步骤具体包括；通过在网络前馈隐含层中增 加一层反馈层，用于记忆历史数据信息并反馈影响下一时刻输入，使网络具有动态记忆 功能，同时采用滑动窗口技术，提取历史数据趋势变化特征，从而对反馈承接层权值进行 动态调整。输入样本包含n个属性、输出样本包含m个属性，增加Q层反馈承接层，若现 时刻输入为P化)，则第Q层反馈承接层记忆样本为g化-Q)，设反馈权值为师，权值取0 至1之间，同时也具有数据遗忘因子的作用，隐含层神经元与输出层神经元的连接权值 可W由极小范数最小二乘解得，即目=H+Y，通过该算法可快速确定目的最优解，运用 卢=戶> +巧+1拆+1妨1 _)实现在线权值动态调整。
[0016] 本发明与现有技术相比，改进在于：
[0017] (1)本发明提供了一种新型的神经网络参数学习算法一动态在线极限学习机 (Dynamic recurrent Oline Sequential-extreme learning machine)算法，该算法具有学 习速度快、可调参数少、不会出现局部极值，具备映射动态特征的功能，能较好解决静态网 络对于动态系统建模存在的问题等许多优良特性，为非线性时序系统的故障预测识别提供 了新思路。
[0018] (2)本发明针对数据特征重构方法，提出采用压缩感知（Compressed sensing)对 输入数据的故障特征进行放大，提高模型对故障识别的精度。
[0019] (3)本发明W化工真实模拟标准测试的TE过程（田纳西一伊斯曼过程）为应用研 究示例，克服了 TE过程中的故障预测识别问题，快速而准确地对系统运行过程中各变量进 行实时分析，为企业保证安全生产，提高生产效率、节约生产成本提供技术支撑，从而提升 了企业的经济效益增长。
【附图说明】
[0020] 图1为本发明所述方法的模型结构图；
[0021] 图2为本发明所述方法的工作流程图；
[0022] 图3为数据预处理过程及样本选取的工作流程图；
[0023] 图4为压缩感知特征重构的工作流程图；
[0024] 图5为个体神经网络结构图；
[00巧]图6为个体神经网络建模的工作流程图。
【具体实施方式】
[0026] 下面结合附图和实施例，对本发明的【具体实施方式】作进一步详细描述。W下实施 例用于说明本发明，但不用来限制本发明的范围。
[0027] 本发明提供了一种高性能的非线性过程工业故障预测及识别方法，克服复杂工业 系统非线性生产过程缺乏在线故障预测及识别的困难，将压缩感知和人工神经网络应用 于工业领域，分别构建基于压缩感知特征提取和动态反馈0S-ELM神经网络值R0S-ELM)技 术的故障预测识别模型，为企业保证安全生产，提高生产效率、节约生产成本提供技术支 撑。
[0028] 如图1所示，