一種基于新型fde-elm和時延efsm的非線性過程工業(yè)故障預(yù)測方法
【專利摘要】本發(fā)明提供了一種用于非線性過程工業(yè)的故障預(yù)測和推理方法，所述方法包括：數(shù)據(jù)預(yù)處理過程，時延擴(kuò)展有限狀態(tài)機(jī)EFSM模型構(gòu)建過程，基于反饋差分優(yōu)化極限學(xué)習(xí)機(jī)FDE-ELM的變量預(yù)測過程和基于時延EFSM的故障推理過程：該發(fā)明具有建模穩(wěn)定性高、故障預(yù)測精度高、算法復(fù)雜度低、故障推理自動化，推理過程可視化等優(yōu)點(diǎn)，為保證過程工業(yè)的安全性、保障財(cái)產(chǎn)和人員的安全、節(jié)約硬件成本提供了幫助。
【專利說明】-種基于新型FDE-ELM和時延EFSM的非線性過程工業(yè)故障 預(yù)測方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明W非線性過程工業(yè)系統(tǒng)為對象，W提高建模穩(wěn)定性和故障預(yù)測精度為目 標(biāo)，提出了一種包括復(fù)雜過程工業(yè)數(shù)據(jù)預(yù)處理技術(shù)、反饋差分優(yōu)化極限學(xué)習(xí)機(jī)（Fee化ack Differential Evolution Optimized Extreme Learning Machine，F(xiàn)DE-ELM)技術(shù)，W及時 延擴(kuò)展有限狀態(tài)機(jī)巧xtended Finite State Machine, EFSM)技術(shù)的工業(yè)故障預(yù)測方法。

【背景技術(shù)】
[0002] 過程工業(yè)包括石化、冶金、造紙等是我國的基礎(chǔ)產(chǎn)業(yè)，它設(shè)及到國民生活的方方面 面。過程工業(yè)具備生產(chǎn)規(guī)模大、工藝復(fù)雜、過程非線性、危險系數(shù)高等特點(diǎn)，因而成為了故障 預(yù)測和診斷的一個重要研究領(lǐng)域。近些年來我國相關(guān)行業(yè)事故頻發(fā)，其中在化工行業(yè)情況 尤為嚴(yán)峻，2013年青島石化爆炸造成62人死亡、136人受傷，該使得加強(qiáng)過程生產(chǎn)過程的安 全保障變得迫在眉睫。為了預(yù)防此類事故的發(fā)生造成嚴(yán)重后果，高精度的故障預(yù)測和診斷 是一種有效的規(guī)避故障方法。因此，研究提高非線性過程工業(yè)故障預(yù)測和故障診斷精度和 模型穩(wěn)定性，具有重要的理論意義和實(shí)用價值。
[0003] 人工神經(jīng)網(wǎng)絡(luò)是一種仿生物結(jié)構(gòu)形成的數(shù)學(xué)模型，能夠根據(jù)提供的數(shù)據(jù)，通過訓(xùn) 練和學(xué)習(xí)找到數(shù)據(jù)中的內(nèi)在聯(lián)系，從而搭建出目標(biāo)對象的數(shù)學(xué)模型。該方法是一種技術(shù)數(shù) 據(jù)驅(qū)動的方法，在實(shí)際應(yīng)用上不依賴先驗(yàn)知識和規(guī)則，并且具有很強(qiáng)的非線性逼近能力，因 而被廣泛應(yīng)用于復(fù)雜工業(yè)對象的參數(shù)估計(jì)、操作優(yōu)化、故障預(yù)測等領(lǐng)域中。在現(xiàn)有的各種算 法中，極限學(xué)習(xí)機(jī)巧xtreme Learning Machine, ELM)是一種單隱含層前饋神經(jīng)網(wǎng)絡(luò)的快 速參數(shù)訓(xùn)練算法，它能夠解決大多數(shù)傳統(tǒng)算法收斂速度慢、容易陷入局部極小等問題。但是 ELM網(wǎng)絡(luò)為了達(dá)到比較好的效果，通常需要大量的隱含層節(jié)點(diǎn)，該增加了算法的復(fù)雜度。同 時，由于ELM學(xué)習(xí)算法的輸入層權(quán)值是隨機(jī)產(chǎn)生的，而隨機(jī)權(quán)值通常不是最優(yōu)的，因此網(wǎng)絡(luò) 學(xué)習(xí)的精度不高。為了解決該兩個問題，可W引入差分（differential evolution,呢）優(yōu) 化算法來找到網(wǎng)絡(luò)最優(yōu)的輸入層權(quán)值，提高學(xué)習(xí)精度，同時也可W減少隱含層節(jié)點(diǎn)數(shù)，從而 達(dá)到降低算法復(fù)雜度的目的。但在過程工業(yè)中，DE-ELM沒有考慮到數(shù)據(jù)的時延和系統(tǒng)變量 的內(nèi)在聯(lián)系，因此往往預(yù)測效果不佳。
[0004] EFSM是一種在計(jì)算機(jī)領(lǐng)域應(yīng)用十分成熟的切片技術(shù)，它可W有效地簡化復(fù)雜系統(tǒng) 模型并且有助于系統(tǒng)模型的分析和理解。EFSM由S大部分組成，狀態(tài)依賴圖、數(shù)據(jù)依賴圖、 遷移表，通過該=部分就能夠?qū)⑾到y(tǒng)間的內(nèi)部關(guān)系和狀態(tài)轉(zhuǎn)換清晰的表征出來。因此可W 將其引入過程工業(yè)領(lǐng)域，應(yīng)用于系統(tǒng)分析和故障推理中。然而傳統(tǒng)的EFSM無法直接引入 過程工業(yè)，其中還存在一些無法解決的問題：首先，傳統(tǒng)EFSM數(shù)據(jù)依賴圖搭建完全憑借數(shù) 學(xué)模型，但在過程工業(yè)系統(tǒng)中，數(shù)學(xué)模型往往十分復(fù)雜，無法精確表示；其次，過程工業(yè)系統(tǒng) 間的變量往往存在時延，傳統(tǒng)EFSM并未考慮該一時延問題，因而會導(dǎo)致變量間關(guān)系的分析 不準(zhǔn)確。


【發(fā)明內(nèi)容】

[000引本發(fā)明的目的在于；克服傳統(tǒng)故障預(yù)測精度低、模型穩(wěn)定性不高的缺點(diǎn)，并針對現(xiàn) 有技術(shù)存在的上述問題，提出了一種基于抑E-ELM和時延EFSM非線性過程工業(yè)故障預(yù)測的 方法。該方法將人工神經(jīng)網(wǎng)絡(luò)和EFSM引入過程工業(yè)故障預(yù)測領(lǐng)域，分別構(gòu)建基于時延EFSM 的狀態(tài)依賴圖和數(shù)據(jù)依賴圖，W及基于FDE-ELM技術(shù)的變量預(yù)測模型，提出了一種預(yù)測精 度高、模型穩(wěn)定性好、算法復(fù)雜度低的故障預(yù)測方法，為降低事故發(fā)生率、節(jié)約硬件成本、提 高生產(chǎn)安全等級提供了技術(shù)支撐。
[0006] 本發(fā)明提供了一種用于非線性過程工業(yè)的故障預(yù)測和推理方法，其特征在于所述 方法包括：
[0007] 數(shù)據(jù)預(yù)處理過程；對工業(yè)數(shù)據(jù)進(jìn)行降噪處理；
[000引時延時延擴(kuò)展有限狀態(tài)機(jī)EFSM模型構(gòu)建過程：運(yùn)用時延互信息量TDMI對預(yù)處理 后的數(shù)據(jù)進(jìn)行延遲時間計(jì)算和相關(guān)性分析，搭建數(shù)據(jù)依賴圖，并通過先驗(yàn)知識和對模型的 機(jī)理分析構(gòu)建狀態(tài)依賴圖和遷移表；
[0009] 基于反饋差分優(yōu)化極限學(xué)習(xí)機(jī)抑E-ELM的變量預(yù)測過程；構(gòu)建抑E-ELM網(wǎng)絡(luò)，選取 系統(tǒng)的關(guān)鍵變量作為網(wǎng)絡(luò)的輸出節(jié)點(diǎn)，并通過所述數(shù)據(jù)依賴圖建立的變量間的聯(lián)系得到與 輸出節(jié)點(diǎn)對應(yīng)的輸入節(jié)點(diǎn)；
[0010] 基于時延EFSM的故障推理過程：當(dāng)所述抑E-ELM的變量預(yù)測過程輸出的預(yù)測結(jié)果 超出設(shè)定的控制闊值范圍時，將所述預(yù)測結(jié)果導(dǎo)入時延EFSM進(jìn)行故障推理；具體為，根據(jù) 預(yù)先設(shè)定好的遷移表進(jìn)行推理，當(dāng)預(yù)測結(jié)果滿足遷移條件時，狀態(tài)發(fā)生轉(zhuǎn)變，當(dāng)狀態(tài)不再發(fā) 生轉(zhuǎn)變時，輸出的狀態(tài)即為發(fā)生的故障類型。
[0011] 所述數(shù)據(jù)預(yù)處理過程中，采用小波去噪對數(shù)據(jù)進(jìn)行預(yù)處理。
[0012] 所述數(shù)據(jù)依賴圖的搭建具體包括；針對系統(tǒng)中每一個變量運(yùn)用TDffl計(jì)算其與其 他變量間的相關(guān)系數(shù)和延遲時間，所得的最短延遲時間所對應(yīng)的兩個變量即為最短傳播路 徑所對應(yīng)的兩個變量；連接所述兩個變量形成傳播路徑；計(jì)算所述兩個變量之間的干擾傳 播方向，確定兩個變量之間最終的延遲時間t和相關(guān)系數(shù)r并進(jìn)行標(biāo)注，形成完整的數(shù)據(jù)依 賴圖。
[0013] 所述狀態(tài)依賴圖和遷移表的搭建具體包括：通過對機(jī)理模型的分析和先驗(yàn)知識確 定系統(tǒng)的狀態(tài)，創(chuàng)建狀態(tài)依賴圖用于表征各個狀態(tài)之間的聯(lián)系；根據(jù)所述數(shù)據(jù)依賴圖中變 量間的t和r，得出狀態(tài)和變量間的關(guān)系，從而得到狀態(tài)依賴圖中對應(yīng)的狀態(tài)間遷移的遷 移規(guī)則，進(jìn)而構(gòu)建遷移表。
[0014] 所述基于抑E-ELM的變量預(yù)測過程具體包括；加入反饋層來存儲預(yù)測變量的時間 序列信息，同時將EFSM提取后的變量間關(guān)系引入FDE-ELM ;將所述數(shù)據(jù)依賴圖中與目標(biāo)預(yù) 測變量相鄰的變量作為網(wǎng)絡(luò)的輸入。
[0015] 所述基于時延EFSM的故障推理過程具體包括；當(dāng)目標(biāo)變量的預(yù)測結(jié)果超出了設(shè) 定的控制限范圍，則將抑E-ELM網(wǎng)絡(luò)中所有關(guān)鍵變量的預(yù)測結(jié)果導(dǎo)入EFSM進(jìn)行故障推理； 所述故障推理依照遷移表中的遷移條件逐步進(jìn)行，具體為，在當(dāng)前狀態(tài)下，捜索當(dāng)前狀態(tài)作 為初始狀態(tài)對應(yīng)的遷移條件是否滿足，若滿足則遷移被激活，狀態(tài)發(fā)生遷移，當(dāng)狀態(tài)不再發(fā) 生遷移時輸出對應(yīng)的故障識別結(jié)果。
[0016] 所述推理過程通過人工操作實(shí)現(xiàn)，或者通過過程編程自動化實(shí)現(xiàn)。
[0017] 本發(fā)明與現(xiàn)有技術(shù)相比的創(chuàng)新點(diǎn)在于：
[0018] (1)本發(fā)明提高了一種新型神經(jīng)網(wǎng)絡(luò)預(yù)測方法一-抑E-ELM，該方法可W在隨機(jī)選 擇輸入層權(quán)值的前提下，利用差分優(yōu)化找到最優(yōu)輸入層權(quán)值送入網(wǎng)絡(luò)，從而提高網(wǎng)絡(luò)的訓(xùn) 練和泛化精度。反饋的引入，能夠有效地存儲系統(tǒng)連續(xù)運(yùn)行過程中數(shù)據(jù)的時序信息，改善由 于時延引起的泛化精度不高的問題。該方法具有學(xué)習(xí)速率快、學(xué)習(xí)效果穩(wěn)定、泛化精度高、 模型穩(wěn)定性強(qiáng)等諸多優(yōu)良特性，為過程工業(yè)故障預(yù)測提供了新思路。
[0019] (2)本發(fā)明將運(yùn)用于計(jì)算機(jī)領(lǐng)域的EFSM成功引入過程工業(yè)故障預(yù)測領(lǐng)域。同時， 在傳統(tǒng)EFSM中引入了 TDMI，得到變量間時延信息和相關(guān)系數(shù)形成了一種新的時延EFSM。通 過該方法，我們能清楚地了解系統(tǒng)變量間的內(nèi)部關(guān)系，選取相關(guān)性高的變量輸入預(yù)測網(wǎng)絡(luò)， 從而避免了大量的冗余信息對預(yù)測過程的影響。實(shí)驗(yàn)表明，時延EFSM的引入能大幅度提高 變量預(yù)測的精度。
[0020] (3)本發(fā)明運(yùn)用時延EFSM，建立了系統(tǒng)狀態(tài)依賴圖和遷移表，定義了一套新的遷 移條件表述方法，有效地解決了過程工業(yè)數(shù)學(xué)模型復(fù)雜的問題。
[002U (4)本發(fā)明將時延EFSM和抑E-ELM有機(jī)的結(jié)合起來，將抑E-ELM預(yù)測所得的變量 值導(dǎo)入FDE-ELM運(yùn)用于故障推理過程，充分發(fā)揮了該兩者的技術(shù)優(yōu)勢，獲得了良好的技術(shù) 效果。

【專利附圖】

【附圖說明】
[0022] 圖1為本發(fā)明所述方法的工作流程圖；
[0023] 圖2為TE過程工藝流程圖；
[0024] 圖3為TE過程的時延EFSM數(shù)據(jù)依賴圖；
[0025] 圖4為TE過程的時延EFSM狀態(tài)依賴圖；
[0026] 圖5為抑E-ELM網(wǎng)絡(luò)結(jié)構(gòu)圖；
[0027] 圖6為TE過程變量預(yù)測結(jié)果。
[002引

【具體實(shí)施方式】
[0029] 如圖1所示，為本發(fā)明所述方法的工作流程圖。（1)數(shù)據(jù)預(yù)處理過程；該過程主要 對工業(yè)數(shù)據(jù)進(jìn)行降噪處理，避免由于噪聲干擾影響后續(xù)操作結(jié)果的準(zhǔn)確性。（2)時延EFSM 模型構(gòu)建過程：該過程主要是運(yùn)用TDffl對預(yù)處理后的數(shù)據(jù)進(jìn)行延遲時間計(jì)算和相關(guān)性分 析，搭建出數(shù)據(jù)依賴圖，并通過先驗(yàn)知識和對模型的機(jī)理分析構(gòu)建狀態(tài)依賴圖和遷移表，從 而將復(fù)雜的過程工業(yè)對象約減為簡單的模型，清晰地展現(xiàn)系統(tǒng)變量間的內(nèi)部聯(lián)系、狀態(tài)間 的內(nèi)部聯(lián)系、W及狀態(tài)和變量間的相互聯(lián)系。（3)基于FDE-ELM的變量預(yù)測過程：該過程是 使用抑E-ELM網(wǎng)絡(luò)預(yù)測過程工業(yè)運(yùn)行中可能發(fā)生的異常。在構(gòu)建抑E-ELM網(wǎng)絡(luò)時，選取系 統(tǒng)的關(guān)鍵變量（一般將異常時會直接導(dǎo)致故障發(fā)生的變量定義為關(guān)鍵變量）作為網(wǎng)絡(luò)的輸 出節(jié)點(diǎn)，并通過數(shù)據(jù)依賴圖建立的變量間的聯(lián)系得到與輸出節(jié)點(diǎn)對應(yīng)的輸入節(jié)點(diǎn)。在訓(xùn)練 過程中差分優(yōu)化和反饋同時發(fā)揮作用，保障網(wǎng)絡(luò)的穩(wěn)定性和預(yù)測結(jié)果的可靠性，使得泛化 結(jié)果有著較小的誤差。（4)基于時延EFSM的故障推理過程：當(dāng)FDE-ELM輸出的預(yù)測結(jié)果超 出設(shè)定的控制闊值范圍時，將FDE-ELM輸出的預(yù)測結(jié)果導(dǎo)入時延EFSM進(jìn)行故障推理。推理 根據(jù)預(yù)先設(shè)定好的遷移表進(jìn)行，當(dāng)預(yù)測結(jié)果滿足遷移條件時，狀態(tài)發(fā)生轉(zhuǎn)變。最后，當(dāng)狀態(tài) 不再發(fā)生轉(zhuǎn)變時，輸出的狀態(tài)即為可能發(fā)生的故障類型。
[0030] 為了清晰地說明該方法的具體過程，我們選擇TE過程（Tennessee Eastman Process)作為仿真對象，其具體工藝流程圖如圖2所示。TE標(biāo)準(zhǔn)過程是一個實(shí)際非線性工 業(yè)過程，經(jīng)常被用來驗(yàn)證故障預(yù)測和故障診斷的效果。TE過程是一種實(shí)際化工過程的仿真 模擬，由美國Tennessee Eastman化學(xué)公司過程控制小組的J. J. Downs和E. F. Vogel提出， 廣泛應(yīng)用于過程控制技術(shù)的研究。TE過程包括12個操縱變量和41個測量變量，如表1所 示。同時，在標(biāo)準(zhǔn)TE過程中包含了 20種故障，分為隨機(jī)故障和階躍故障兩大類。我們選取 其中的階躍故障（故障1、故障2、故障3、故障4、故障5和故障7)作為研究對象，如表2所 /J、- 〇
[0031] 表1TE過程變量
[0032]

【權(quán)利要求】
1. 一種用于非線性過程工業(yè)的故障預(yù)測和推理方法，其特征在于所述方法包括： 數(shù)據(jù)預(yù)處理過程：對工業(yè)數(shù)據(jù)進(jìn)行降噪處理； 時延時延擴(kuò)展有限狀態(tài)機(jī)EFSM模型構(gòu)建過程：運(yùn)用時延互信息量TDMI對預(yù)處理后的 數(shù)據(jù)進(jìn)行延遲時間計(jì)算和相關(guān)性分析，搭建數(shù)據(jù)依賴圖，并通過先驗(yàn)知識和對模型的機(jī)理 分析構(gòu)建狀態(tài)依賴圖和迀移表； 基于反饋差分優(yōu)化極限學(xué)習(xí)機(jī)FDE-ELM的變量預(yù)測過程：構(gòu)建FDE-ELM網(wǎng)絡(luò)，選取系統(tǒng) 的關(guān)鍵變量作為網(wǎng)絡(luò)的輸出節(jié)點(diǎn)，并通過所述數(shù)據(jù)依賴圖建立的變量間的聯(lián)系得到與輸出 節(jié)點(diǎn)對應(yīng)的輸入節(jié)點(diǎn)； 基于時延EFSM的故障推理過程：當(dāng)所述FDE-ELM的變量預(yù)測過程輸出的預(yù)測結(jié)果超出 設(shè)定的控制閾值范圍時，將所述預(yù)測結(jié)果導(dǎo)入時延EFSM進(jìn)行故障推理；具體為，根據(jù)預(yù)先 設(shè)定好的迀移表進(jìn)行推理，當(dāng)預(yù)測結(jié)果滿足迀移條件時，狀態(tài)發(fā)生轉(zhuǎn)變，當(dāng)狀態(tài)不再發(fā)生轉(zhuǎn) 變時，輸出的狀態(tài)即為發(fā)生的故障類型。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于所述數(shù)據(jù)預(yù)處理過程中，采用小波去噪對 數(shù)據(jù)進(jìn)行預(yù)處理。
3. 根據(jù)權(quán)利要求1所述的方法，其特征在于所述數(shù)據(jù)依賴圖的搭建具體包括：針對系 統(tǒng)中每一個變量運(yùn)用TDMI計(jì)算其與其他變量間的相關(guān)系數(shù)和延遲時間，所得的最短延遲 時間所對應(yīng)的兩個變量即為最短傳播路徑所對應(yīng)的兩個變量；連接所述兩個變量形成傳播 路徑；計(jì)算所述兩個變量之間的干擾傳播方向，確定兩個變量之間最終的延遲時間t和相 關(guān)系數(shù)r并進(jìn)行標(biāo)注，形成完整的數(shù)據(jù)依賴圖。
4. 根據(jù)權(quán)利要求3所述的方法，其特征在于所述狀態(tài)依賴圖和迀移表的搭建具體包 括：通過對機(jī)理模型的分析和先驗(yàn)知識確定系統(tǒng)的狀態(tài)，創(chuàng)建狀態(tài)依賴圖用于表征各個狀 態(tài)之間的聯(lián)系；根據(jù)所述數(shù)據(jù)依賴圖中變量間的t和r，得出狀態(tài)和變量間的關(guān)系，從而得 到狀態(tài)依賴圖中對應(yīng)的狀態(tài)間迀移的迀移規(guī)則，進(jìn)而構(gòu)建迀移表。
5. 根據(jù)權(quán)利要求1所述的方法，其特征在于所述基于FDE-ELM的變量預(yù)測過程具體 包括：加入反饋層來存儲預(yù)測變量的時間序列信息，同時將EFSM提取后的變量間關(guān)系引入 FDE-ELM ;將所述數(shù)據(jù)依賴圖中與目標(biāo)預(yù)測變量相鄰的變量作為網(wǎng)絡(luò)的輸入。
6. 根據(jù)權(quán)利要求1所述的方法，其特征在于所述基于時延EFSM的故障推理過程具體包 括：當(dāng)目標(biāo)變量的預(yù)測結(jié)果超出了設(shè)定的控制限范圍，則將FDE-ELM網(wǎng)絡(luò)中所有關(guān)鍵變量 的預(yù)測結(jié)果導(dǎo)入EFSM進(jìn)行故障推理；所述故障推理依照迀移表中的迀移條件逐步進(jìn)行，具 體為，在當(dāng)前狀態(tài)下，搜索當(dāng)前狀態(tài)作為初始狀態(tài)對應(yīng)的迀移條件是否滿足，若滿足則迀移 被激活，狀態(tài)發(fā)生迀移，當(dāng)狀態(tài)不再發(fā)生迀移時輸出對應(yīng)的故障識別結(jié)果。
7. 根據(jù)權(quán)利要求6所述的基于時延EFSM的故障推理過程方法，其特征是所述推理過程 通過人工操作實(shí)現(xiàn)，或者通過過程編程自動化實(shí)現(xiàn)。
【文檔編號】G05B23/02GK104503420SQ201410482211
【公開日】2015年4月8日 申請日期:2014年9月19日 優(yōu)先權(quán)日:2014年9月19日
【發(fā)明者】徐圓, 周子茜, 朱群雄, 曹健, 王曉, 耿志強(qiáng), 盧玉帥, 葉亮亮, 劉瑩, 陳彥京 申請人:北京化工大學(xué)