一種基于壓縮感知和dros-elm的非線性過程工業(yè)故障預測及識別方法
【技術領域】
[000。 本發(fā)明涉及工業(yè)控制領域，特別涉及到一種基于壓縮感知和DR0S-ELM的非線性 過程工業(yè)故障預測及識別方法。
【背景技術】
[0002] 目前，隨著大型工業(yè)系統(tǒng)流程復雜化、控制環(huán)節(jié)與控制點日益增多，而許多重大而 不易觀察的危險源一旦發(fā)生安全事故，將會造成巨大的生命和財產損失。
[0003] 近年來，系統(tǒng)設備故障引起的事故頻繁發(fā)生，故障預測識別技術也受到國內外學 者的關注，實現全系統(tǒng)故障預測識別成為迫切需求。故障預測識別方法需要根據系統(tǒng)過去 和當前的狀態(tài)，判斷系統(tǒng)未來時刻是否發(fā)生故障，并對故障進行精確定位。
[0004] 故障預測識別是保障工業(yè)系統(tǒng)安全的重要任務之一，工業(yè)系統(tǒng)對于故障預測識別 方法的實時性與準確性要求不斷提高，尤其對于非線性動態(tài)系統(tǒng)，要求故障預測模型能夠 快速而準確地對系統(tǒng)運行過程中各變量進行實時分析。
[0005] 因此，研究出一種高性能的非線性過程工業(yè)故障預測方法，具有重要的理論意義 和實際應用價值。
【發(fā)明內容】
[0006] 為了解決上述問題，本發(fā)明提出了一種基于壓縮感知和DR0S-ELM的非線性過程 工業(yè)故障預測及識別方法。
[0007] 本發(fā)明提供了一種高性能的非線性過程工業(yè)故障預測及識別方法，克服復雜工業(yè) 系統(tǒng)非線性生產過程缺乏在線故障預測及識別的困難，將壓縮感知和人工神經網絡應用于 工業(yè)領域，分別構建基于壓縮感知特征提取和動態(tài)反饋0S-ELM神經網絡值R0S-ELM)技術 的故障預測識別模型，為企業(yè)保證安全生產，提高生產效率、節(jié)約生產成本提供技術支撐。 [000引本發(fā)明提供了一種基于壓縮感知和DR0S-ELM的故障預測及識別方法，所述方法 包括：
[0009] 數據預處理及樣本選取步驟，包括對仿真采集的48小時的TE的數據中存在的缺 失數據、異常數據和噪聲數據進行處理，并將所處理后的數據作為故障預測模型和故障識 別模型的訓練數據；將數據預處理后的訓練樣本在整個可行區(qū)域內符合均勻分布，將區(qū)間 映射[-1,1]，采用均勻設計方法對不同時段樣本生成樣本，保證獲得完整的訓練樣本，并 將該樣本訓練數據用于壓縮感知特征提取、神經網絡建模的訓練樣本；
[0010] 壓縮感知特征重構步驟，包括：將正常工況所有變量數據按順序轉換為一維向量， 通過將輸入數據進行稀疏分解并重構數據特征后，計算正常數據與重構數據向量的二范數 作為特征數據，使用殘差計算特征數據，該特征數據即為故障識別模型訓練數據；
[0011] 在線反饋神經網絡建模步驟，包括：該步驟采用串行方式對故障預測模型和故障 識別模型神經網絡分別進行訓練，引入在線極限學習機（0S-ELM)訓練算法，實現個體神經 網絡的快速訓練和在線權值調整，在建模過程中設置反饋層，保證所訓練的個體神經網絡 有較高的動態(tài)特性，本模型根據故障預測模型預測輸出作為故障識別模型輸入，從而達到 系統(tǒng)故障預測識別的目的。
[0012] 通過數據預處理及樣本選取構造TE過程數據預測模型，通過壓縮感知特征重構 訓練故障識別模型，將TE過程數據預測模型的輸出經過壓縮感知特征重構后，輸入故障識 別模型W輸出是否發(fā)生故障及故障類型。
[0013] 進一步的，所述數據預處理及樣本選取步驟具體包括：對所述缺失數據進行補 充、對所述異常數據進行修正、對所述噪聲數據進行濾波，之后采用固定均值算法進行數據 融合，并根據均勻設計法生成訓練樣本。
[0014] 進一步的，壓縮感知特征重構的步驟具體如下；假設對k類樣本的故障進行特征 重構，每個故障樣本為P維，（1)基準樣本構造：根據樣本選取獲得所有故障數據的基準樣 本，基準樣本組成pX 1維的列向量L，組成的基準樣本為；L =山，L,，. . .，Lk]，其中L為 故障訓練樣本矩陣，Lk為第k類故障數據樣本；（2)輸入樣本稀疏變換；根據設定時間窗 口大小，獲得的輸入樣本X，將輸入樣本進行稀疏變換，S= VX;其中，V為傅里葉稀疏 變換矩陣；（3)構建觀測向量；0= cj^S，其中（35為觀測矩陣；(4)重構信號；利用最小二 乘法得近似解并更新余量，通過解出y的稀疏向量X，再結合字典矩陣A進行殘差分析， 最終完成信號特征重構，數學模型如下公式表示：義= argmiii||義111 St I//知f=0,其中X 表示重構的信號，11X111表示X的1 1范數，通過已有的快速有效的迭代求解；（5)信號特 征提??；通過基準樣本重構輸入樣本的信號，并采用W下函數，進一步完成故障特征提?。?min^o)=||Z-義Ik
[0015] 進一步的，在線反饋神經網絡建模步驟具體包括；通過在網絡前饋隱含層中增 加一層反饋層，用于記憶歷史數據信息并反饋影響下一時刻輸入，使網絡具有動態(tài)記憶 功能，同時采用滑動窗口技術，提取歷史數據趨勢變化特征，從而對反饋承接層權值進行 動態(tài)調整。輸入樣本包含n個屬性、輸出樣本包含m個屬性，增加Q層反饋承接層，若現 時刻輸入為P化)，則第Q層反饋承接層記憶樣本為g化-Q)，設反饋權值為師，權值取0 至1之間，同時也具有數據遺忘因子的作用，隱含層神經元與輸出層神經元的連接權值 可W由極小范數最小二乘解得，即目=H+Y，通過該算法可快速確定目的最優(yōu)解，運用 盧=戶> +巧+1拆+1妨1 _)實現在線權值動態(tài)調整。
[0016] 本發(fā)明與現有技術相比，改進在于：
[0017] (1)本發(fā)明提供了一種新型的神經網絡參數學習算法一動態(tài)在線極限學習機 (Dynamic recurrent Oline Sequential-extreme learning machine)算法，該算法具有學 習速度快、可調參數少、不會出現局部極值，具備映射動態(tài)特征的功能，能較好解決靜態(tài)網 絡對于動態(tài)系統(tǒng)建模存在的問題等許多優(yōu)良特性，為非線性時序系統(tǒng)的故障預測識別提供 了新思路。
[0018] (2)本發(fā)明針對數據特征重構方法，提出采用壓縮感知（Compressed sensing)對 輸入數據的故障特征進行放大，提高模型對故障識別的精度。
[0019] (3)本發(fā)明W化工真實模擬標準測試的TE過程（田納西一伊斯曼過程）為應用研 究示例，克服了 TE過程中的故障預測識別問題，快速而準確地對系統(tǒng)運行過程中各變量進 行實時分析，為企業(yè)保證安全生產，提高生產效率、節(jié)約生產成本提供技術支撐，從而提升 了企業(yè)的經濟效益增長。
【附圖說明】
[0020] 圖1為本發(fā)明所述方法的模型結構圖；
[0021] 圖2為本發(fā)明所述方法的工作流程圖；
[0022] 圖3為數據預處理過程及樣本選取的工作流程圖；
[0023] 圖4為壓縮感知特征重構的工作流程圖；
[0024] 圖5為個體神經網絡結構圖；
[00巧]圖6為個體神經網絡建模的工作流程圖。
【具體實施方式】
[0026] 下面結合附圖和實施例，對本發(fā)明的【具體實施方式】作進一步詳細描述。W下實施 例用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。
[0027] 本發(fā)明提供了一種高性能的非線性過程工業(yè)故障預測及識別方法，克服復雜工業(yè) 系統(tǒng)非線性生產過程缺乏在線故障預測及識別的困難，將壓縮感知和人工神經網絡應用 于工業(yè)領域，分別構建基于壓縮感知特征提取和動態(tài)反饋0S-ELM神經網絡值R0S-ELM)技 術的故障預測識別模型，為企業(yè)保證安全生產，提高生產效率、節(jié)約生產成本提供技術支 撐。
[0028] 如圖1所示，