[发明专利]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

说明书

技术领域

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DROS-ELM的非线性过程工业故障预测及识别方法。

背景技术

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。

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。

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。

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

为了解决上述问题，本发明提出了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。

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OS-ELM神经网络(DROS-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。

本发明提供了一种基于压缩感知和DROS-ELM的故障预测及识别方法，所述方法包括：

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；

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；

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(OS-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。

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，输入故障识别模型以输出是否发生故障及故障类型。

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。

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p×1维的列向量L，组成的基准样本为：L＝[L₁,L₂,...,L_k]，其中L为故障训练样本矩阵，L_k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＝ψX；其中，ψ为傅里叶稀疏变换矩阵；(3)构建观测向量：O＝φS，其中φ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：其中表示重构的信号，||X||₁表示X的l₁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，并采用以下函数，进一步完成故障特征提取：