[发明专利]一种改进的群智能机器学习故障诊断系统

说明书

本发明公开了一种改进的群智能机器学习故障诊断系统，用于对田纳西伊斯曼过程进行故障诊断，包括数据预处理模块、主成分分析模块、加权最小二乘支持向量机模块以及粒子群算法模块。本发明对田纳西伊斯曼化工过程的重要参数指标进行故障诊断预测，克服已有的化工故障诊断技术仪表预报精度不高、易受人为因素影响的不足，引入粒子群算法模块对加权最小二乘支持向量机参数进行自动优化，不需要人为经验或多次测试来调整系统参数，从而得到具有最优的粒子群算法加权最小二乘支持向量机田纳西伊斯曼化工故障诊断系统。此故障诊断系统预报的鲁棒性好，系统参数少，十分简便。

技术领域

本发明涉及故障诊断领域、机器学习领域和群智能优化算法领域，尤其涉及一种结合机器学习和群智能优化算法的田纳西伊斯曼过程化工故障诊断系统。

背景技术

化工故障诊断一直是化工领域中的重点和难点，化工过程中包含了大量的工艺变量，导致传统的化工故障诊断技术越来越无法满足化工过程故障诊断的要求。计算机在现代工业化管理中的出现，大大地提高了生产效率，降低了生产成本，为企业和国家都带来了巨大的经济效益。但是，化工工业过程系统结构复杂，系统内部各个部分之间相互耦合，某一部分发生故障就很有可能引起链式反应，导致整个系统无法正常运行。在化工生产过程中，如果不能及时地排除故障，就有可能引发灾难性事件。如1984年，墨西哥一家炼油厂发生石油气爆炸，导致7000多人受伤，500多人死亡。同年，印度博帕尔的美国联合碳化物公司的一家农药厂发生了将近45万吨的甲基异氰酸酯泄露，导致近4万人受伤，2374人死亡。因此，如何高效地监控化工过程、及时地诊断出故障并确定故障原因是当今面临的热点和难点，提升生产过程中的状态监控技术和故障诊断能力具有重要的现实意义。加权最小二乘支持向量机是一种监督式机器学习方法，具备完整的统计学习理论基础，在数字识别、人脸识别等领域中表现出很多特有的优势，适合于小样本和非线性高维数据，可以进行数据分析、模式识别和分类回归。

发明内容

为了克服目前已有的故障诊断技术的预报精度不高、易受人为因素影响的不足，本发明的目的在于提供一种鲁棒性高、参数少、十分简便的群智能机器学习故障诊断系统。

本发明解决其技术问题所采用的技术方案是：一种改进的群智能机器学习故障诊断系统，用于对田纳西伊斯曼过程进行故障诊断，包括数据预处理模块、主成分分析模块、加权最小二乘支持向量机模块以及粒子群算法模块。其中：

数据预处理模块：田纳西伊斯曼过程的52个变量为数据预处理模块的输入。由于每个变量都有不同的单位，为了防止不同的量纲引起数据量级之间的误差，先对所有数据进行标准化处理，标准化公式如下：

其中，mean表示各变量的算术平均值，std表示各变量的标准差，表示输入变量的值，下标i表示第i次检测、j分别表示第j维变量，x_ij表示标准化后输入变量的值作为输入数据。标准化后的数据为S＝{x_i1,x_i2,...x_i52}。

主成分分析模块：通过主成分分析来保证在不降低系统精度的情况下降低系统的复杂度。将标准化后的数据S＝{x_i1,x_i2,...x_i52}进行主成分分析，保留85％的主要成分。

加权最小二乘支持向量机模块：用于建立诊断系统，由支持向量机进行改进，引入权重系数：

通过误差函数最小化来完成输入到输出的一种高度非线性映射，映射中保持拓扑不变性。其中J表示目标函数、w表示惯性权重、ξ表示误差、C表示惩罚因子、u表示权重系数、表示核函数映射、b表示偏执、x为输入数据、y为输出数据，下标i表示第i个数据，上标T表示矩阵的转置。该模块采用性能优秀、所需参数少的RBF核函数K，函数如下：