[发明专利]一种基于改进选择性进化随机网络的海水淡化系统故障诊断方法

说明书

本发明公开了一种基于改进选择性进化随机网络的海水淡化系统故障诊断方法，涉及故障诊断技术领域，包括以下步骤：选取特征差异较大的若干分类数据集作为原始网络(PNN)构建数据集；生成一个初始随机单隐层前馈神经网络；基于PNN构建数据集，采用基于智能PID控制的自适应人类学习优化算法(AHLOPID)优化该网络以获得PNN；将PNN用于具体故障诊断，基于海水淡化系统故障数据利用AHLOPID协同进行实际工作网络优化及特征选择；最终将得到的最优分类器用于实际故障诊断。本发明通过构建PNN提高了故障诊断泛化性能，将AHLOPID用于网络的设计以克服随机前馈神经网络在实际应用中由于随机化带来的不稳定性，从而提高了海水淡化系统故障诊断准确率，保证了系统的稳定运行。

技术领域

本发明涉及故障诊断技术领域，具体涉及一种基于改进选择性进化随机网络的海水淡化系统故障诊断方法。

背景技术

随着远洋船舶技术的发展，其规模和装置逐渐大型化、复杂化，淡水的需求量也随之变大，远洋船舶上越来越多地采用海水淡化系统。海水淡化系统的故障不仅会造成经济损失，还有可能影响船舶的续航，因此对船舶上海水淡化系统的稳定性和可靠性提出了更高的要求，针对海水淡化系统开展故障诊断工作具有重要意义。

随机前馈神经网络(Random Feedforward Neural Network，RFNN)基于随机化的网络训练方法，通过对固定网络配置(例如连接)或网络参数进行随机化操作，能够有效地改善传统基于梯度的神经网络存在的梯度爆炸、收敛速度慢及易陷入局部最优等问题，同时具有良好的逼近能力和泛化学习能力，近年来在分类等问题(如故障诊断)上得到了深入研究与广泛应用。RFNN的输入层权重值和中间层神经元偏置值都是随机产生的，其网络结构一旦确定，只需要训练得到输出层权重值即可确定整个神经网络。其中，随机向量泛函连接网络(Random Vector Functional Link Networks，RVFL)和极限学习机(Extremelearning machine，ELM)是两种典型的随机前馈神经网络，两者区别在于网络结构的输入与输出节点有无直连权值。近年来，由于ELM的应用相对更为广泛，因此本发明的RFNN采用ELM网络结构。然而，RFNN在处理实际故障诊断问题时，一方面，网络的权值和中间层节点的偏置均为随机产生，理论上其需要设置一个足够大的中间层节点数以保证算法性能，但中间层节点数过大会使得算法对计算资源需求增大而影响分类性能；另一方面，故障诊断数据中的冗余和不相关特征会提高信息处理的难度，从而导致故障诊断准确率不理想。

人类学习优化(Human Learning Optimization，HLO)算法是一种实现简单、性能优异的元启发式优化算法，其模拟人类的随机学习行为、个体学习行为和社会学习行为，通过所设计的随机学习算子、个体学习算子和社会学习算子产生新解并于解空间中搜索最优解。在这三种操作算子中，以pr为控制参数的随机学习算子在维持种群多样性和执行局部搜索上发挥了重要作用，直接影响着HLO的探索和开采功能，前期的自适应策略的一般适用性存在不足，因此需要针对参数pr提出通用性更强的自适应策略，这成为亟待了解决的技术问题。

发明内容

为了解决现有技术问题，本发明的目的在于克服已有技术存在的不足，提供一种基于改进选择性进化随机网络的海水淡化系统故障诊断方法，运用基于智能PID控制的自适应人类学习优化算法(Adaptive Human Learning Optimization based onIntelligent PID Control，AHLOPID)实现改进选择性进化随机网络(Improved SelectiveEvolutionary Random Network，ISERN)的设计，从而实现对远洋船舶海水淡化系统的故障诊断。

为达到上述目的，本发明的构思是：