没有合适的资源?快使用搜索试试~ 我知道了~
基于KECA-IGWO-KELM的间歇过程故障诊断方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 156 浏览量
2022-11-03
11:34:35
上传
评论
收藏 486KB DOCX 举报
温馨提示
试读
13页
基于KECA-IGWO-KELM的间歇过程故障诊断方法.docx
资源推荐
资源详情
资源评论
0 引言
随着现代社会对多品种、多规格和高质量产品的迫切需求以及生产设备的日渐复杂,间歇生产方式
作为生产多品种小批量、高附加值的重要手段成为复杂工业过程产品质量保证的关键环节
[1-2]
,普遍存在
于精密机械、生物医药、核反应堆、沥青产品和精细化工等小批量高附加值产品的生产中,间歇工业生产
过程安全性越来越受到人们重视,其故障诊断也成为一个研究热点
[3]
.
间歇过程因其过程的复杂性,其数据往往呈现出多阶段、强耦合性以及非线性等特点,如何将过程
数据进行融合并挖掘有效信息成为间歇过程故障诊断的难点.间歇过程具有明显的多阶段特征,变量之间
的关系与过程的特性有较大关联度,并非简单地随时间发生线性转变,因此,合理有效地进行阶段划分是
间歇过程诊断和预测工作的一个重要前提.吕宁等
[4]
采用核主元分析方法中的主元相似度指标将间歇过程进
行了粗划分与细划分,但划分结果稳定性较差.邓晓刚等
[5]
根据数据的核熵主元关联矩阵的相似性进行阶段
划分,却忽略了质量因素对于阶段划分的作用.以上阶段划分方法存在对间歇生产数据本身机理特性或潜
在特征分析不足以及适应性欠缺的问题.同时,在数据特征提取方面,主成分分析法是一种经典的特征提
取方法,可有效提取特征之间的线性关系,但无法有效地处理非线性问题
[6-7]
.Scholkopf 等
[8]
引入核方法进
行改进,提出核主元成分分析方法使数据在高维空间线性可分.Jenssen
[9]
在核主元成分分析方法的基础
上,引入熵的概念,提出核熵成分分析(kernel entropy component analysis,KECA),按 Renyi 熵值的大
小在特征空间中选取特征值和特征向量,具有独特非线性数据特征提取优势,能较好地解决间歇过程数据
非线性、强耦合性等问题
[10]
.
目前,间歇过程故障诊断方法主要通过采集各运行状态下的数据,通过特征提取和机器学习的方法
进行故障诊断.如 Bo 等
[11]
将支持向量机与独立成分分析相结合,在复杂化工过程获得成功应用.张雷等
[12]
提出 Gath-Geva 算法和核极限学习机的方法,进行多阶段间歇过程软测量,并取得了较好的诊断效果.核
极限学习机(kernel extreme learning machine,KELM)是在极限学习机中引入核函数提出的优化方法.当
应用 KELM 进行诊断时,惩罚参数与核宽参数的选择对其分类效果有很大的影响
[13-14]
,而对于参数的选
择还没有一个确切的方法.章勇高等
[15]
提出了使用遗传算法对 KELM 参数进行寻优,取得了良好的效果.涂
异等
[16]
使用粒子群算法选择 KELM 参数,进而提高分类预测精度.这两种算法迭代时间长,且比较容易陷
入局部最优.灰狼优化算法是一种新型群智能优化算法,具有运算快、全局搜索和局部开发能力比较平衡
的特点
[17]
,然而它也存在求解精度低,易出现早熟收敛等不足.
针对以上分析,本文提出一种基于核熵成分分析和改进灰狼优化算法优化核极限学习机的间歇过程
故障诊断方法.首先利用 K 均值算法对间歇过程进行阶段划分,再引入 KECA 进行间歇过程数据的特征提
取,利用 KELM 作为故障识别算法建立故障诊断模型,并构建改进灰狼优化(improve grey wolf
optimization,IGWO)算法实现 KELM 参数的智能寻优,自动建立最优故障诊断模型.通过对青霉素仿真实
验数据进行实验,验证了该方法的有效性以及优越性.
1 故障数据处理 1.1 故障数据阶段划分
间歇过程变量运行轨迹随过程机理特性或操作进程的变化呈阶段特性,不同时间段的数据体现不同
特征.若将整段数据作为一个样本建立诊断模型会忽略其阶段特性,导致效果下降.因此本文在数据处理阶
段,首先对过程进行阶段划分,将一个批次整段数据划分为若干个阶段,分别在每个阶段上建立故障诊断
模型,以适应间歇过程阶段性特征.
K 均值算法
[18]
经常用于聚类分析中,算法随机产生 L 个初始位置点,将这些点作为 L 个簇的初始中
心点,采用就近原则将点划分到邻近簇,然后通过计算各簇质心,重新确定质心,重复迭代直到质心的范
围满足要求.设初始聚类中心 Z={z
1
,z
2
,…,z
L
}及聚类数据 x=(x
1
,x
2
,…,x
n
),则 K 均值算法分为以下
5 个步骤:
1) 随机选取 L 个对象作为 n 个数据的初始聚类中心.
2) 计算数据 x
i
∈x 到聚类对象 z
j
(j=1,2,…,L)的马氏距离.
3) 重新计算中心点.
4) 若新的中心与上次相同,则转到步骤 5),若不同则转到步骤 2)继续迭代,直到满足迭代要求.
5) 结束并输出聚类结果.
1.2 故障数据特征提取
由于间歇过程数据的非线性、强耦合性等特点,数据维度较高,将其直接用于模型的训练与故障诊
断,会大大降低精度,本文引入 KECA 方法对数据进行特征提取,获得数据高效低维表达,提高诊断精
度.
KECA 方法以数据变化前后的 Renyi 熵损失最小化为目标.设某一概率系统中有 n 个事件{X
1
,
X
2
,…,X
n
},x
i
和 x
j
为事件 X
i
和 X
j
发生的具体数据向量.记事件 X 发生的概率为 P(x),则其数据的
Renyi 熵指标可以表示为
(1)
对数函数是单调函数,因此可只对一部分积分进行单独定义:
(2)
使用 Parzen 概率密度算子
[13]
对 V(P)进行估计求出 Renyi 熵:
(3)
(4)
其中,I 为 N 维单位向量,K 为样本核矩阵.
式(4)为 Renyi 熵的核矩阵表达,将其分解为
(5)
其中,D
λ
为特征值 λ
1
,…λ
n
组成的对角矩阵;E 为特征向量 e
1
,…,e
n
组成的矩阵.
因此,式(3)进一步可表示为
(6)
2 核极限学习机故障诊断模型 2.1 核极限学习机原理
极限学习机本质上是一种单隐层前向神经网络的训练算法,区别于其它神经网络的迭代求解,ELM
可以通过一步计算解析求出神经网络的输出权值,具有很快的学习速率.在 ELM 算法中有:
(7)
其中,x 为样本输入;f(x)为网络输出;h(x)、H 为隐含层随机特征映射矩阵;β 为隐含层与输出层
连接权值,T 为类别向量;C 为正则化系数.
为增强其稳定性,Huang 引入核方法
[19]
,提出了 KELM 算法.定义 KELM 核矩阵 Ω
ELM
如下:
(8)
式中,x
i
和 x
j
为输入向量,i 和 j 为正整数;K(x
i
,x
j
)为 RBF(radial basis function)核函数:
(9)
其中,x
i
,x
j
为样本间欧氏范数;γ 为核参数.依据上式将 ELM 算法公式变换为
剩余12页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3543
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功