IGSA-KPCA鄰域建模的多模過程故障檢測方法

季　冰，楊　青，張景異

(沈陽理工大學(xué) 自動化與電氣工程學(xué)院，沈陽 110159)

?

IGSA-KPCA鄰域建模的多模過程故障檢測方法

季冰，楊青，張景異

(沈陽理工大學(xué) 自動化與電氣工程學(xué)院，沈陽 110159)

摘要：為提高多模過程故障檢測的準確率，提出改進引力搜索算法-核主元分析鄰域建模的故障檢測方法。首先應(yīng)用及時學(xué)習(xí)算法在參考數(shù)據(jù)集中找到待檢數(shù)據(jù)的相關(guān)數(shù)據(jù)，再將相關(guān)數(shù)據(jù)和待檢數(shù)據(jù)作為核主元分析檢測模型的輸入進行故障檢測。核主元分析模型中的參數(shù)對故障檢測性能有較大影響，提出改進引力搜索算法對模型中參數(shù)進行優(yōu)化，提高檢測性能。將所提方法應(yīng)用于青霉素多模過程進行實驗驗證，仿真結(jié)果表明所提方法在多模過程故障檢測中用時短、準確率高。

關(guān)鍵詞：多模過程故障檢測；及時學(xué)習(xí)算法；改進引力搜索算法；核主元分析；青霉素過程

隨著現(xiàn)代多模過程變得越來越復(fù)雜，及時進行故障檢測是對生產(chǎn)安全以及經(jīng)濟增長的有效保證，多模過程因為豐富的數(shù)據(jù)多應(yīng)用基于數(shù)據(jù)驅(qū)動的故障檢測方法[1]。KPCA[2]是一種經(jīng)典的數(shù)據(jù)驅(qū)動故障檢測方法并已成功應(yīng)用在許多工業(yè)過程中。如文獻[3]將K均值聚類和PCA算法結(jié)合提出多模過程檢測算法；文獻[4]提出了多操作模型的多模ICA-PCA故障檢測算法。

KPCA因可以解決非線性故障檢測而得到廣泛關(guān)注。KPCA中參數(shù)的選擇對其檢測結(jié)果有重要影響，因此需對參數(shù)進行優(yōu)化，如文獻[5]應(yīng)用GA算法對KPCA的參數(shù)進行優(yōu)化并驗證了所提方法的有效性。基于上述分析，為了提高多模過程故障檢測的準確率，本文提出IGSA-KPCA鄰域建模的多模過程故障檢測方法。

1KPCA鄰域建模

1.1JITL方法

傳統(tǒng)基于數(shù)據(jù)驅(qū)動的建模方法是基于全局數(shù)據(jù)建模，如神經(jīng)網(wǎng)絡(luò)、模糊集方法等。然而當(dāng)處理大量數(shù)據(jù)的多模過程時，傳統(tǒng)方法不能及時有效建模而且模型不能隨著工況的變化而及時更新。

為解決上述問題，Bontempi[6]提出了及時學(xué)習(xí)(just in time learing,JITL)方法，將多模過程的大量數(shù)據(jù)分組成多個子數(shù)據(jù)集。JITL假設(shè)所有正常工況下的數(shù)據(jù)都存入?yún)⒖紨?shù)據(jù)集中，鄰域建模時在參考數(shù)據(jù)集中查找待檢測數(shù)據(jù)的相關(guān)數(shù)據(jù)集。圖1說明了JITL與傳統(tǒng)鄰域方法的不同。傳統(tǒng)方法是離線建模而JITL可以在線建模，當(dāng)多模過程工況轉(zhuǎn)換頻繁時，傳統(tǒng)方法建模耗時且有可能中斷過程，而JITL能有效快速建模。

(a) 傳統(tǒng)方法(b) JITL

圖1JITL與傳統(tǒng)方法比較

將數(shù)據(jù)集uc和ui分別作為KPCA的訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)輸入樣本。JITL將大量的數(shù)據(jù)分為小樣本數(shù)據(jù)，減少了KPCA計算量，因此可以減少故障檢測所需時間。

1.2KPCA算法

核主元分析(kernelprincipalcomponentanalysis,KPCA)是將非線性輸入通過非線性映射Φ(·)映射到高維特征空間，再提取主元成分。將其映射到高維特征空間后，可以解決非線性問題，因此采用KPCA進行多模過程中的故障檢測[7]。

設(shè)X=x1,x2,…xn∈Rm是數(shù)據(jù)樣本，則通過線性映射Φ(X)∈Rn×f映射到特征空間中的協(xié)方差矩陣為

(1)

進行特征值分解則有：λv=ΨΦv。則

(2)

2IGSA-KPCA鄰域建模的多模過程故障檢測方法

2.1改進GSA

GSA[8]是基于物理學(xué)中萬有引力定律提出的新的啟發(fā)式算法。其基本算法過程在文獻[8]中已詳細給出，本文不再復(fù)述，標準GSA算法有易陷入局部最優(yōu)等缺點，為了克服這些缺點本文提出改進GSA算法。

本文從應(yīng)用混沌算法和自適應(yīng)權(quán)重策略兩方面對GSA進行改進，詳細分析如下。

因為混沌算法的執(zhí)行效率高、表示簡單和良好遍歷性能，本文將混沌算法應(yīng)用于初始化GSA個體的位置信息。通過應(yīng)用混沌算法，GSA不僅可以避免陷入局部最優(yōu)也有利于提高搜索速度。本文應(yīng)用Logistic映射得到混沌序列，公式如下：

Zn+1=μZn(1-Zn)

(3)

式中μ是控制參數(shù)，當(dāng)μ=4時系統(tǒng)完全混沌。

混沌算法過程如下：隨機產(chǎn)生第一個位置向量為：z1=(z11,…,z1D)，其中0≤z1n≤1，則z2=μz1(1-z1)，計算出z2,…,zN，再將各Zi分量載波到參數(shù)取值范圍中，得到GSA位置信息：

(4)

在GSA工作過程中，權(quán)重是用來平衡探索能力和開發(fā)能力的。傳統(tǒng)GSA中的權(quán)重是隨機產(chǎn)生的，本文應(yīng)用自適應(yīng)權(quán)重代替?zhèn)鹘y(tǒng)GSA中的隨機權(quán)重，使質(zhì)點在遠離最優(yōu)解時提高開發(fā)能力，質(zhì)點在最優(yōu)解附近時提高探索能力。自適應(yīng)權(quán)重計算公式如下：

(5)

圖2　IGSA流程圖

2.2IGSA-KPCA鄰域建模檢測方法

首先應(yīng)用JITL方法找到相關(guān)鄰域數(shù)據(jù)集，將相關(guān)鄰域數(shù)據(jù)集和待檢測數(shù)據(jù)集作為KPCA的輸入，再用IGSA優(yōu)化KPCA中核函數(shù)參數(shù)來提高故障檢測準確率。多模過程故障檢測流程圖如圖3所示。

圖3　IGSA-KPCA鄰域建模故障檢測方法

3實驗研究

青霉素過程被廣泛應(yīng)用于驗證故障檢測方法。青霉素過程數(shù)據(jù)是由Pensim軟件仿真產(chǎn)生的，仿真流程圖如圖4所示，操作界面如圖5所示，其故障類型如表1所示。

當(dāng)多模過程模式變換時，所提出的故障檢測方法檢測結(jié)果如圖6～圖9所示。與IGSA-KPCA、GSA-KPCA和KPCA方法相比，IGSA-KPCA鄰域建模檢測方法的優(yōu)點有：1)在操作模式變換時能有效檢測故障；2)通過應(yīng)用KPCA算法，所提方法提高了在非線性過程中的故障檢測性能；3)可以通過改進滿足在線建模需求。

表1　故障種類

表2　正常數(shù)據(jù)測試點

圖4　Pensim仿真流程圖

圖5　Pensim操作界面

圖6　KPCA檢測結(jié)果

圖7　GSA-KPCA檢測結(jié)果

圖8　IGSA-KPCA檢測結(jié)果

圖9　JITL-IGSA-KPCA檢測結(jié)果

最優(yōu)參數(shù)準確率/%KPCA86GSA-KPCA814.7290IGSA-KPCA186.9596JITL-IGSA-KPCA732.5898

4結(jié)束語

提出了IGSA-KPCA鄰域建模故障檢測方法對多模過程進行故障檢測。所提方法中，JITL在參考數(shù)據(jù)集中找到待檢測數(shù)據(jù)集的相關(guān)數(shù)據(jù)集作為KPCA的訓(xùn)練輸入，使所提方法能更好地應(yīng)用于多模過程中。參數(shù)的選擇對KPCA檢測性能影響重大，應(yīng)用基于混沌算法和自適應(yīng)權(quán)重策略改進的GSA算法對KPCA中的參數(shù)進行優(yōu)化。將所提方法應(yīng)用于青霉素過程中證明所提方法對多模過程較傳統(tǒng)方法有更高的準確率。

參考文獻：

[1]N S J.Survey on data-driven industrial process monitorint and fault diagnosis[J].Annual Reviews in Control,2012,36(2):220-234.

[2]BERNHARD S,ALEXANDER S.Nonlinear component analysis as a kernel eigenvalue problem[J].Neural Computation,1998,10(5):1299-1319.

[3]SATHISH N,RAJAGOPALAN S.Multi-mode based process condition monitoring of off shore oil and gas production process[J].Chemical Engineering Research and Design,2010,88(5):572-591.

[4]ZHU Z,SONG Z.Process pattern construction and multi-mode monitoring[J].Process Control,2012,22(1):247-262.

[5]JIA M X,XU H Y,LIU X F.The optimization of the kind and parameters of kernel function in KPCA for process monitoring[J].Computers and Chemical Engineering,2012,46(15):94-104.

[6]BONTEMPI G,BIRATTARI M.The local paradigm for modeling and control:From neural-fuzzy to lazy learning[J].Fuzzy Sets and Systems,2001(121):59-72.

[7]范玉剛，李平，宋執(zhí)環(huán).基于特征樣本的KPCA在故障診斷中的應(yīng)用[J].控制與決策2005，20(12)：1415-1422.

[8]RASHEDI E,NEZAMABADI-POUR H,SARYAZDI S.GSA:A Gravitation Search Algorithm[J].Informaton Science,2009,179(13):2232-2248.

(責(zé)任編輯：馬金發(fā))

Multimode Process Fault Detection Approach Based on IGSA-KPCA Neighborhood Modeling

JI Bing，YANG Qing，ZHANG Jingyi

(Shenyang Ligong University，Shenyang 110159，China)

Abstract：In order to improve multimode process fault detection low accuracy,an ensemble method called improved gravitational search algorithm-kernel principal component analysis(IGSA-KPCA) neighborhood modeling is proposed.Firstly,the related data is found in reference data sets by using just in time learning (JITL) approach,then the related data is set and current data are used as inputs of the KPCA model.KPCA model parameters have great influence on fault detection performance and improved GSA is put forward to optimize the KPCA model parameters,which improves fault detection performance.Finally,the proposed method is applied to penicillin multimode process and the simulation results show that IGSA-KPCA neighborhood modeling method is better than traditional method for multimode process fault detection with fast and high accuracy.

Key words：multimode process fault detection;JITL;IGSA;KPCA;penicillin process

中圖分類號：TP206

文獻標志碼：A

文章編號：1003-1251(2016)01-0022-05

作者簡介：季冰(1990—)，女，碩士研究生；通訊作者：楊青(1963—)，男，教授，研究方向：故障檢測、診斷與預(yù)測技術(shù)。

基金項目：遼寧省教育廳科學(xué)研究基金資助項目(L2014083)

收稿日期：2015-01-05