开云优惠体育网页版入口

专利名称：基于自适应随机配置网络的间歇过程故障预测方法

专利类型：发明专利

专利申请号：CN202410220859.7

专利申请（专利权）人：兰州理工大学
权利人地址：甘肃省兰州市兰工坪287号

专利发明（设计）人：刘凯,赵小强,宋昭漾,牟淼,强睿儒,张妍,张亚洲,柴靖轩

专利摘要：本发明公开了一种基于自适应随机配置网络的间歇过程故障预测方法，利用慢特征分析提取间歇过程动态特征，建立模型更新指标，实现模型失配判断。利用邻域保持嵌入提取过程数据特征，构建过程监控时间序列，利用优化后的随机配置网络完成过程监控时间序列的趋势预测；当监测模型不匹配且需要更新时，使用在线数据的正常时域样本创建更新的数据集，并使用神经网络增量策略更新模型以适应动态时变特性，提高了故障预测的性能。实时监测复杂间歇过程的故障状态，准确预测故障趋势。

主权利要求：
1.一种基于自适应随机配置网络的间歇过程故障预测方法，其特征在于，包括如下步骤：S1：采集间歇过程正常工况离线数据作为训练样本集输入至邻域保持嵌入模型进行模型训练，获得训练后的邻域保持嵌入模型；使用慢特征分析算法提取离线数据的慢特征，计算邻域保持嵌入模型的更新指标的控制限 和S2：采集间歇过程在线数据作为在线数据集输入至训练后的邻域保持嵌入模型，并提取过程数据特征；使用慢特征分析计算在线数据的更新指标 和 判断其中至少一项更新指标是否超过控制限，若是则进入S3；若否，则不更新邻域保持嵌入模型，进入S4；
S3：在在线数据集的历史数据中选择与当前在线数据相邻时间窗口中的正常时域数据加入至训练样本集，创建更新的样本集，结合神经网络增量策略更新邻域保持嵌入模型，进入S4；
S4：根据邻域保持嵌入模型输出的过程数据特征，获得平方预测误差统计量，形成过程监控时间序列SPE，进入S5；
S5：利用猎人?猎物优化算法优化随机配置网络，并以网络残差最小化作为优化后随机配置网络的适应度函数；所述过程监控时间序列SPE输入至优化后随机配置网络预测得到时间序列SPE的状态趋势。
2.根据权利要求1所述的一种基于自适应随机配置网络的间歇过程故障预测方法，其特征在于，所述S1包括：慢特征分析算法提取过程训练数据的慢特征，并构建模型更新索引，所述慢特征包括：M
优势慢特征sd∈R和残差慢特征 其中优势慢特征的变化速度小于残差慢特征的变化速度，Me表示变化速度比所有输入{xi(t),1≤i≤m}都快的慢特征数量，优势慢特征数量为M＝m?Me。
3.根据权利要求2所述的一种基于自适应随机配置网络的间歇过程故障预测方法，其特征在于，所述更新指标计算如式(1)和式(2)所示：采用核密度估计的方法计算更新指标的控制限 和
4.根据权利要求1所述的一种基于自适应随机配置网络的间歇过程故障预测方法，其特征在于，所述S3包括：从历史在线数据集中与当前在线数据相邻时间窗口中的正常时域数据加入至训练样本集，创建更新的样本集，结合神经网络增量策略更新邻域保持嵌入模型；更新策略如式(3)和式(4)所示：其中，Q(i)是相邻时间窗口中的正常时域数据集合；W满足归一化约束，θ是在旧的训练集上训练邻域保持嵌入模型得到的原始参数，Dθ是在增量数据集上训练该邻域保持嵌入模型获得的参数增量， 表示旧的邻域保持嵌入模型的重构输出， 表示参数从θ更新为θ+Dθ后模型的重构误差。
5.根据权利要求1所述的一种基于自适应随机配置网络的间歇过程故障预测方法，其特征在于，所述S4包括：具有隐藏层节点的当前残差定义如式(5)所示：
T
eL?1＝f?fL?1＝[eL?1,1,…,eL?1,q,…,eL?1,m](5)2
其中，eL?1为L?1个隐藏单元的当前残差，f为目标函数，||eL||如式(6)所示：
2 2
其中，||eL||为残差序列，gL为实值函数，βL,q定义为/||gL||；
适应度函数定义如式(7)所示：
其中，Y(L)为正则化函数，wL和bL为L层的权重和偏差，hL为第L层隐节点的输出，由式(8)所得：*
在随机配置网络中，输出权值β ＝[β1,β2,…,βL]通过求解线性系统HLβ＝T的最小二乘解解析确定，如式(9)所示；
其中，HL为隐藏层输出矩阵， 的奇异值分解如式(10)所示：其中，U和V是两个正交列矩阵， σi是HL的奇异值；利用奇异值分解估计输出矩阵HL的秩；利用正交三角分解法得到排列矩阵和正交矩阵的子矩阵，使其列轴符合条件要求；根据排列矩阵选择独立的列集；利用符合条件要求的子矩阵得到最小范数最小二乘解。 说明书 : 基于自适应随机配置网络的间歇过程故障预测方法技术领域[0001] 本发明涉及间歇过程故障预测技术领域，特别涉及一种基于自适应随机配置网络的间歇过程故障预测方法。背景技术[0002] 作为工业生产的重要方式之一，间歇过程具有批量小、品种多、操作批次灵活等优点。随着自动化程度的提高和工艺流程的日益复杂，生产系统的安全性和可靠性变得越来越重要。因此，监控和预测过程状态、提前预知故障发生并及时采取措施以减轻或避免损失就显得尤为重要。[0003] 随着工业物联网的发展，收集到的大量生产过程数据，用于分析过程状态和预测故障。在简单的生产过程中，在生产中断前检测或预测故障可能很容易实现，但在复杂的工业过程中，尤其是在复杂的批量流程工业中，挑战依然严峻。挑战的主要原因在于大量的高维数据和不断变化的运行条件，这使得过程监控变得更加困难。[0004] 基于门循环单元和长短期记忆的传统算法用于故障预测，对于这种深度神经网络，其参数很多，训练过程非：氖。随机配置网络是一种具有普遍近似性质的增量学习方法，使用监督机制在一组不等式约束下，随机配置隐层节点的参数，与传统迭代算法相比训练速度更快。[0005] 对于间歇过程，由于工作条件和环境等因素的变化，工业特性也会发生变化，这种变化反映在变量相关性随时间的逐渐变化上，鉴于这种时变特性，如果仍然使用静态模型来描述过程，将导致模型不匹配，进而导致监测结果不准确，实时监测复杂间歇过程的故障状态，准确预测故障趋势是过程监控的重要任务。[0006] 因此，如何提供一种能够适应间歇过程动态时变特性的基于自适应随机配置网络的间歇过程故障预测方法是本领域技术人员亟待解决的技术问题。发明内容[0007] 本发明针对上述研究现状和存在的问题，提供了一种基于自适应随机配置网络的间歇过程故障预测方法，能够适应运行条件的变化导致间歇过程特性的变化，实现了间歇过程故障状态的实时监控，并准确预测故障趋势。[0008] 本发明提供的一种基于自适应随机配置网络的间歇过程故障预测方法，包括如下步骤：[0009] S1：采集间歇过程正常工况离线数据作为训练样本集输入至邻域保持嵌入模型进行模型训练，获得训练后的邻域保持嵌入模型；使用慢特征分析算法提取离线数据的慢特征，计算邻域保持嵌入模型的更新指标的控制限 和[0010] S2：采集间歇过程在线数据作为在线数据集输入至训练后的邻域保持嵌入模型，并提取过程数据特征；使用慢特征分析计算在线数据的更新指标 和 判断其中至少一项更新指标是否超过控制限，若是则进入S3；若否，则不更新邻域保持嵌入模型，进入S4；[0011] S3：在在线数据集的历史数据中选择与当前在线数据相邻时间窗口中的正常时域数据加入至训练样本集，创建更新的样本集，结合神经网络增量策略更新邻域保持嵌入模型，进入S4；[0012] S4：根据邻域保持嵌入模型输出的过程数据特征，获得平方预测误差统计量，形成过程监控时间序列SPE，进入S5；[0013] S5：利用猎人?猎物优化算法优化随机配置网络，并以网络残差最小化作为优化后随机配置网络的适应度函数；所述过程监控时间序列SPE输入至优化后随机配置网络预测得到时间序列SPE的状态趋势。[0014] 优选的，所述S1包括：[0015] 慢特征分析算法提取过程训练数据的慢特征，并构建模型更新索引，所述慢特征M包括：优势慢特征sd∈R 和残差慢特征 其中优势慢特征的变化速度小于残差慢特征的变化速度，Me表示变化速度比所有输入{xi(t),1≤i≤m}都快的慢特征数量，优势慢特征数量为M＝m?Me。[0016] 优选的，所述更新指标计算如式(1)和式(2)所示：[0017][0018][0019] 采用核密度估计的方法计算更新指标的控制限 和[0020] 优选的，所述S3包括：[0021] 从历史在线数据集中与当前在线数据相邻时间窗口中的正常时域数据加入至训练样本集，创建更新的样本集，结合神经网络增量策略更新邻域保持嵌入模型；更新策略如式(3)和式(4)所示：[0022][0023][0024] 其中，Q(i)是相邻时间窗口中的正常时域数据集合；W满足归一化约束，θ是在旧的训练集上训练邻域保持嵌入模型得到的原始参数，Dθ是在增量数据集上训练该邻域保持嵌入模型获得的参数增量， 表示旧的邻域保持嵌入模型的重构输出，表示参数从θ更新为θ+Dθ后模型的重构误差。[0025] 优选的，所述S4包括：[0026] 具有隐藏层节点的当前残差定义如式(5)所示：[0027] eL?1＝f?fL?1＝[eL?1,1,…,eL?1,q,…,eL?1,m]T(5)[0028] 其中，eL?1为L?1个隐藏单元的当前残差，f为目标函数，||eL||2如式(6)所示：[0029][0030] 其中，||eL||2为残差序列，gL为实值函数，βL,q定义为/||gL||2；[0031] 适应度函数定义如式(7)所示：[0032][0033] 其中，Y(L)为正则化函数，wL和bL为L层的权重和偏差，hL为第L层隐节点的输出，由式(8)所得：[0034][0035] 在随机配置网络中，输出权值β*＝[β1,β2,…,βL]通过求解线性系统HLβ＝T的最小二乘解解析确定，如式(9)所示；[0036][0037] 其中，HL为隐藏层输出矩阵， 的奇异值分解如式(10)所示：[0038][0039] 其中，U和V是两个正交列矩阵， σi是HL的奇异值；利用奇异值分解估计输出矩阵HL的秩；利用正交三角分解法得到排列矩阵和正交矩阵的子矩阵，使其列轴符合条件要求；根据排列矩阵选择独立的列集；利用符合条件要求的子矩阵得到最小范数最小二乘解。[0040] 相较现有技术具有以下有益效果：[0041] (1)通过慢特征分析提取过程数据的动态特性，建立邻域保持嵌入模型的更新指标，当模型需要更新时，从在线样本数据附近窗口的训练数据中选择更新数据集。[0042] (2)在随机配置网络的监督机制下，利用猎人?猎物优化算法优化新增隐藏层节点的参数，能更快地降低网络残差，同时结合奇异值分解和正交三角分解与列旋转来解决随机配置网络的非正定问题。[0043] (3)具有动态自适应的邻域保持嵌入模型用于提取数据特征并进行特征重构，通过该模型构建平方预测误差统计量作为故障状态特征，利用优化后的随机配置模型实现状态趋势预测。附图说明[0044] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。[0045] 图1为本发明实施例提供的一种基于自适应随机配置网络的间歇过程故障预测方法的原理图；[0046] 图2为本发明实施例提供的自适应随机配置网络的间歇过程故障预测网络框架图；[0047] 图3为本发明实施例提供的不同算法在40个测试批次的预测结果箱线图。具体实施方式[0048] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0049] 本发明公开了一种基于自适应随机配置网络的间歇过程故障预测方法，包括如下步骤：[0050] S1：采集间歇过程正常工况离线数据作为训练样本集，进行归一化处理后输入至邻域保持嵌入模型进行模型训练，获得训练后的邻域保持嵌入模型；使用慢特征分析算法提取 离线数据的慢特征，计算邻域保持嵌入模型的更新指标的控制限 和[0051] S2：采集间歇过程在线数据作为在线数据集输入至训练后的邻域保持嵌入模型，并提取过程数据特征；使用慢特征分析计算在线数据的更新指标 和 判断其中至少一项更新指标是否超过控制限，若是则进入S3；若否，则不更新邻域保持嵌入模型，进入S4；[0052] S3：在在线数据集的历史数据中选择与当前在线数据相邻时间窗口中的正常时域数据加入至训练样本集，创建更新的样本集，结合神经网络增量策略更新邻域保持嵌入模型，进入S4；[0053] S4：根据邻域保持嵌入模型输出的过程数据特征，获得平方预测误差(Squarepredictionerror，SPE)统计量，形成过程监控时间序列SPE，进入S5；[0054] S5：利用猎人?猎物优化算法优化随机配置网络，并以网络残差最小化作为优化后随机配置网络的适应度函数；所述过程监控时间序列SPE输入至优化后随机配置网络预测得到时间序列SPE的状态趋势。[0055] 在一个实施例中，S1包括：[0056] 慢特征分析算法用于提取过程训练数据的慢特征，并构建模型更新索引，慢特征M包括：优势慢特征sd∈R 和残差慢特征 其中优势慢特征的变化速度小于残差慢特征的变化速度，Me表示变化速度比所有输入{xi(t),1≤i≤m}都快的慢特征数量，优势慢特征数量为M＝m?Me。[0057] 本实施例中，为了监视模型的匹配属性，更新指标计算如式(1)和式(2)所示：[0058][0059][0060] 采用核密度估计的方法计算更新指标的控制限 和[0061] 在一个实施例中，S3包括：[0062] 从在线数据集的历史数据中与当前在线数据相邻时间窗口中的正常时域数据加入至训练样本集，创建更新的样本集，利用更新的样本集结合神经网络增量策略更新邻域保持嵌入模型，即对邻域保持嵌入模型进行重训练，重训练后的邻域保持嵌入模型再次对在线数据进行过程数据特征提。魑笮呕婊渲猛绲氖淙，以提高过程数据特征提取的准确度和优化随机配置网络的预测精度；更新策略如式(3)和式(4)所示：[0063][0064][0065] 其中，Q(i)是相邻时间窗口中的正常时域数据集合；W满足归一化约束，θ是在旧的训练集上训练邻域保持嵌入模型得到的原始参数，Dθ是在增量数据集上训练该邻域保持嵌入模型获得的参数增量， 表示旧的邻域保持嵌入模型的重构输出，表示参数从θ更新为θ+Dθ后模型的重构误差。[0066] 在一个实施例中，S4包括：[0067] 在改进后的随机配置网络中，网络残差被定义为随机配置网络监督机制下猎人?猎物优化算法的适应度的函数。优化后的算法可以使网络残差最小化，而随机配置网络的监督机制保证了算法的一般逼近性。对于给定的目标函数，具有隐藏层节点的当前残差定义如式(5)所示：[0068] eL?1＝f?fL?1＝[eL?1,1,…,eL?1,q,…,eL?1,m]T(5)[0069] 其中，eL?1为L?1个隐藏单元的当前残差，f为目标函数，||eL||2如式(6)所示：[0070][0071] 其中，||eL||2为残差序列，gL为实值函数，βL,q定义为/||gL||2；[0072] 为了提高网络残差的减少率和SCN的泛化能力，选择网络残差作为捕食优化算法的适应度函数。适应度函数定义如式(7)所示：[0073][0074] 其中，Y(L)为正则化函数，wL和bL为L层的权重和偏差，hL为第L层隐节点的输出，由式(8)所得：[0075][0076] 在随机配置网络中，输出权值β*＝[β1,β2,…,βL]通过求解线性系统HLβ＝T的最小二乘解解析确定，如式(9)所示；[0077][0078] 其中，HL为隐藏层输出矩阵， 的奇异值分解如式(10)所示：[0079][0080] 其中，U和V是两个正交列矩阵， σi是HL的奇异值；如果输出矩阵HL是不正定的，σi可能会接近于零，并且 会很大，当这些奇异值在计算中接近于零时，会使解不稳定。结合奇异值分解和正交三角分解与列旋转来解决随机配置网络的非正定问题，步骤如下：[0081] 首先，利用奇异值分解估计输出矩阵HL的秩；[0082] 其次，利用正交三角分解法得到排列矩阵和正交矩阵的子矩阵，使其列轴符合条件要求；[0083] 然后，根据排列矩阵选择独立的列集；利用符合条件要求的子矩阵得到最小范数最小二乘解。[0084] 下面结合青霉素发酵过程来说明具体实施方法：[0085] 青霉素发酵过程是一个典型的间歇过程，涉及从原料到最终产品的复杂生物和化学变化。发酵过程中存在许多控制回路和变量，经常发生故障，严重影响生产性能和产品质量。工业规模的青霉素发酵平台，除了对必要的在线和离线变量进行建模外，它还考虑了大规模青霉素发酵的生长、代谢和降解。通过指定多种控制策略来减少系统波动，最大限度地提高青霉素的产量。本研究选择不同控制策略下50批次数据，发酵反应时间为230小时，其中每12分钟收集一次数据。选择20个主要工艺变量，如表1所示。[0086] 表1工业规模青霉素发酵过程中工艺变量的描述[0087][0088][0089] 如图1所示为本发明公开的基于自适应随机配置网络的间歇过程故障预测方法的流程图，具体的步骤如下：[0090] (1)采集离线数据并进行归一化处理，训练邻域保持嵌入模型，同时使用慢特征分2析算法计算更新指标T 和 并进一步使用核密度估计的方法计算更新指标的控制限和[0091] (2)采集并标准化在线数据，并使用慢特征分析计算在线数据的更新指标 和当其中至少一项更新指标超过控制限时，认为当前的邻域保持嵌入模型需要更新，否则邻域保持嵌入模型不需要更新。[0092] (3)当需要更新邻域保持嵌入模型时，从历史数据集中在线样本数据附近的时间窗口中选择更新数据集，更新后的邻域保持嵌入模型将学习新的正常数据的特征。[0093] (4)利用猎人?猎物优化算法优化随机配置网络，如图2所示为基本随机配置网络结构图。优化后的算法可以使网络残差最小化，而随机配置网络的监督机制保证了算法的一般逼近性。[0094] (5)利用改进后的随机配置网络预测时间序列SPE的状态趋势：根据从邻域保持嵌入模型中学习到的特征，获得平方预测误差(Squarepredictionerror，SPE)统计量，将平方预测误差统计量按前后时刻排列，形成时间序列SPE。[0095] 上述步骤为本发明在典型间歇过程中采集关键变量的故障预测应用。本发明涉及长短期记忆(LongShortTermMemory,LSTM)网络：最大迭代数为1000，隐藏单元数为20，最小批数为10。改进的随机配置网络参数为：最大隐藏节点数为500，训练学习率为0.00001，最大候选节点数为100。模型训练后，保存网络参数，然后使用训练后的模型预测故障状态趋势，随机配置网络相关的方法参数与改进随即配置网络参数一致。为了可视化模型的有效性，使用平均绝对误差(MAE)，均方根误差(RMSE)，平均绝对百分误差(MAPE)和2决定系数(R)来评估预测效果，结果如表2所示。[0096] 表2对比算法的评价指标[0097][0098][0099] 表2中对比算法从NO.1?NO.6分别表示：邻域保持嵌入?长短期记忆(NPE?LSTM)，时序邻域保持嵌入?长短期记忆(TNPE?LSTM)，邻域保持嵌入?随即配置网络(NPE?SCN)，时序邻域保持嵌入?长短期记忆(TNPE?SCN)，自适应随机配置网络?未优化(SFA?NPE?ISCN?I)，自适应随机配置网络?优化(SFA?NPE?ISCN?II)。[0100] 试验批次数据的预测指标统计箱线图如图3所示，图3(a)为平均绝对误差(MAE)预测指标统计箱线图，图3(b)为均方根误差(RMSE)预测指标统计箱线图，图3(c)为平均绝对2百分误差(MAPE)预测指标统计箱线图，图3(d)为决定系数(R)来评估预测效果预测指标统计箱线图。综合所述本发明所提方法预测性能更好。[0101] 本发明方法充分考虑了间歇过程的时变特性，利用慢特征分析提取动态特征，建立模型更新指标，实现模型失配判断。利用邻域保持嵌入提取过程数据特征，构建过程监控时间序列，利用优化后的随机配置网络完成趋势预测；当监测模型不匹配且需要更新时，使用在线数据的正常时域样本创建更新的数据集，并使用神经网络增量策略更新模型以适应动态时变特性，提高了故障预测的性能。[0102] 以上对本发明所提供的一种基于自适应随机配置网络的间歇过程故障预测方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。[0103] 在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

专利地区：甘肃

专利申请日期：2024-02-28

专利公开日期：2024-11-29

专利公告号：CN118151627B