[发明专利]一种基于新型FDE‑ELM和时延EFSM的非线性过程工业故障预测方法

说明书

技术领域

本发明以非线性过程工业系统为对象，以提高建模稳定性和故障预测精度为目标，提出了一种包括复杂过程工业数据预处理技术、反馈差分优化极限学习机(Feedback Differential Evolution Optimized Extreme Learning Machine，FDE-ELM)技术，以及时延扩展有限状态机(Extended Finite State Machine，EFSM)技术的工业故障预测方法。

背景技术

过程工业包括石化、冶金、造纸等是我国的基础产业，它涉及到国民生活的方方面面。过程工业具备生产规模大、工艺复杂、过程非线性、危险系数高等特点，因而成为了故障预测和诊断的一个重要研究领域。近些年来我国相关行业事故频发，其中在化工行业情况尤为严峻，2013年青岛石化爆炸造成62人死亡、136人受伤，这使得加强过程生产过程的安全保障变得迫在眉睫。为了预防此类事故的发生造成严重后果，高精度的故障预测和诊断是一种有效的规避故障方法。因此，研究提高非线性过程工业故障预测和故障诊断精度和模型稳定性，具有重要的理论意义和实用价值。

人工神经网络是一种仿生物结构形成的数学模型，能够根据提供的数据，通过训练和学习找到数据中的内在联系，从而搭建出目标对象的数学模型。该方法是一种技术数据驱动的方法，在实际应用上不依赖先验知识和规则，并且具有很强的非线性逼近能力，因而被广泛应用于复杂工业对象的参数估计、操作优化、故障预测等领域中。在现有的各种算法中，极限学习机(Extreme Learning Machine，ELM)是一种单隐含层前馈神经网络的快速参数训练算法，它能够解决大多数传统算法收敛速度慢、容易陷入局部极小等问题。但是ELM网络为了达到比较好的效果，通常需要大量的隐含层节点，这增加了算法的复杂度。同时，由于ELM学习算法的输入层权值是随机产生的，而随机权值通常不是最优的，因此网络学习的精度不高。为了解决这两个问题，可以引入差分(differential evolution，DE)优化算法来找到网络最优的输入层权值，提高学习精度，同时也可以减少隐含层节点数，从而达到降低算法复杂度的目的。但在过程工业中，DE-ELM没有考虑到数据的时延和系统变量的内在联系，因此往往预测效果不佳。

EFSM是一种在计算机领域应用十分成熟的切片技术，它可以有效地简化复杂系统模型并且有助于系统模型的分析和理解。EFSM由三大部分组成，状态依赖图、数据依赖图、迁移表，通过这三部分就能够将系统间的内部关系和状态转换清晰的表征出来。因此可以将其 引入过程工业领域，应用于系统分析和故障推理中。然而传统的EFSM无法直接引入过程工业，其中还存在一些无法解决的问题：首先，传统EFSM数据依赖图搭建完全凭借数学模型，但在过程工业系统中，数学模型往往十分复杂，无法精确表示；其次，过程工业系统间的变量往往存在时延，传统EFSM并未考虑这一时延问题，因而会导致变量间关系的分析不准确。

发明内容

本发明的目的在于：克服传统故障预测精度低、模型稳定性不高的缺点，并针对现有技术存在的上述问题，提出了一种基于FDE-ELM和时延EFSM非线性过程工业故障预测的方法。该方法将人工神经网络和EFSM引入过程工业故障预测领域，分别构建基于时延EFSM的状态依赖图和数据依赖图，以及基于FDE-ELM技术的变量预测模型，提出了一种预测精度高、模型稳定性好、算法复杂度低的故障预测方法，为降低事故发生率、节约硬件成本、提高生产安全等级提供了技术支撑。

本发明提供了一种用于非线性过程工业的故障预测和推理方法，其特征在于所述方法包括：

数据预处理过程：对工业数据进行降噪处理；

时延时延扩展有限状态机EFSM模型构建过程：运用时延互信息量TDMI对预处理后的数据进行延迟时间计算和相关性分析，搭建数据依赖图，并通过先验知识和对模型的机理分析构建状态依赖图和迁移表；

基于反馈差分优化极限学习机FDE-ELM的变量预测过程：构建FDE-ELM网络，选取系统的关键变量作为网络的输出节点，并通过所述数据依赖图建立的变量间的联系得到与输出节点对应的输入节点；

基于时延EFSM的故障推理过程：当所述FDE-ELM的变量预测过程输出的预测结果超出设定的控制阈值范围时，将所述预测结果导入时延EFSM进行故障推理；具体为，根据预先设定好的迁移表进行推理，当预测结果满足迁移条件时，状态发生转变，当状态不再发生转变时，输出的状态即为发生的故障类型。

所述数据预处理过程中，采用小波去噪对数据进行预处理。