[发明专利]一种基于优化极限学习机的高炉故障检测方法

摘要

本发明提出一种基于优化极限学习机的高炉故障检测方法，属于高炉故障检测技术领域，本发明通过ABC算法优化ELM中的输入权值和隐层阈值，以建立合理有效的分类模型；基于Tent映射采用混沌反向学习策略产生分布均匀的初始群体，以提高初始解的质量和增加方法的稳定性；采用自适应搜索策略在全局搜索和局部搜索两个方面达到最好的平衡；通过Tent混沌局部搜索策略跳出局部最优解；本发明提高了ABC算法的收敛速度和寻优精度，提高了高炉故障检测的分类精度，增大产生新解的概率，避免陷入局部最优解，保证了算法快速进化的方向，在保证全局搜索能力的同时在一定程度上也提高了算法的局部搜索能力。

主权项

1.一种基于优化极限学习机的高炉故障检测方法，采用一种基于优化极限学习机的高炉故障检测系统进行检测，该系统包括数据采集模块、数据库存储模块、极限学习机训练模块和故障检测模块；其中，数据采集模块：当训练时，用于采集高炉生产状况历史数据和高炉设备运行状态的历史故障类型，并发送至数据库存储模块中；当实际检测时，用于采集高炉生产状况数据，并发送至故障检测模块中；数据库存储模块：用于存储高炉生产状况历史数据和设备运行状态的历史故障类型；极限学习机训练模块：用于采用人工蜂群算法对ELM中的输入权值和隐层阈值进行参数优化，即采用混沌反向学习策略产生初始群体，即初始解，将训练样本分类的错误率作为适应值函数，通过比较确定全局最优解，再采用自适应搜索策略根据人工蜂群算法选择食物源邻域范围，生成一个新的候选位置即候选解，并计算相应适应值，利用贪婪选择机制保留更优解；根据人工蜂群算法获得选择某个食物源的概率，根据轮盘赌方式选择其中较优食物源，再采用自适应搜索策略根据人工蜂群算法选择食物源邻域范围，生成一个新的候选位置即候选解，并计算相应适应值，利用贪婪选择机制保留更优解；若连续多次迭代获得的最优解未发生变化，采用混沌局部搜索策略以跳出局部最优解，直到达到最大迭代次数，则从全局最优解中获取最优参数值，即获得ELM中的输入权值和隐层阈值，完成最优极限学习机模型的建立，发送至故障检测模块中；故障检测模块：用于将采集的数据输入训练好的极限学习机模型中，获得输出的高炉设备运行状态，若为故障类型，则通知工作人员；其特征在于，包括以下步骤：步骤1、采集高炉生产状况历史数据和设备运行状态的历史故障类型作为训练样本，构建训练集；步骤2、采用人工蜂群算法对ELM中的输入权值和隐层阈值进行参数优化，建立最优极限学习机模型，具体步骤如下：步骤2‑1、采用混沌反向学习策略产生初始群体，即初始解，具体如下：步骤2‑1‑1、采用Tent映射在可行域中初始化多个个体，即可行解；所述的个体由一组输入权值和隐层阈值构成；每个个体表示一个食物源位置；步骤2‑1‑2、取某个个体的初始位置分量作为Tent映射初始值，且避免落入小周期内；步骤2‑1‑3、根据混沌序列模型进行迭代，产生混沌序列；步骤2‑1‑4、判断混沌迭代是否达到最大次数，若是，则转步骤2‑1‑7；否则，执行步骤2‑1‑5；步骤2‑1‑5、判断混沌迭代是否落入不稳周期点，若是，则转步骤2‑1‑6，否则转步骤2‑1‑3；步骤2‑1‑6、重置上述个体的位置分量，转步骤2‑1‑3；步骤2‑1‑7、保存产生的混沌序列；步骤2‑1‑8、将混沌序列映射到原解空间中，即映射至ELM输入权值和隐层阈值取值范围中，产生一个混沌序列可行解；步骤2‑1‑9、从混沌序列可行解中生成多个反向解，反向解的个数与个体的个数相同；步骤2‑1‑10、从混沌序列可行解与反向解的并集中选择多个适应值最好的个体作为初始群体，选择的个数与个体的个数相同；步骤2‑2、将训练样本分类的错误率作为适应值函数，通过比较确定全局最优解；步骤2‑3、采用自适应搜索策略根据人工蜂群算法选择食物源邻域范围，生成一个新的候选位置即候选解，并计算相应适应值，利用贪婪选择机制保留更优解；所述的采用自适应搜索策略根据人工蜂群算法选择食物源邻域范围，生成一个新的候选位置即候选解，具体如下：步骤2‑3‑1、获得自适应选择概率pf_i：其中，f_i表示解X_i所对应的适应值，f_min表示当前群体中最小适应值；f_max表示当前群体中最大适应值；步骤2‑3‑2、根据获得的自适应选择概率生成新的候选解V_i＝{v_i，1，v_i，2，...，v_i，j，...，v_i，D}：其中，x_best，j表示当前全局最优解的第j个位置分量，x_i，j表示当前第i个个体中的第j个位置分量，x_k，j表示第k个个体中的第j个位置分量，表示第r₁个个体中的第j个位置分量，表示第r₂个个体中的第j个位置分量，且满足r₁≠r₂≠i，k≠i，D表示优化参数个数，φ_i，j为[‑1，1]之间的随机数；步骤2‑4、根据人工蜂群算法获得选择某个食物源的概率，根据轮盘赌方式选择其中较优食物源，采用自适应搜索策略根据人工蜂群算法选择食物源邻域范围，生成一个新的候选位置即候选解，并计算相应适应值，利用贪婪选择机制保留更优解；步骤2‑5、判断是否连续多次迭代获得的最优解未发生变化，是则执行步骤2‑6；否则执行步骤2‑7；步骤2‑6、采用混沌局部搜索策略以跳出局部最优解，并执行步骤2‑7；所述的采用混沌局部搜索策略以跳出局部最优解，具体如下：步骤2‑6‑1、设定当前搜索到的局部最优解，采用Tent映射在可行域内随机生成一个混沌序列，并以此作为混沌迭代初始值；步骤2‑6‑2、根据混沌序列模型进行迭代，产生混沌序列；步骤2‑6‑3、根据当前搜索到的局部最优解的邻域点，将混沌序列转化为原解空间领域内的优化变量序列；步骤2‑6‑4、获得优化变量序列的适应值，并利用贪婪选择机制保留更优解；步骤2‑6‑5、判断是否达到最大混沌迭代次数，若是，则保存当前得到的全局最优解，否则返回执行步骤2‑6‑2；步骤2‑7、本次迭代结束，保存当前获得的全局最优解；步骤2‑8、判断是否达到最大迭代次数，若是，则停止迭代，从全局最优解中获取最优参数值，即获得ELM中的输入权值和隐层阈值，执行步骤2‑9，否则返回步骤2‑3；步骤2‑9、将获取的输入取值和隐层阈值输入至极限学习机中进行训练，建立最优极限学习机模型；步骤3、采集实际生产中高炉生产状况数据，将采集的数据输入训练好的极限学习机模型中，获得输出的高炉设备运行状态，若为故障类型，则通知工作人员。