[发明专利]一种基于宽度学习系统的间歇过程故障监测与诊断方法

摘要

本发明公开了一种基于宽度学习系统的间歇过程故障监测与诊断方法以满足实际工业过程实时监测的要求。本发明建立一种快速的神经网络监测模型，具体包括“离线建模阶段”和“在线监测阶段”两个阶段。“离线建模阶段”包括：首先对数据进行分类，得到N种故障状态；之后建立相应故障的监控子模型；最后对子模型进行测试并调整。“在线监测”包括：读入新时刻数据；将其输入离线建模阶段建立的N种故障监控子模型；得到全部监测值，判断是否故障。本发明在确保监测的准确率的同时加快了建模与监测速度，并实现了实时诊断。最终得到了性能优秀的间歇过程故障监测与诊断方法。

主权项

1.一种基于宽度学习系统的间歇过程故障监测与诊断方法，其特征包括“离线建模阶段”和“在线监测阶段”两个阶段，具体步骤如下：A.离线建模阶段：(1)通过机理知识将数据分为正常状态数据集、N种故障状态数据集；(2)使用宽度学习网络建立针对第n种故障的监测子系统，构造数据集X、X_test、Y_n、Y_test，将一部分正常数据与一部分第n种故障数据组成训练数据集X，将剩余部分数据组成测试数据集X_test，并构造相应的标签集Y_n、Y_test其中，norm代表正常数据集，fault代表故障数据集，两者的行均代表采样时刻，列均代表变量，行列交叉处代表对应变量在对应采样时刻的采样值；Y_n对应X，Y_test对应X_test，两者的行均代表采样时刻，列均由正常状态和N种故障状态组成，共1+N列，其第i个行向量代表对应时刻数据集的状态，即该时刻的数据为正常，或者对应哪种故障；(3)对据集X进行线性组合，即训练数据集X乘权值矩阵W_i，加偏置矩阵β_i，重复此操作I次，得到输入节点Z^I，Z^I＝[Z₁,…Z_i,...,Z_I]，其中，第i组输入节点Z_i公式如下：Z_i＝[φ(XW_i+β_i)]其中，φ为激活函数，W_i，β_i由0、1间随机数构成；(4)对数据集Z^I进行线性组合，即训练数据集Z^I乘权值矩阵W_j，加偏置矩阵β_j，重复J次，得到增强节点H^J，H^J＝[H₁,…H_j,...,H_J]，其中，第j组增强节点H_j公式如下：H_j＝[ξ(Z^IW_j+β_j)]其中，ξ为激活函数，W_j，β_j由0、1间随机数构成；(5)计算监测第n种故障的子系统的权值矩阵W_n,具体如下：将Z^I与H^J合并得到输入矩阵A＝[Z^I|H^J]；计算A的伪逆A⁺,具体公式为：其中，I为单位阵；计算第n个子系统的权重矩阵W_n＝A⁺Y_n；(6)将测试数据X_test输入监测第n种故障的子系统，得到输出矩阵Y_n.test，具体计算公式如下：Y_n.test＝X_testW_n矩阵Y_n.test的行代表采样时刻，列均由正常状态和N种故障状态组成，共1+N列，其第i个行向量代表对应时刻数据集的状态，每行最大值位置即代表此行对应时刻的监测结果；若此Y_n.test全部时刻监测正确率满足要求，则进入步骤8；如果对第n种故障全部时刻的监测结果正确率不满足要求，进入步骤7；(7)增加第n个子系统的增强节点数量，更新第n个子系统的权重矩阵，W_n表示更新前的权重矩阵，W′_n表示更新后的权重矩阵，然后跳转到步骤6，具体更新方法如下：随机生成新权值矩阵W_j+1、偏置矩阵β_j+1，得到第j+1个增强节点H_j+1＝[ξ(Z^IW_j+1+β_j+1)]；更新第n个子系统的输入矩阵，A表示更新前的输入矩阵，A′表示更新后的输入矩阵，A′＝[A|H_j+1]；计算A′的伪逆(A′)⁺,公式如下：其中，D＝(A)⁺ξ(Z^IW_j+1+β_j+1)，其中[ξ(Z^IW_j+1+β_j+1)‑AD]⁺的计算方式同步骤5中A⁺，(·)^T表示转置；更新(8)如未完成针对所有N个故障的全部子系统的构建，则返回2；否则，进入在线监测阶段9；B.在线监测阶段：(9)在线读入实时采集数据x，输入全部N个子系统，分别获得N个子系统的实时监测值y₁…y_n…y_N,其中第n个子系统的实时检测值计算公式如下：y_n＝xW_nx为一个行向量，代表当前采集时刻采集到的待监测变量的测量值，W_n代表离线训练完成后第n个子系统的权重矩阵；y_n的结构与步骤6中Y_n,test相同；(10)如果步骤9中得到的当前时刻状态监测值y_n表示数据x正常，则回步骤7；否则输出报警，并根据y_n输出对应的故障编号。