本发明涉及故障诊断领域、机器学习领域和群智能优化算法领域，尤其涉及一种结合机器学习和群智能优化算法的田纳西伊斯曼过程化工故障诊断系统。
背景技术：
：随着计算机科学技术的快速发展，现代工业生产过程变得越来越复杂，尤其是化工工业的生产过程向复杂化、大型化发展。如果化工过程发生故障，不能及时有效的排除，不仅造成经济损失，而且可能会污染环境，甚至危及人的生命安全。例如2015年4月，px石化发生爆炸事件，事故造成了1人受重伤，13人受轻伤。爆炸后重油燃烧了一整天，由于重油燃烧引起的烟尘是常见的柴油的1.5倍，所以爆炸后对周围的环境造成了严重的污染。2015年8，山东淄博市润兴化工厂发生爆炸，此次爆炸导致周围2公里内的居民都能感到震感。事故调查发现是由一分离器着火引起的爆炸，该事故导致1名员工当场死亡，9名员工受伤，并被及时送往医院救治。这次事故造成了上1亿的经济损失，同时，也给周围居民造成了不小的恐慌。2015年5月，大连南洋防腐化工涂料有限公司发生起火，这场事故造成4名员工受伤，幸运的是无人员死亡。目前出现了数据多却无法得到有效的利用情况，数据和数据之间很难建立起相关联。如何能有效挖掘数据中的有用信息成为当前需要解决主要问题，只有将数据深层信息有效利用，才能确保过程运行状况达到预设定的各项性能指标，提高对过程的监控性能。技术实现要素：为了克服目前已有的故障诊断技术的诊断速度相对较慢的不足，本发明的目的在于提供一种诊断效率高的化工故障诊断系统。本发明解决其技术问题所采用的技术方案是：一种群智能寻优的化工故障诊断系统，用于对田纳西伊斯曼过程进行故障诊断，包括数据预处理模块、主成分分析模块、最小二乘支持向量机模块以及群智能算法模块。其中：数据预处理模块：田纳西伊斯曼过程的52个变量为数据预处理模块的输入。由于每个变量都有不同的单位，为了防止不同的量纲引起数据量级之间的误差，先对所有数据进行标准化处理，标准化公式如下：其中，mean表示各变量的算术平均值，std表示各变量的标准差，表示输入变量的值，下标i表示第i次检测、j分别表示第j维变量，xij表示标准化后输入变量的值作为输入数据。标准化后的数据为s＝{xi1,xi2,...xi52}。主成分分析模块：通过主成分分析来保证在不降低系统精度的情况下降低系统的复杂度。将标准化后的数据s＝{xi1,xi2,...xi52}进行主成分分析，保留85％的主要成分。最小二乘支持向量机模块：用于建立诊断系统，提高系统的故障诊断效率：通过误差函数最小化来完成输入到输出的一种高度非线性映射，映射中保持拓扑不变性。其中j表示目标函数、w表示模块参数、ξ表示误差、c表示惩罚因子、表示核函数映射、b表示偏执、x表示输入数据、y表示输出数据，下标i表示第i个数据，上标t表示矩阵的转置。该模块采用性能优秀、所需参数少的rbf核函数k，函数如下：其中，k是核函数，表示输入数据的平均值，σ表示核参数。群智能算法模块：结合差分进化算法和粒子群算法优化最小二乘支持向量机的rbf核参数σ和惩罚因子c，实现具体步骤如下：(1)随机初始化种群，设置种群数量n＝100；设置差分进化算法缩放因子f＝0.7，交叉概率cr＝0.5，差分进化算法最大迭代次数50；设置粒子群学习速度c1＝c2＝2，惯性权重ω＝0.67，粒子群算法最大迭代次数100；设置k＝0,i＝0；(2)根据适应度函数来计算候选粒子种群的适应度值，适应度f(x)函数如下所示；其中，表示输出变量的真实值，表示输出变量的预测值，n表示样本个数。(3)根据以下步骤进行差分进化算法变异、交叉、选择操作；(3.1)变异操作：差分进化算法是通过差分的方式进行变异操作的。在当前种群中随机选取两个种群个体进行作差，将差向量进行缩放，缩放后的向量与第三个随机选取的种群个体进行求和，生成新个体，更新公式如下所示：ni(k)＝lm3(k)+f×(lm1(k)-lm2(k)),1≤m1≠m2≠m3≠i≤n(5)其中，f是缩放因子，m1，m2，m3均为1到n之间的整数，k表示迭代次数，lm1(k)表示第m1个粒子的位置，lm2(k)表示第m2个粒子的位置，lm3(k)表示第m3个粒子的位置。通过变异之后，得到第i个变异中间种群ni(k)。(3.2)交叉操作：根据原始种群和变异得到中间种群，进行个体间的交叉操作，得到交叉中间种群u，更新公式如下所示：其中，cr为交叉概率，处于0到1之间，ni,j(k)表示第i个中间种群第j维变量，li,j(k)表示第i个原始种群第j维变量，ui,j(k)表示交叉中间种群的第i个新种群第j维变量，ni,j(k)表示变异中间种群ni(k)的第i个新种群第j维变量。(3.3)选择操作：差分进化算法采用了贪心算法，根据适应度值来决定进入下次迭代种群的个体：其中，ui(k)表示第i个交叉中间种群，li(k)表示第i个原始种群。(4)如果交叉中间种群的适应度值小于原始种群适应度值，则返回步骤(3)，否则，激活粒子群算法；(5)根据如下公式执行粒子群算法，更新粒子群速度、位置矢量和惯性权重；其中，vi(k)是粒子i在第k次迭代时的速度，li(k)是粒子i在第k次迭代时的位置，pbest是粒子自身经验的局部最优解；gbest是所有粒子经验的全局最优解，w是惯性权重，c1和c2是学习速率，r1和r2是在0到1之间的随机数，wmax和wmin是惯性权重的最大值和最小值，itermax是最大迭代次数。(6)如果粒子群算法迭代次数小于终止迭代次数，则返回步骤(5)，否则，转到步骤(7)；(7)更新pbest和gbest作为最小二乘支持向量机参数的候选解，判断差分进化算法迭代次数是否小于差分进化算法终止迭代次数，若是，则返回步骤(2)，否则，输出种群历史最优gbest，算法终止；gbest即为最小二乘支持向量机的rbf核参数σ和惩罚因子c。田纳西伊斯曼过程共有21个故障，将不同故障的数据输入到群智能寻优的诊断系统中进行训练，建立故障诊断模型。当未知故障的数据输入到此故障诊断系统时，诊断结果显示仪显示诊断结果。本发明的有益效果主要表现在：本发明对田纳西伊斯曼化工过程的重要参数指标进行故障诊断预测，克服已有的化工故障诊断技术仪表预报相对较慢、易受人为因素影响的不足，引入群智能算法模块对最小二乘支持向量机参数进行自动优化，从而得到诊断效率更高的化工故障诊断系统。附图说明图1是一种群智能寻优的化工故障诊断系统的基本结构示意图；图2是群智能寻优的诊断系统结构示意图；图3是田纳西伊斯曼过程工艺生产流程图。具体实施方式下面根据附图具体说明本发明。参照图1，一种群智能寻优的化工故障诊断系统，包括田纳西伊斯曼过程1、用于测量易测变量的现场智能仪表2、用于测量操作变量的控制站3、存放数据的数据库4、群智能寻优的诊断系统5和诊断结果显示仪6。所述现场智能仪表2、控制站3与田纳西伊斯曼过程1连接，所述现场智能仪表2、控制站3与数据库4连接，所述数据库4与群智能寻优的诊断系统5的输入端连接，所述群智能寻优的诊断系统5的输出端与诊断结果显示仪6连接。参照图3田纳西伊斯曼过程的变量如表1所示。表1：田纳西伊斯曼过程变量编号过程变量编号过程变量1进料a(流管1)27反应器e进料(流管6)2进料d(流管2)28反应器f进料(流管6)3进料e(流管3)29反应器a进料(流管9)4总进料(流管4)30反应器b进料(流管9)5再循环流量(流管8)31反应器c进料(流管9)6反应器进料速率32反应器d进料(流管9)7反应器压力33反应器e进料(流管9)8反应器液位34反应器f进料(流管9)9反应器温度35反应器g进料(流管9)10排气量(流管9)36反应器h进料(流管9)11气液分离器温度37汽提塔d流量(流管11)12气液分离器液位38汽提塔e流量(流管11)13气液分离器温度39汽提塔f流量(流管11)14气液分离器塔底流量(流10)40汽提塔g流量(流管11)15汽提塔液位41汽提塔h流量(流管11)16汽提塔压力42d进料速率17汽提塔塔底流量(流管11)43e进料速率18汽提塔温度44a进料速率19汽提塔蒸汽流量45总进料量速率20压缩机功率46压缩机再循环阀21反应堆冷却水出口温度47排放阀22分离器冷却水出口温度48分离罐罐液流量23反应器a进料(流管6)49汽提塔液体产品流量24反应器b进料(流管6)50汽提器水流量25反应器c进料(流管6)51反应器冷却水流量26反应器d进料(流管6)52冷凝器冷却水流量田纳西伊斯曼过程数据作为群智能寻优的诊断系统5的输入变量。通过人工取样分析获得，每4小时分析采集一次。参照图2，所述群智能寻优的诊断系统5还包括：数据预处理模块7：田纳西伊斯曼过程的52个变量为数据预处理模块的输入。由于每个变量都有不同的单位，为了防止不同的量纲引起数据量级之间的误差，先对所有数据进行标准化处理，标准化公式如下：其中，mean表示各变量的算术平均值，std表示各变量的标准差，表示输入变量的值，下标i表示第i次检测、j分别表示第j维变量，xij表示标准化后输入变量的值作为输入数据。标准化后的数据为s＝{xi1,xi2,...xi52}。主成分分析模块8：通过主成分分析来保证在不降低系统精度的情况下降低系统的复杂度。将标准化后的数据s＝{xi1,xi2,...xi52}进行主成分分析，保留85％的主要成分。最小二乘支持向量机模块9：用于建立诊断系统，提高系统的故障诊断效率：通过误差函数最小化来完成输入到输出的一种高度非线性映射，映射中保持拓扑不变性。其中j表示目标函数、w表示模块参数、ξ表示误差、c表示惩罚因子、表示核函数映射、b表示偏执、x表示输入数据、y表示输出数据，下标i表示第i个数据，上标t表示矩阵的转置。该模块采用性能优秀、所需参数少的rbf核函数k，函数如下：其中，k是核函数，表示输入数据的平均值，σ表示核参数。群智能算法模块10：结合差分进化算法和粒子群算法优化最小二乘支持向量机的rbf核参数σ和惩罚因子c，实现具体步骤如下：(1)随机初始化种群，设置种群数量n＝100；设置差分进化算法缩放因子f＝0.7，交叉概率cr＝0.5，差分进化算法最大迭代次数50；设置粒子群学习速度c1＝c2＝2，惯性权重ω＝0.67，粒子群算法最大迭代次数100；设置k＝0,i＝0；(2)根据适应度函数来计算候选粒子种群的适应度值，适应度f(x)函数如下所示；其中，表示输出变量的真实值，表示输出变量的预测值，n表示样本个数。(3)根据以下步骤进行差分进化算法变异、交叉、选择操作；(3.1)变异操作：差分进化算法是通过差分的方式进行变异操作的。在当前种群中随机选取两个种群个体进行作差，将差向量进行缩放，缩放后的向量与第三个随机选取的种群个体进行求和，生成新个体，更新公式如下所示：ni(k)＝lm3(k)+f×(lm1(k)-lm2(k)),1≤m1≠m2≠m3≠i≤n(9)其中，f是缩放因子，m1，m2，m3均为1到n之间的整数，k表示迭代次数，lm1(k)表示第m1个粒子的位置，lm2(k)表示第m2个粒子的位置，lm3(k)表示第m3个粒子的位置。通过变异之后，得到第i个变异中间种群ni(k)。(3.2)交叉操作：根据原始种群和变异得到中间种群，进行个体间的交叉操作，得到交叉中间种群u，更新公式如下所示：其中，cr为交叉概率，处于0到1之间，ni,j(k)表示第i个中间种群第j维变量，li,j(k)表示第i个原始种群第j维变量，ui,j(k)表示交叉中间种群的第i个新种群第j维变量，ni,j(k)表示变异中间种群ni(k)的第i个新种群第j维变量。(3.3)选择操作：差分进化算法采用了贪心算法，根据适应度值来决定进入下次迭代种群的个体：其中，ui(k)表示第i个交叉中间种群，li(k)表示第i个原始种群。(4)如果交叉中间种群的适应度值小于原始种群适应度值，则返回步骤(3)，否则，激活粒子群算法；(5)根据如下公式执行粒子群算法，更新粒子群速度、位置矢量和惯性权重；其中，vi(k)是粒子i在第k次迭代时的速度，li(k)是粒子i在第k次迭代时的位置，pbest是粒子自身经验的局部最优解；gbest是所有粒子经验的全局最优解，w是惯性权重，c1和c2是学习速率，r1和r2是在0到1之间的随机数，wmax和wmin是惯性权重的最大值和最小值，itermax是最大迭代次数。(6)如果粒子群算法迭代次数小于终止迭代次数，则返回步骤(5)，否则，转到步骤(7)；(7)更新pbest和gbest作为最小二乘支持向量机参数的候选解，判断差分进化算法迭代次数是否小于差分进化算法终止迭代次数，若是，则返回步骤(2)，否则，输出种群历史最优gbest，算法终止；gbest即为最小二乘支持向量机的rbf核参数σ和惩罚因子c。田纳西伊斯曼过程共有21个故障，将不同故障的数据输入到群智能寻优的诊断系统5中进行训练，建立故障诊断模型。当未知故障的数据输入到此故障诊断系统时，诊断结果显示仪6显示诊断结果。本发明实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。当前第1页12