为本发明所述方法的流程图。本发明采用0S-ELM学习算法进行网络 参数训练，使神经网络针对新数据具备在线权值调整的能力，同时为了提升神经网络针对 时序工业数据动态适应及预测能力，本发明的神经网络都采用具有相同隐含层神经元个数 的单隐含层结构，同时增加反馈层提升神经网络时变特性。此外，为了提高故障预测识别模 型的准确率，对故障识别神经网络的训练样本集合采用均匀设计方法进行重复抽样，提高 神经网络的泛化能力，采用压缩感知技术对仿真数据进行特征提取，并W此作为故障识别 神经网络的训练样本。
[0029] 本发明提供了一种基于压缩感知和DR0S-ELM的故障预测及识别方法，所述方法 包括：
[0030] 数据预处理及样本选取步骤，包括对仿真采集的48小时的TE的数据中存在的缺 失数据、异常数据和噪声数据进行处理，并将所处理后的数据作为故障预测模型和故障识 别模型的训练数据；将数据预处理后的训练样本在整个可行区域内符合均匀分布，将区间 映射[-1,1]，采用均匀设计方法对不同时段样本生成样本，保证获得完整的训练样本，并 将该样本训练数据用于压缩感知特征提取、神经网络建模的训练样本；
[0031] 压缩感知特征重构步骤，包括：将正常工况所有变量数据按顺序转换为一维向量， 通过将输入数据进行稀疏分解并重构数据特征后，计算正常数据与重构数据向量的二范数 作为特征数据，使用残差计算特征数据，该特征数据即为故障识别模型训练数据；
[0032] 在线反馈神经网络建模步骤，包括：该步骤采用串行方式对故障预测模型和故障 识别模型神经网络分别进行训练，引入在线极限学习机（0S-ELM)训练算法，实现个体神经 网络的快速训练和在线权值调整，在建模过程中设置反馈层，保证所训练的个体神经网络 有较高的动态特性，本模型根据故障预测模型预测输出作为故障识别模型输入，从而达到 系统故障预测识别的目的。
[0033] 通过数据预处理及样本选取构造TE过程数据预测模型，通过压缩感知特征重构 训练故障识别模型，将TE过程数据预测模型的输出经过压缩感知特征重构后，输入故障识 别模型W输出是否发生故障及故障类型。
[0034] 表1为Te仿真化工过程故障干扰表。TE过程仿真有20个预先设定好的干扰，其 中15个是己知的，5个是未知的。干扰1-7是过程变量的阶跃变化，如进料成分的变化或反 应器冷却水的入口温度的变化等。干扰8-12为一些过程变量的随机变化，干扰13是反应 器动力性能的慢漂移，干扰14和15的故障是调节阀粘住，16-20是未知故障。TE过程控制 目标为：（1)维持过程变量稳定在预期值。（2)保持过程操作条件在设备限定条件下。（3) 在干扰条件下，使产品生产速度和质量最大程度稳定。（4)使能影响其他过程的仪表的波动 最小。（5)能在有干扰、产品生产速度改变或产品混合比改变时尽快且平滑地恢复。
[00巧]表1 TE过程故障干扰表 [0036]
【主权项】
1. 一种基于压缩感知和DROS-ELM的故障预测及识别方法，所述方法包括： 数据预处理及样本选取步骤，包括：对仿真采集的48小时的TE的数据中存在的缺失数 据、异常数据和噪声数据进行处理，并将所处理后的数据作为训练数据；将数据预处理后的 训练样本在整个可行区域内符合均匀分布，将区间映射[_1，1]，采用均匀设计方法对不同 时段样本生成样本，保证获得完整的训练样本，并将该样本训练数据用于压缩感知特征提 取、神经网络建模的训练样本； 压缩感知特征重构步骤，包括：将正常工况所有变量数据按顺序转换为一维向量，通过 将输入数据进行稀疏分解并重构数据特征后，计算正常数据与重构数据向量的二范数作为 特征数据，使用残差计算特征数据，该特征数据即为故障识别模型训练数据； 在线反馈神经网络建模步骤，包括：该步骤采用串行方式对故障预测模型和故障识别 模型神经网络分别进行训练，引入在线极限学习机（OS-ELM)训练算法，实现个体神经网络 的快速训练和在线权值调整，在建模过程中设置反馈层，保证所训练的个体神经网络有较 高的动态特性，本模型根据故障预测模型预测输出作为故障识别模型输入，从而达到系统 故障预测识别的目的。 通过数据预处理及样本选取构造 TE过程数据预测模型，通过压缩感知特征重构训练 故障识别模型，将TE过程数据预测模型的输出经过压缩感知特征重构后，输入故障识别模 型以输出是否发生故障及故障类型。
2. 如权利要求1所述的方法，其特征在于，所述数据预处理及样本选取步骤具体包括： 对所述缺失数据进行补充、对所述异常数据进行修正、对所述噪声数据进行滤波，之后采用 固定均值算法进行数据融合，并根据均匀设计法生成训练样本。
3. 如权利要求1所述的方法，其特征在于，压缩感知特征重构的步骤具体如下：假设 对k类样本的故障进行特征重构，每个故障样本为p维，（1)基准样本构造：根据样本选取 获得所有故障数据的基准样本，基准样本组成P X 1维的列向量L，组成的基准样本为：L = [L1, L2, ...，Lk]，其中L为故障训练样本矩阵，Lk为第k类故障数据样本；(2)输入样本稀 疏变换：根据设定时间窗口大小，获得的输入样本X，将输入样本进行稀疏变换，S= ΨΧ; 其中，Ψ为傅里叶稀疏变换矩阵；(3)构建观测向量：0= $S，其中Φ为观测矩阵；(4)重 构信号：利用最小二乘法得近似解并更新余量，通过解出y的稀疏向量X，再结合字典矩 阵A进行残差分析，最终完成信号特征重构，数学模型如下公式表示：I = arg min Il Al1 st ψ φχ = ο,其中z表示重构的信号，I |x| I1表示X的I i范数,通过已有的快速有效的迭代 求解；（5)信号特征提取：通过基准样本重构输入样本的信号，并采用以下函数，进一步完 成故障特征提取：Hiinr(O)=II Z-文Il2。
4. 如权利要求1所述的方法，其特征在于，其特征在于，在线反馈神经网络建模步骤具 体包括：通过在网络前馈隐含层中增加一层反馈层，用于记忆历史数据信息并反馈影响下 一时刻输入，使网络具有动态记忆功能，同时采用滑动窗口技术，提取历史数据趋势变化特 征，从而对反馈承接层权值进行动态调整。输入样本包含η个属性、输出样本包含m个属性， 增加 Q层反馈承接层，若现时刻输入为P (k)，则第Q层反馈承接层记忆样本为g (k-Q)，设反 馈权值为Wb，权值取O至1之间，同时也具有数据遗忘因子的作用，隐含层神经元与输出层 神经元的连接权值可以由极小范数最小二乘解得，即β =H+Y，通过该算法可快速确定β 的最优解，运用，+1)二Pw+Κ+1σ/+1 -圮+1/^"）实现在线权值动态调整。
【专利摘要】一种基于压缩感知和DROS-ELM的非线性过程工业故障预测及识别方法。本发明提供了一种高性能的非线性过程工业故障预测及识别方法，克服复杂工业系统非线性生产过程缺乏在线故障预测及识别的困难，将压缩感知和人工神经网络应用于工业领域，分别构建基于压缩感知特征提取和动态反馈OS-ELM神经网络(DROS-ELM)技术的故障预测识别模型，实现了故障预测，为企业保证安全生产，提高生产效率、节约生产成本提供技术支撑。
【IPC分类】G06N3-08, G06F19-00, G06N3-02
【公开号】CN104537415
【申请号】CN201410722721
【发明人】徐圆, 叶亮亮, 朱群雄, 耿志强, 周子茜, 米川, 黄兵明, 刘莹, 卢玉帅, 申生奇
【申请人】北京化工大学
【公开日】2015年4月22日
【申请日】2014年12月2日