亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        機器學(xué)習(xí)算法改進及在化工故障診斷中的應(yīng)用

        2022-06-07 09:40:48許洪光李鳳英
        粘接 2022年5期
        關(guān)鍵詞:故障診斷化工檢出率

        許洪光,李鳳英,郭 茜

        (河北東方學(xué)院,河北 廊坊 065000)

        隨著化工生產(chǎn)規(guī)模的擴大,化工設(shè)備和系統(tǒng)結(jié)構(gòu)日趨復(fù)雜,化工生產(chǎn)過程也逐漸趨于非線性、不確定性、不穩(wěn)定性。這導(dǎo)致化工安全管理越來越困難,尤其是當(dāng)系統(tǒng)出現(xiàn)故障時,若不能及時對故障進行辨別處理,不僅可能造成整個設(shè)備系統(tǒng)崩潰,甚至還可能導(dǎo)致生命財產(chǎn)無法挽回的損失。因此,為確保化工生產(chǎn)安全,加強化工過程的安全管理,有必要對化工故障進行及時準(zhǔn)確地診斷。目前,化工故障診斷方法主要包括基于解析模型的方法和基于經(jīng)驗知識的方法?;诮馕瞿P头椒ㄖ械脑诰€壓縮KECA自適應(yīng)算法,通過分析故障數(shù)據(jù)中的故障信息,實現(xiàn)了化工故障的檢測,一定程度上提高了故障檢測率?;诮?jīng)驗知識法中的故障樹法,通過對設(shè)備故障檢測,完成了設(shè)備可靠性分析,提高了設(shè)備的安全性。上述方法雖可實現(xiàn)故障檢測,一定程度上提高設(shè)備安全性,但均存在計算量大且計算誤差較大的問題。近年來,隨著人工智能的發(fā)展,基于卷積神經(jīng)網(wǎng)絡(luò)(CNN),由于其可提取高維非線性數(shù)據(jù)特征,并具有深度挖掘、計算過程簡單的特點,常用于故障診斷。因此,本研究選用CNN算法對化工故障進行診斷,并通過粒子群優(yōu)化算法(PSO)改進CNN,提高化工故障診斷的準(zhǔn)確性和檢出率,降低算法的誤報率,為化工故障診斷提供了一種新思路。

        1 機器算法及改進

        1.1 CNN算法簡介

        CNN算法是一種典型的機器學(xué)習(xí)算法,具有表征學(xué)習(xí)的能力,可根據(jù)階層結(jié)構(gòu)實現(xiàn)平移信息,且可保證平移過程中信息分類不變,因此常用于計算機故障診斷等領(lǐng)域。標(biāo)準(zhǔn)的CNN網(wǎng)絡(luò)包括輸入層、卷積層、池化層、全連接層、輸出層5層結(jié)構(gòu),如圖1所示。

        圖1 CNN網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.1 CNN network structure diagram

        由于該網(wǎng)絡(luò)結(jié)果為前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),故其參數(shù)訓(xùn)練過程包括前向傳播和反向傳播兩個過程。前向傳播過程即對輸入的數(shù)據(jù)通過卷積層進行卷積操作,然后通過池化層進行采樣處理,全連接層選取特征,最后通過輸出層輸出結(jié)果;反向傳播過程即通過梯度下降算法計算預(yù)期值與實際值的誤差,并依次從全連接層、池化層、卷積層,向輸入層反向傳播誤差,以調(diào)整各層參數(shù)值,直到模型收斂。

        1.2 CNN算法改進

        根據(jù)上述CNN網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)訓(xùn)練過程分析可知,CNN網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜且其參數(shù)訓(xùn)練過程參數(shù)的選擇主要根據(jù)人工經(jīng)驗選擇,故存在不穩(wěn)定的問題。因此,研究對CNN算法進行了改進。由于PSO算法具有操作簡單且容易實現(xiàn)的特點,故本研究采用PSO算法改進CNN網(wǎng)絡(luò)。

        PSO算法改進CNN網(wǎng)絡(luò)主要是對其反向傳播過程進行改進。首先將CNN網(wǎng)絡(luò)需要運算的參數(shù)作為PSO算法的基本粒子,并根據(jù)前向傳播期望值與實際值誤差函數(shù),如式(1),計算粒子的局部最優(yōu)和全局最優(yōu);然后,根據(jù)基本PSO運算公式,如式(2)(3),更新粒子;最后,通過迭代運算,更新CNN網(wǎng)絡(luò)權(quán)值,再次進行前向傳播,直到誤差在設(shè)定閾值范圍內(nèi)。

        PSO改進CNN網(wǎng)絡(luò)的具體實現(xiàn)流程如下:

        步驟1:初始化粒子群,包括粒子個數(shù),加速常數(shù)、,慣性權(quán)重,粒子位置,粒子速度;

        步驟2:對粒子群中每個粒子,采用式(4)計算其在CNN網(wǎng)絡(luò)中的前向傳播,根據(jù)式(1)計算預(yù)期值與實際值的誤差;

        式中:f表示CNN各池化層激活函數(shù),w表示各層連接權(quán)重。

        步驟3:判斷與設(shè)定閾值*的大小,若>*,則根據(jù)式(2)(3)更新粒子,并將更新后的粒子信息返回CNN網(wǎng)絡(luò),同時更新訓(xùn)練權(quán)值,再次進行前向傳播與誤差計算,返回步驟2;若<*,則停止算法,輸出結(jié)果。

        2 基于改進CNN算法的化工故障診斷

        基于改進CNN算法的化工故障診斷主要包括離線訓(xùn)練和在線監(jiān)控兩部分。其中,離線訓(xùn)練主要包括5個階段,數(shù)據(jù)采集與預(yù)處理、特征提取與學(xué)習(xí)、參數(shù)優(yōu)化、模型訓(xùn)練、故障分類;在線監(jiān)控包括數(shù)據(jù)采集與預(yù)處理、特征學(xué)習(xí)、故障診斷分類3個階段。具體流程如下:

        步驟1:采集化工過程數(shù)據(jù),包括正常化工過程數(shù)據(jù)和故障數(shù)據(jù);

        步驟2:對采集的數(shù)據(jù)集進行預(yù)處理,如小波變換去噪和標(biāo)準(zhǔn)化處理等;

        步驟3:構(gòu)建CNN網(wǎng)絡(luò)模型;

        步驟4:初始化PSO算法基本參數(shù)和迭代次數(shù),以及CNN網(wǎng)絡(luò)的關(guān)鍵超參數(shù)作為PSO算法的粒子分量;

        步驟5:采用CNN網(wǎng)絡(luò)模型對網(wǎng)絡(luò)參數(shù)訓(xùn)練;

        步驟6:采用PSO算法對CNN關(guān)鍵超參數(shù)進行調(diào)優(yōu)訓(xùn)練,得到最佳CNN模型;

        步驟7:采用PSO優(yōu)化后的最佳CNN模型對化工故障進行診斷,即實現(xiàn)了改進CNN算法對化工故障的診斷。

        上述流程可用圖2示意。

        圖2 改進CNN算法診斷化工故障流程Fig.2 Improved CNN algorithm for chemical fault diagnosis

        3 仿真實驗

        3.1 實驗環(huán)境

        本實驗在計算機模擬仿真程序TE過程中進行仿真,該工藝流程如圖3所示。

        圖3 TE過程工藝流程Fig.3 TE process flow

        原料通過進料口進入反應(yīng)器發(fā)生化學(xué)反應(yīng),反應(yīng)器中的冷凝器一方面移走反應(yīng)產(chǎn)生的熱量,另一方面冷卻反應(yīng)產(chǎn)生的惰性氣體、未反應(yīng)組分、副產(chǎn)物,并輸送到氣液分離器。通過氣液分離器后,循環(huán)壓縮機對氣態(tài)成分進行壓縮并返回反應(yīng)器進料口,解吸塔將未反應(yīng)組分分離流入下一個工段,惰性氣體則直接排放到空氣中。TE過程具有時變性、非線性等特點,與實際化工過程相似,故研究選用該過程為實驗對象。

        3.2 數(shù)據(jù)來源及預(yù)處理

        本實驗故障來自TE過程中的20個故障,故障類型具體如表1所示。實驗數(shù)據(jù)集為TE過程中測量變量獲取的仿真數(shù)據(jù),包括訓(xùn)練集和測試集。其中,訓(xùn)練集由正常狀態(tài)下500組數(shù)據(jù)樣本和故障狀態(tài)下每種故障480組數(shù)據(jù)構(gòu)成,共10 100組數(shù)據(jù);測試集由正常狀態(tài)下960組數(shù)據(jù)樣本和故障狀態(tài)下每種故障960組數(shù)據(jù)構(gòu)成,共20 160組數(shù)據(jù)。

        表1 TE過程故障類型Tab.1 TE process failure types

        考慮到TE過程產(chǎn)生的原始數(shù)據(jù)中存在噪聲,可能干擾數(shù)據(jù)特征,不利于數(shù)據(jù)的分析,故研究采用小波變換去除噪聲數(shù)據(jù)。首先,對采集的TE過程數(shù)據(jù)進行小波變換與多尺度分解,然后對小波系數(shù)進行處理,以去除噪聲數(shù)據(jù)的小波系數(shù),最后通過信號重構(gòu)即可得到無噪數(shù)據(jù)。

        3.3 參數(shù)設(shè)置

        采用PSO優(yōu)化CNN參數(shù),首先將PSO算法的迭代次數(shù)設(shè)置為25,然后經(jīng)過25次迭代后得到CNN算法參數(shù)結(jié)果,如圖4所示。隨著迭代次數(shù)的增加,CNN算法的全局適應(yīng)值逐漸增大,直到迭代到10代后,逐漸趨于平緩,全局最優(yōu)適應(yīng)度值達(dá)到0.998。由此說明,本研究PSO可優(yōu)化CNN算法,且設(shè)置的PSO迭代次數(shù)可滿足尋找全局最優(yōu)的要求。

        圖4 PSO優(yōu)化CNN參數(shù)結(jié)果Fig.4 Results of CNN parameters optimized by PSO

        經(jīng)過PSO優(yōu)化后的CNN算法最佳結(jié)構(gòu)和超參數(shù)如表2所示。

        表2 CNN最佳結(jié)構(gòu)和超參數(shù)Tab.2 Best structure and superparameters for CNN

        3.4 評價指標(biāo)

        本研究選用故障檢出率(FDR)和誤報率(FAR)作為評估算法性能的指標(biāo),其計算方法如式(5)、式(6)。

        3.5 結(jié)果與分析

        3.5.1 算法驗證

        為驗證改進CNN算法的有效性,研究采用標(biāo)準(zhǔn)CNN算法與提出改進CNN算法對測試集FDR進行十次故障檢測,結(jié)果如表3所示。

        表3 CNN算法改進前后檢測結(jié)果Tab.3 Before and after improved detection results of CNN algorithm

        由表3可知,標(biāo)準(zhǔn)CNN算法的平均故障檢出率為83.76%,誤報率為2.65%;改進CNN算法的平均故障檢出率為91.23%,誤報率為1.23%。由此說明,本研究改進CNN算法切實有效,可優(yōu)化算法性能,避免了CNN算法在訓(xùn)練過程中陷入局部最優(yōu)解的問題。

        3.5.2 實例結(jié)果

        為驗證提出改進CNN算法在化工故障診斷中的實際應(yīng)用效果,研究采用該方法對TE過程20個故障進行診斷,并與PCA算法、KPCA算法、MICA算法、CNN算法的化工故障診斷結(jié)果進行對比,結(jié)果如表4所示。

        表4 不同算法對化工故障檢出率Tab.4 Chemical fault detection rate by different algorithms

        由表4可知,不同算法對化工故障診斷結(jié)果不同,相較于對比算法,本研究改進CNN算法可檢測診斷出14種故障,具有較高的診斷檢出率;PCA算法、KPCA算法、MICA算法分別可檢測出8個、8個、5個故障,且對某些化工故障的檢出率低于10%,而CNN算法和改進CNN算法不存在低檢出率的情況,分析其原因是故障樣本與正常樣本差異性較小,PCA算法、KPCA算法、MICA算法難以區(qū)分?jǐn)?shù)據(jù)間的細(xì)微差別,故其檢出率較低,而CNN算法和改進CNN算法通過多層卷積操作,提取并學(xué)習(xí)到數(shù)據(jù)特征,可靈敏感應(yīng)到數(shù)據(jù)的微小變化,故其檢出率較高;相較于CNN算法,本研究模型的平均檢出率更高,其原因是引入的PSO算法優(yōu)化了CNN算法結(jié)構(gòu)和參數(shù),減少了信息的損失。

        為進一步驗證提出方法的優(yōu)越性,研究采用上述與改進CNN算法檢測化工故障檢出率差異較小的CNN算法和改進CNN算法,再次對化工故障進行檢測,結(jié)果如表5所示。

        表5 CNN算法與改進CNN算法對化工故障檢出點Tab.5 CNN Algorithm and improved CNN Algorithm for chemical fault detection points

        由表5可知,相較于CNN算法,本研究改進CNN算法可更及時準(zhǔn)確檢測到故障的出現(xiàn),對故障3和故障5的檢出點提前4個點,對故障11和故障19的檢出點提前5個點,對故障15的檢出點提前8個點,對故障16的檢出點提前3個點;整體來看,本研究提出的改進CNN算法對故障更加敏感,可及時準(zhǔn)確檢測出各種故障。

        4 結(jié)語

        綜上所述,本研究基于改進CNN算法化工故障診斷方法,通過PSO算法優(yōu)化CNN網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù),可得到性能更好的故障檢測模型,該模型能及時有效對化工故障進行診斷,在TE過程案例上,該模型的平均故障檢出率達(dá)到91.23%,誤報率為1.23%,相較于標(biāo)準(zhǔn)CNN算法、PCA算法、KPCA算法、MICA算法,具有更高的平均故障檢出率和更低誤報率,且故障檢出速度更快。

        整體而言,本研究基于改進CNN算法的化工故障診斷方法對化工故障診斷具有優(yōu)越的性能,可及時檢測出化工故障,但仍存在一些問題待解決,如在CNN網(wǎng)絡(luò)改進過程中,本研究僅采用了PSO算法對其進行優(yōu)化,忽略了諸多優(yōu)秀的優(yōu)化學(xué)習(xí)模型,可能錯失更好的優(yōu)化方法。下一步,將從這方面進行深入研究,以期獲得更優(yōu)秀的化工故障診斷模型,確?;どa(chǎn)過程安全運行。

        猜你喜歡
        故障診斷化工檢出率
        《化工管理》征稿簡則
        化工管理(2022年30期)2022-11-15 05:05:10
        《化工管理》征稿簡則
        化工管理(2022年15期)2022-11-15 04:12:20
        QCT與DXA對絕經(jīng)后婦女骨質(zhì)疏松癥檢出率的對比
        安寧市老年人高血壓檢出率及其影響因素
        一起化工安全事故的警示
        長程動態(tài)心電圖對心律失常的檢出率分析
        因果圖定性分析法及其在故障診斷中的應(yīng)用
        山東產(chǎn)品抽查:文胸嬰幼兒服裝不合格率居前
        中國纖檢(2015年8期)2015-05-08 09:31:55
        應(yīng)用化工第43卷(1~12期)目次
        基于LCD和排列熵的滾動軸承故障診斷
        日本一区不卡在线观看| 欧美日韩精品一区二区在线观看 | 久久乐国产精品亚洲综合| 精品亚洲欧美高清不卡高清| 中文天堂一区二区三区| 干日本少妇一区二区三区| 粗大猛烈进出白浆视频| 久久国产成人精品国产成人亚洲 | 国产成人麻豆精品午夜福利在线 | 黄瓜视频在线观看| 小12箩利洗澡无码视频网站 | 男女一级毛片免费视频看| 久久精品一区二区三区不卡牛牛| 精品人妻中文av一区二区三区| 熟妇人妻久久中文字幕| 狠狠久久久久综合网| 久久午夜伦鲁鲁片免费| 亚洲美女毛片在线视频| 精东天美麻豆果冻传媒mv| 日本欧美在线播放| 亚洲综合色视频在线免费观看| 亚洲av高清一区二区三| 国産精品久久久久久久| 国产欧美另类精品久久久| 国产偷闻女邻居av在线观看| 日韩国产人妻一区二区三区| 99偷拍视频精品一区二区| 久久综合给合久久狠狠狠9| 精品精品国产一区二区性色av| 免费无码一区二区三区a片百度| 老少交欧美另类| 日本一区二区三区在线| 夜晚黄色福利国产精品 | 亚洲 自拍 另类 欧美 综合| 国产精品国三级国产av| 亚洲日本中文字幕高清在线| 天天噜日日噜狠狠噜免费| 夜夜综合网| 亚洲国内精品一区二区在线| 亚洲综合天堂av网站在线观看| 欧美粗大无套gay|