几种人工神经网络在化工故障诊断中的应用 王波0310文档格式.docx

几种人工神经网络在化工故障诊断中的应用 王波0310文档格式.docx

《几种人工神经网络在化工故障诊断中的应用 王波0310文档格式.docx》由会员分享，可在线阅读，更多相关《几种人工神经网络在化工故障诊断中的应用 王波0310文档格式.docx（8页珍藏版）》请在冰豆网上搜索。

现在人们提出的神经元模型有很多,其中最早提出并且影响较人的是1943年心理学家McCulloch和数学家W.Pitts在分析总结神经元基本特性的基础上首先提出的MP模型。

该模型经过不断改进后,形成现在广泛应用的BP神经元模型（朱人奇,2006）。

人工神经元模型是由人量处理单元广泛互连而成的网络,是人脑的抽象,简化,模拟,反映人脑的基本特性。

一般来说,作为人工神经元模型应具备三个要素：

（l）具有一组突触或连接,常用Wij表示神经元i和神经元j之间的连接强度,或称之为权值。

与人脑神经元不同,人工神经元权值的取值可在负值和负值之间。

（2）具有反映生物神经元时空整合功能的输入信号累加器。

（3）具有一个激励函数用于限制神经元输出。

激励函数将输出信号限制在一个允许范围内,使其成为有限值,通常神经元输出的扩充范围在[0,1]或[-1,1]之间。

人工神经网络是建立在现代神经科学研究基础上的一种抽象数学模型，它反映了大脑功能的基本特征，但并非逼真地描写，只是某种简化、抽象和模拟。

给ANN一些样本，ANN通过自学习可以掌握样本规律，在输入新的数据和状态信息时，可用ANN进行自动推理和控制[2]。

由于反向传递学习算法BP网络和Hopfield网络[3]的出现与再次兴起，使其应用领域不断扩大。

化工行业有着生产过程复杂、对象特性多变、间歇或半连续生产过程多、有一定的危险性及污染环境等特点，使得化工领域需要一个技术及环境的改善。

ANN的出现，为化工过程的现代科学技术综合发展提供了一种先进的支撑环境，对其进一步发展有很大的促进作用。

2．故障诊断

现代化工过程具有规模大,复杂性高,变量多等特点。

对系统进行及时、准确的故障检测可以减少停产时间,增加设备运行的安全性。

工业系统中发生故障的类型包括过程参数的变化、干扰参数的变化、执行器的问题和传感器的问题。

为了确保过程运行状况满足给定的性能指标，需要对故障进行检测、诊断和清除。

统计过程控制中将其称为过程监控。

过程监控的目标是通过识别不正常行为来确保过程成功地按计划运行。

过程监控分为四个步骤：

故障检测、故障识别、故障诊断和过程恢复：

故障检测——确定故障是否发生；

故障识别——把那些与故障最有关联的观测变量识别出来；

故障诊断——确定哪一类故障发生了；

过程恢复——去除故障的影响。

VenkatVenkatasubramanian等人提出故障诊断方法可以分为：

基于解析模型的方法、基于定性模型和搜索策略的方法、基于过程历史数据的方法这样的三类方法[4-6]。

2.1基于解析模型的方法

基于解析模型的方法以测量到的输入u和输出y为基础，使用精确的数学模型来生成一些特征，如残差。

通过直接地或经变换后把测取的特征与正常运行条件下的特征进行比较，故障就能被检测或诊断出来。

残差是一种较常用的特征，残差是设备观测值与数学模型之间一致性检查的差值，它因故障、干扰、噪声或模型误差而不为零[2]。

在正常情况下，残差或者其变换在有故障存在时相对较大，而在只有干扰、噪声或模型误差存在时较小，这样可以通过定义适当的阈值来检测故障的存在。

在动态系统中，残差的生成主要有三种方法：

参数估计、观测器和等价关系。

这三种方法生成残差的方式不同，因而各自形成了不同的故障检测和诊断的方法。

基于解析模型的方法是检测和诊断故障的一种有效方法，但是这种方法要求有精确的数学模型，还需要是线性系统，这些局限性使得基于解析模型方法在实际工程中应用的不多。

目前这类方法的研究主要有：

文献[7]中针对一类含有建模误差的非线性系统，设计了一种状态估计器对系统的状态进行估计，同时用径向基神经网络作为故障估计器来逼近系统所发生的故障。

故障估计器的输入为系统的状态估计，所估计出的故障既可以用作故障容错控制，也可用作报警。

文献[8]中讨论了一类非线性系统执行器故障的诊断问题。

文献[9]中基于控制系统故障的先验知识，应用M-ARY理论，对故障检测与定位进行了二级决策，以提高诊断问题的求解能力。

2.2基于定性模型和搜索策略的方法

系统的定性模型通常是在对系统的物理特性有深入了解的基础上建立的。

在解析模型中把这种理解表示成系统的输入输出之间的数学关系，而定性模型中把这种理解表示成不同单元之间的定性的因果关系。

这类方法有故障树分析、符号定向图法（SignedDirectedGraph,SDG）等。

故障树分析是可靠性设计的一种有效方法，也可以成为故障诊断技术的一种有效方法[11]。

在故障树分析中，一般把所研究系统最不希望发生的故障状态作为辨识和估计的目标，这个最不希望发生的系统故障事件称为顶事件；

然后在一定环境与工作条件下，首先找出导致顶事件发生的必要和/或充分的直接原因，把它们作为第二级，依次在找出导致第二级故障发生的直接原因作为第三级，如此逐级展开。

一直追溯到那些不能再展开或不需要深究的最基本的故障事件为止，这些最基本故障事件为底事件；

而介于顶事件和底事件之间的其它故障事件成为中间事件。

把顶事件、中间事件和底事件用适当的逻辑门自上而下逐级连接起来所构成的逻辑结构图就是故障树。

文献[10]中从某大型空分系统的故障诊断专家系统实例出发，提出了二叉故障树概念，并结合膨胀机模型的某一故障现象，建立了二叉故障树的模型。

用二叉故障树表示专家知识方法简单，基于此的诊断推理效率高、速度快。

文献[11]针对复杂控制系统的故障诊断，讨论了图论与故障树结合的方法，这种方法能够快速确定故障源，提高了故障诊断效率。

文献[12]中基于符号定向图开发了一种计算机自动解释系统，提供了三种解释方法，把过程中故障的危险更为明显的表达出来。

文献[13]中提出基于SDG模型和模糊融合的故障诊断方法，该方法能够辨识不同的故障模式并计算其可能性，增加了诊断结果的准确性。

2.3基于过程历史数据的方法

这类方法不需要对过程建立精确地解析模型，也不需要对过程有深入的了解，只需要大量的过程历史数据，通过对过程历史数据进行适当的变换进行特征提取，然后完成诊断。

这类方法主要有神经网络、专家系统、主元分析和部分最小二乘法等。

模拟人脑结构的人工神经网络方法是一种全新的、有前景的故障诊断方法[14]。

神经网络用于故障检测与诊断时，常使用三层前向网络。

一般把输入层分配给过程变量，输入层神经元的个数等于用于故障检测与诊断的过程变量的个数；

输出层作为故障指示器，输出层神经元的个数由故障类的数目决定；

隐层没有明确的物理意义，合理选择隐单元个数及其作用函数，可以把原来的非线性可分问题转化为一个线性可分问题，实现模式识别、故障检测与诊断。

神经网络诊断方法的不足之处在于需要足够多的学习样本，才能保证诊断的可靠性，由于神经网络从故障事例学习的知识体现为一些分布权重，这使得诊断推理过程不能够解释。

专家系统诊断方法利用专家积累的丰富实践经验，模仿专家分析问题和解决问题的思路获得诊断结果，并能够解释推理过程。

早期的专家系统多用于医疗诊断。

近年来专家系统在化工等工业过程中也得到了广泛的应用。

在专家系统的框架下，可以综合利用专家的经验解决多样的、复杂的、非常规的故障，这样的故障依靠传统的诊断方法是无法解决的。

专家系统可以像专家一样工作而且不受环境、心理等因素的影响。

然而专家系统也有其难以克服的缺点：

知识的获取一直是困扰专家系统的“瓶颈”问题，并且知识获取时专家系统的知识具有不一致性、不完全性和不准确性，系统不能自我完善。

主元分析是一种多元统计方法。

在数据分析处理过程中，样本往往涉及多个观测变量，这使得观测数据中的信息有所重叠。

主元分析通过降维技术把多个观测变量简化为较少的几个综合变量。

这些综合变量能够反映原始变量的绝大部分信息，并且它们是互不相关的。

这些特点使它在故障检测与诊断方面有很多应用。

主元分析方法的缺点是在降维的同时丢失了一些过程信息。

文献[15]中针对早期故障检测与诊断问题，提出结合Petri网与神经网络的两级检测与诊断方案。

这种方法适用于大规模系统，首先将系统分为几个部分，然后由Petri网根据实时情况检测系统是否发生故障，若有故障存在则交给下一级的各个神经网络诊断故障发生于哪个部分。

文献[16]将概率神经网络用于说话人的辨识。

文献[17]将概率神经网络用于文本的自动分类。

文献[18]中针对电能质量扰动自动识别问题，提出了小波分析与概率神经网络结合的自动识别方法。

该方法识别正确率高，实现简单，能有效检测幅值较小的谐波。

前面已简要总结了各种故障检测与诊断方法，不难发现每种方法都有各自的优点和不足，为了克服现有这些方法的局限性，科研人员正致力于混合故障诊断方法的研究，已出现了一些混合故障诊断方法。

利用混合故障诊断方法克服单一方法的缺点和不足，是故障诊断技术发展的重要趋势之一

3几种人工神经网络在化工故障检测与诊断中的应用

3.1BP网络在故障检测与诊断中的应用

BP网络与线性阈值单元组成的多层感知器网络结构完全相同,只是各隐节点的激活函数使用了Sigmoid函数。

BP网络输出节点的激活函数根据应用的不同而异,如果BP网络用于分类,则输出节点一般用Sigmoid函数或双曲正切函数;

如果多层感知器用于函数逼近,则输出层节点用线性函数。

如图3-1是含有两个隐含层的BP网络结构图

图3.1两隐含层的BP网络结构神经图

输入层有M个输入信号,其中的任一输入信号用m表示。

第1隐层为I,即有I个神经元,其中的任一神经元用i表示；

第2隐层为J,即有J个神经元,其中任一神经元用j表示,输出层为P,即有P个输出神经元,其中任一神经元用p表示.输入层与第1隐层的突触权值用wmi,表示;

第1隐层与第2隐层的突触权值用wij表示;

第2隐层与输出层的突触权值用wjp表示。

BP网络用于故障检测与诊断时，通常使用三层网络。

把输入层分配给过程变量，输入层神经元个数等于用于故障检测与诊断的过程变量个数；

隐层没有明确的物理意义，具体隐层神经元数目要通过逐步增长法、逐步修剪法或正规化约束方法确定。

利用BP网络进行在故障检测与诊断时，首先根据实际情况确定可利用的训练样本数目，然后建立合适的BP网络，建立网络主要要解决以下几方面的问题：

确定输入变量个数、训练样本数、确定最优的网络规模及网络参数等。

文献[19]研究了基于BP神经网络的故障检测与诊断方法，并将其用于数值仿真实例和TE过程进行了故障检测和故障诊断的仿真实验，给出了详细具体的实验结果。

在数值仿真实例中，该过程关系式是静态的、线性的，BP网络故障检测效果很好，故障发生时能准确的检测到。

3.2概率神经网络在故障检测与诊断中的应用

概率神经网络是一种监督学习的单隐含层的前向网络,常用于模式分类。

与其他网络相比,它不需要学习过程,不需要设置初始权值,当输入矢量和目标值确定后,网络的权值也就确定了。

它学习速度快,适合于故障检测，诊断和信号分类等问题。

网络结构如图3.2所示：

图3.2PNN网络结构

概率神经网络在确定其隐层权值和隐层与输出层权值时。

隐层使用聚类方法的无教师学习，隐层权值向量即为输入样本的转置，隐层神经元个数等于输入样本数。

隐层与输出层之间权值向量的确定为有教师学习，由目标向量决定。

两段学习过程均能一次完成。

概率神经网络和BP网络同属单向传播的多层网络，所以概率神经网络故障诊断原理与BP网络有很多相似之处。

概率神经网络用于故障检测与诊断时，把输入层分配给过程变量，神经元个数由用于检测与诊断的过程变量数决定；

输出层作为故障指示器，神经元数目由故障类数目决定；

与BP网络不同的是：

概率神经网络的隐层神经元有着不同的输入输出特性，作用相对明确，从模式识别角度讲从输入层映射到隐层的过程是将一个低维空间非线性可分问题映射到高维空间，使其在此高维空间中线性可分的过程。

在利用概率神经网络进行故障检测与诊断时，首先明确可以利用的训练样本数，然后建立合适的网络，其中包括：

确定训练样本数目、确定网络参数及选择最优的网络规模。

概率神经网络网络选择网络规模时隐层神经元个数等于训练样本数，只要通过逐步增长法或逐步修剪法确定训练样本数，概率神经网络的规模随即确定。

文献[19]研究了概率神经网络的故障诊断原理等。

并以数值仿真实例和TE过程为例，对概率神经网络的故障检测和故障诊断能力进行了实验验证，实验结果与应用广泛的BP网络进行比较。

在数值仿真实例中，当故障发生时，概率神经网络能够准确地检测到。

在TE过程故障检测实验中概率神经网络能够对多种故障准确检测，明显优于BP网络，在TE过程故障诊断实验中概率神经网络诊断总错分率明显低于BP网络。

上述实验结果表明概率神经网络在故障检测和故障诊断方面明显优于BP网络。

3.3其它神经网络在故障检测与诊断中的应用

径向基网络（radialbasisfunction，RBF）和自适应网络2（adaptiveresonancetheory-2,ART2）[20]也用于检测与诊断故障。

RBF基于距离分类，拥有提高泛化的能力和学习更快的能力。

近来，径向基函数网络成为用户首要选择，因此其能提供更合理的泛化能力和耕地的外推误差。

基于ART的神经网络具有稳定，可塑的特点。

这种训练过的网络，在没有忘记已学到知识（稳定性）的情况下，可以学习到新的知识模式（可塑性）。

虽然RBF网络在推理方面，比BP网络有了巨大进步，但对分类问题，它不能保证总能取得最优解（这与寻找局部最小化是等价的）。

而且，决定RBF网络最佳结构的不是直接的，需要试验和误差逼近。

对向传播神经网络（counterpropagationneuralnetworks,CPNN）将Kohonen特征映射网络与Grossberg基本竞争型网络相结合，发挥各自特长的一种新型特征映射网络。

其拓扑结构如图所示：

图3.3CPNN结构图

对向传播神经网络由输入，竞争和输出等层构成，各层神经元之间相互连接。

输入层与竞争层构成特征映射网络；

竞争层和输出层构成基本竞争型网络。

从整体上看，网络属于有教师型的网络，二由输入层和竞争层构成的特征映射网络又是一种典型的无教师型网络分类灵活，算法简练的优点，又采纳了有教师型网络的分类精细，精准的长处，使2种不同类型的网络有机的结合起来。

对向传播神经网络竞争层的各神经元，通过竞争来获取对输入模式的响应机会，最后仅有一个成为胜利者，并将于获胜神经元有关的各链接权值向着更有利于竞争的方向调整。

相对于BP神经网络而言，对向传播神经网络分类灵活，精细，算法简练，训练时间短具有很高的准确度。

参考文献

[1]黄丽.BP神经网络算法改进及应用研究[D][D].重庆:

重庆师范大学,2008.

[2]邹志云.面向21世纪的化工过程控制技术[J].石油化工自动化,1999（5）:

2-5.

[3]HopfieldJJ.Neuralnetworksandphysicalsystemswithemergentcollectivecomputationalabilities[J].Proceedingsofthenationalacademyofsciences,1982,79（8）:

2554-2558.

[4]VenkatasubramanianV,RengaswamyR,YinK,etal.Areviewofprocessfaultdetectionanddiagnosis:

PartI:

Quantitativemodel-basedmethods[J].Computers&

chemicalengineering,2003,27（3）:

293-311.

[5]VenkatasubramanianV,RengaswamyR,KavuriSN.Areviewofprocessfaultdetectionanddiagnosis:

PartII:

Qualitativemodelsandsearchstrategies[J].Computers&

ChemicalEngineering,2003,27（3）:

313-326.

[6]VenkatasubramanianV,RengaswamyR,KavuriSN,etal.Areviewofprocessfaultdetectionanddiagnosis:

PartIII:

Processhistorybasedmethods[J].Computers&

327-346.

[7]刘春生,胡寿松.一类基于状态估计的非线性系统的智能故障诊断[J].控制与决策,2005,20（5）:

557-561.

[8]陈茂银,周东华.一类非线性系统的故障诊断[J].自动化学报,2004,30（6）:

1011-1016.

[9]闻新,周露.基于多种测量残差的控制系统故障诊断方法[J].控制与决策,1998,13

（1）:

75-78.

10]余勇,何国庚,李嘉,等.故障树知识在空分系统故障诊断推理中的应用[J].低温与超导,2007,35（3）:

225-227.

[11]景琰,赵惠平.基于图论与故障树结合的控制系统故障诊断[J].舰船科学技术,2007,29（A01）:

86-88.

[12]刘春雷,吴重光.化工故障诊断自动解释系统的设计与开发[J].石油化工自动化,2004

（1）:

28-30.

[13]刘敏华,萧德云.基于SDG模型和模糊融合的故障诊断方法[J].控制工程,2006,13

（1）:

10-14.

[14]黄启明,钱宇.化工过程故障诊断研究进展[J].化工自动化及仪表,2000,27（3）:

1-5.

[15]BahriPA,PowerY.Atwo-stepsupervisoryfaultdiagnosisframework[J].Computers&

chemicalengineering,2004（11）:

2131-2140.

[16]王成儒,王金甲,李静.一种用于说话人辨认的概率神经网络的MCE训练算法[J].仪器仪表学报,2002（z3）:

154-156.

[17]施洁斌.基于概率神经网络的文本自动分类研究[J].情报学报,2004,23

（2）:

147-151.

[18]石敏,吴正国,徐袭.基于概率神经网络和双小波的电能质量扰动自动识别[J].电力自动化设备,2006,26（3）:

5-8.

[19]谷雷.基于人工神经网络的化工过程的故障诊断[D].沈阳理工大学,2008.

[20]张卫华,吴重光,王春利,等.基于神经网络的化工过程故障诊断[J].计算机与应用化学,2010,27（7）:

987-991.