IGSA-KPCA邻域建模的多模过程故障检测方法

季　冰，杨　青，张景异

(沈阳理工大学 自动化与电气工程学院，沈阳 110159)



IGSA-KPCA邻域建模的多模过程故障检测方法

季冰，杨青，张景异

(沈阳理工大学 自动化与电气工程学院，沈阳 110159)

摘要：为提高多模过程故障检测的准确率，提出改进引力搜索算法-核主元分析邻域建模的故障检测方法。首先应用及时学习算法在参考数据集中找到待检数据的相关数据，再将相关数据和待检数据作为核主元分析检测模型的输入进行故障检测。核主元分析模型中的参数对故障检测性能有较大影响，提出改进引力搜索算法对模型中参数进行优化，提高检测性能。将所提方法应用于青霉素多模过程进行实验验证，仿真结果表明所提方法在多模过程故障检测中用时短、准确率高。

关键词：多模过程故障检测；及时学习算法；改进引力搜索算法；核主元分析；青霉素过程

随着现代多模过程变得越来越复杂，及时进行故障检测是对生产安全以及经济增长的有效保证，多模过程因为丰富的数据多应用基于数据驱动的故障检测方法[1]。KPCA[2]是一种经典的数据驱动故障检测方法并已成功应用在许多工业过程中。如文献[3]将K均值聚类和PCA算法结合提出多模过程检测算法；文献[4]提出了多操作模型的多模ICA-PCA故障检测算法。

KPCA因可以解决非线性故障检测而得到广泛关注。KPCA中参数的选择对其检测结果有重要影响，因此需对参数进行优化，如文献[5]应用GA算法对KPCA的参数进行优化并验证了所提方法的有效性。基于上述分析，为了提高多模过程故障检测的准确率，本文提出IGSA-KPCA邻域建模的多模过程故障检测方法。

1KPCA邻域建模

1.1JITL方法

传统基于数据驱动的建模方法是基于全局数据建模，如神经网络、模糊集方法等。然而当处理大量数据的多模过程时，传统方法不能及时有效建模而且模型不能随着工况的变化而及时更新。

为解决上述问题，Bontempi[6]提出了及时学习(just in time learing,JITL)方法，将多模过程的大量数据分组成多个子数据集。JITL假设所有正常工况下的数据都存入参考数据集中，邻域建模时在参考数据集中查找待检测数据的相关数据集。图1说明了JITL与传统邻域方法的不同。传统方法是离线建模而JITL可以在线建模，当多模过程工况转换频繁时，传统方法建模耗时且有可能中断过程，而JITL能有效快速建模。

(a) 传统方法(b) JITL

图1JITL与传统方法比较

将数据集uc和ui分别作为KPCA的训练数据和测试数据输入样本。JITL将大量的数据分为小样本数据，减少了KPCA计算量，因此可以减少故障检测所需时间。

1.2KPCA算法

核主元分析(kernelprincipalcomponentanalysis,KPCA)是将非线性输入通过非线性映射Φ(·)映射到高维特征空间，再提取主元成分。将其映射到高维特征空间后，可以解决非线性问题，因此采用KPCA进行多模过程中的故障检测[7]。

设X=x1,x2,…xn∈Rm是数据样本，则通过线性映射Φ(X)∈Rn×f映射到特征空间中的协方差矩阵为

(1)

进行特征值分解则有：λv=ΨΦv。则

(2)

2IGSA-KPCA邻域建模的多模过程故障检测方法

2.1改进GSA

GSA[8]是基于物理学中万有引力定律提出的新的启发式算法。其基本算法过程在文献[8]中已详细给出，本文不再复述，标准GSA算法有易陷入局部最优等缺点，为了克服这些缺点本文提出改进GSA算法。

本文从应用混沌算法和自适应权重策略两方面对GSA进行改进，详细分析如下。

因为混沌算法的执行效率高、表示简单和良好遍历性能，本文将混沌算法应用于初始化GSA个体的位置信息。通过应用混沌算法，GSA不仅可以避免陷入局部最优也有利于提高搜索速度。本文应用Logistic映射得到混沌序列，公式如下：

Zn+1=μZn(1-Zn)

(3)

式中μ是控制参数，当μ=4时系统完全混沌。

混沌算法过程如下：随机产生第一个位置向量为：z1=(z11,…,z1D)，其中0≤z1n≤1，则z2=μz1(1-z1)，计算出z2,…,zN，再将各Zi分量载波到参数取值范围中，得到GSA位置信息：

(4)

在GSA工作过程中，权重是用来平衡探索能力和开发能力的。传统GSA中的权重是随机产生的，本文应用自适应权重代替传统GSA中的随机权重，使质点在远离最优解时提高开发能力，质点在最优解附近时提高探索能力。自适应权重计算公式如下：

(5)

图2　IGSA流程图

2.2IGSA-KPCA邻域建模检测方法

首先应用JITL方法找到相关邻域数据集，将相关邻域数据集和待检测数据集作为KPCA的输入，再用IGSA优化KPCA中核函数参数来提高故障检测准确率。多模过程故障检测流程图如图3所示。

图3　IGSA-KPCA邻域建模故障检测方法

3实验研究

青霉素过程被广泛应用于验证故障检测方法。青霉素过程数据是由Pensim软件仿真产生的，仿真流程图如图4所示，操作界面如图5所示，其故障类型如表1所示。

当多模过程模式变换时，所提出的故障检测方法检测结果如图6～图9所示。与IGSA-KPCA、GSA-KPCA和KPCA方法相比，IGSA-KPCA邻域建模检测方法的优点有：1)在操作模式变换时能有效检测故障；2)通过应用KPCA算法，所提方法提高了在非线性过程中的故障检测性能；3)可以通过改进满足在线建模需求。

表1　故障种类

表2　正常数据测试点

图4　Pensim仿真流程图

图5　Pensim操作界面

图6　KPCA检测结果

图7　GSA-KPCA检测结果

图8　IGSA-KPCA检测结果

图9　JITL-IGSA-KPCA检测结果

最优参数准确率/%KPCA86GSA-KPCA814.7290IGSA-KPCA186.9596JITL-IGSA-KPCA732.5898

4结束语

提出了IGSA-KPCA邻域建模故障检测方法对多模过程进行故障检测。所提方法中，JITL在参考数据集中找到待检测数据集的相关数据集作为KPCA的训练输入，使所提方法能更好地应用于多模过程中。参数的选择对KPCA检测性能影响重大，应用基于混沌算法和自适应权重策略改进的GSA算法对KPCA中的参数进行优化。将所提方法应用于青霉素过程中证明所提方法对多模过程较传统方法有更高的准确率。

参考文献：

[1]N S J.Survey on data-driven industrial process monitorint and fault diagnosis[J].Annual Reviews in Control,2012,36(2):220-234.

[2]BERNHARD S,ALEXANDER S.Nonlinear component analysis as a kernel eigenvalue problem[J].Neural Computation,1998,10(5):1299-1319.

[3]SATHISH N,RAJAGOPALAN S.Multi-mode based process condition monitoring of off shore oil and gas production process[J].Chemical Engineering Research and Design,2010,88(5):572-591.

[4]ZHU Z,SONG Z.Process pattern construction and multi-mode monitoring[J].Process Control,2012,22(1):247-262.

[5]JIA M X,XU H Y,LIU X F.The optimization of the kind and parameters of kernel function in KPCA for process monitoring[J].Computers and Chemical Engineering,2012,46(15):94-104.

[6]BONTEMPI G,BIRATTARI M.The local paradigm for modeling and control:From neural-fuzzy to lazy learning[J].Fuzzy Sets and Systems,2001(121):59-72.

[7]范玉刚，李平，宋执环.基于特征样本的KPCA在故障诊断中的应用[J].控制与决策2005，20(12)：1415-1422.

[8]RASHEDI E,NEZAMABADI-POUR H,SARYAZDI S.GSA:A Gravitation Search Algorithm[J].Informaton Science,2009,179(13):2232-2248.

(责任编辑：马金发)

Multimode Process Fault Detection Approach Based on IGSA-KPCA Neighborhood Modeling

JI Bing，YANG Qing，ZHANG Jingyi

(Shenyang Ligong University，Shenyang 110159，China)

Abstract：In order to improve multimode process fault detection low accuracy,an ensemble method called improved gravitational search algorithm-kernel principal component analysis(IGSA-KPCA) neighborhood modeling is proposed.Firstly,the related data is found in reference data sets by using just in time learning (JITL) approach,then the related data is set and current data are used as inputs of the KPCA model.KPCA model parameters have great influence on fault detection performance and improved GSA is put forward to optimize the KPCA model parameters,which improves fault detection performance.Finally,the proposed method is applied to penicillin multimode process and the simulation results show that IGSA-KPCA neighborhood modeling method is better than traditional method for multimode process fault detection with fast and high accuracy.

Key words：multimode process fault detection;JITL;IGSA;KPCA;penicillin process

中图分类号：TP206

文献标志码：A

文章编号：1003-1251(2016)01-0022-05

作者简介：季冰(1990—)，女，硕士研究生；通讯作者：杨青(1963—)，男，教授，研究方向：故障检测、诊断与预测技术。

基金项目：辽宁省教育厅科学研究基金资助项目(L2014083)

收稿日期：2015-01-05