基于MPA 優(yōu)化MKL-FSVDD 模型的聚合釜設(shè)備故障診斷①

李國(guó)友 才士文 李東朔 張新魁 賈曜宇 寧 澤

(*燕山大學(xué)智能控制系統(tǒng)與智能裝備教育部工程研究中心 秦皇島066004）

(**電子科技大學(xué)光電科學(xué)與工程學(xué)院 成都611731）

0 引言

化工生產(chǎn)流程通常為非流水型、不透明的狀態(tài),聚氯乙烯(polyvinyl chloride,PVC)生產(chǎn)過(guò)程是一個(gè)傳質(zhì)、傳熱的復(fù)雜化學(xué)工藝過(guò)程,其中聚合釜故障是導(dǎo)致聚氯乙烯產(chǎn)品質(zhì)量下降的主要原因之一。工業(yè)生產(chǎn)過(guò)程中聚合釜設(shè)備會(huì)產(chǎn)生大量高維數(shù)據(jù),工作人員通過(guò)數(shù)據(jù)進(jìn)行間接觀察[1-2],不僅加大了故障診斷難度,而且診斷效果并不理想。相比簡(jiǎn)單系統(tǒng)的解析模型,利用數(shù)據(jù)驅(qū)動(dòng)模型,解決化工流程工藝中復(fù)雜故障數(shù)據(jù)特征不易區(qū)分問(wèn)題的優(yōu)勢(shì)顯而易見(jiàn)[3-5]。

國(guó)內(nèi)外針對(duì)聚合釜設(shè)備的故障診斷研究,早期是使用神經(jīng)網(wǎng)絡(luò)的方法[6]。為滿(mǎn)足PVC 生產(chǎn)過(guò)程中聚合釜故障實(shí)時(shí)診斷和優(yōu)化監(jiān)測(cè)的要求,文獻(xiàn)[7]提出慣性權(quán)值動(dòng)態(tài)調(diào)整粒子群優(yōu)化算法優(yōu)化自組織映射(self-organizing map,SOM)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的故障診斷策略,結(jié)合聚合釜的工業(yè)現(xiàn)場(chǎng)歷史數(shù)據(jù)的仿真,證明其有效性。針對(duì)復(fù)雜化工生產(chǎn)過(guò)程中的檢測(cè)異常和故障診斷,文獻(xiàn)[8]提出過(guò)程拓?fù)渚矸e網(wǎng)絡(luò)模型,減小對(duì)訓(xùn)練數(shù)據(jù)量和計(jì)算資源的依賴(lài),提高了故障診斷的準(zhǔn)確率。但由于神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練過(guò)程需要大規(guī)模樣本數(shù)據(jù)集支撐的要求,其應(yīng)用場(chǎng)合受到很多局限[9],相關(guān)學(xué)者相繼引入支持向量機(jī)(support vector machine,SVM)[10]和支持向量機(jī)數(shù)據(jù)描述(support vector data description,SVDD)[11-12]的機(jī)器學(xué)習(xí)算法,并以此為基礎(chǔ)不斷完善發(fā)展。我國(guó)故障診斷研究起步晚,但發(fā)展比較快,故障診斷技術(shù)在化工流程工業(yè)領(lǐng)域的研究與應(yīng)用都取得了一定的成效。文獻(xiàn)[13]采用改進(jìn)布谷鳥(niǎo)算法優(yōu)化支持向量機(jī),進(jìn)行聚合釜故障診斷的仿真研究,提高了PVC 聚合過(guò)程中聚合釜故障的診斷率和預(yù)測(cè)率。文獻(xiàn)[14]針對(duì)聚合釜聚合過(guò)程故障特點(diǎn)和生產(chǎn)過(guò)程的非線性、動(dòng)態(tài)性特征,提出基于動(dòng)態(tài)核主元分析(dynamic kernel principal component analysis,DKPCA)的故障診斷算法,以利于實(shí)際PVC 聚合生產(chǎn)過(guò)程的故障監(jiān)測(cè)。

由于傳統(tǒng)經(jīng)典算法默認(rèn)為輸入的每個(gè)訓(xùn)練樣本以同等機(jī)會(huì)屬于其所在類(lèi),存在忽略實(shí)際工藝流程過(guò)程中不同訓(xùn)練樣本對(duì)于其所屬類(lèi)的置信程度不同[15-16],這使得模型出現(xiàn)在噪聲干擾下分類(lèi)效果不佳的問(wèn)題。文獻(xiàn)[17]結(jié)合模糊理論思想,在SVDD的基礎(chǔ)上,為每個(gè)樣本確立一個(gè)隸屬度,提出模糊支持向量數(shù)據(jù)描述(fuzzy support vector data description,FSVDD)算法,算法能夠描述數(shù)據(jù)樣本的重要程度,處理噪聲敏感問(wèn)題。但是FSVDD 依然存在SVDD 在模型訓(xùn)練過(guò)程中核函數(shù)核參數(shù)的選擇難題[18]。文獻(xiàn)[19]利用banana 數(shù)據(jù)集仿真驗(yàn)證了多核分類(lèi)器的數(shù)據(jù)描述能力明顯優(yōu)于任何一個(gè)單核分類(lèi)器,能夠獲得比較理想的分類(lèi)精度。考慮分類(lèi)器訓(xùn)練準(zhǔn)確率受其給定參數(shù)值的影響較大的問(wèn)題,通過(guò)元啟發(fā)式參數(shù)尋優(yōu)算法對(duì)分類(lèi)器參數(shù)進(jìn)行優(yōu)化,以有效提高故障診斷的效率和準(zhǔn)確率。文獻(xiàn)[20]于2020 年開(kāi)發(fā)了一種元啟發(fā)式海洋捕食者算法(marine predators algorithm,MPA),在工程基準(zhǔn)測(cè)試中,通過(guò)對(duì)比實(shí)驗(yàn)證明了MPA 相比于其他元啟發(fā)式算法更好的尋優(yōu)性能,且計(jì)算成本較低。文獻(xiàn)[21]將MPA 與SVM 結(jié)合對(duì)滾動(dòng)軸承故障進(jìn)行類(lèi)型識(shí)別,可以得到較好的診斷效果同時(shí)避免模型陷入局部最優(yōu),表明了尋優(yōu)算法對(duì)分類(lèi)器參數(shù)優(yōu)化的良好應(yīng)用。

綜上,本文構(gòu)建了一種基于海洋捕食者算法優(yōu)化多核學(xué)習(xí)(multiple kernel learning,MKL)-模糊支持向量機(jī)數(shù)據(jù)描述MPA-MKL-FSVDD 故障數(shù)據(jù)分類(lèi)模型,可有效應(yīng)用于PVC 聚合反應(yīng)聚合釜設(shè)備的工業(yè)數(shù)據(jù)的故障診斷,減小PVC 聚合釜設(shè)備故障診斷難度,并實(shí)現(xiàn)保證聚合反應(yīng)安全生產(chǎn)質(zhì)量的目的。

本文主要進(jìn)行了以下工作。

(1) 為減小野點(diǎn)對(duì)分類(lèi)邊界影響、避免過(guò)擬合情況,運(yùn)用基于距離的模糊隸屬度函數(shù)確定訓(xùn)練樣本的模糊隸屬度,構(gòu)造FSVDD 模型。

(2) 為充分利用復(fù)雜樣本數(shù)據(jù)集的特征信息,采用線性加權(quán)方式,構(gòu)造多核學(xué)習(xí)函數(shù),通過(guò)核權(quán)重系數(shù)計(jì)算獲得組合核,彌補(bǔ)單核函數(shù)描述數(shù)據(jù)信息特征的局限性。

(3) 針對(duì)故障診斷模型核參數(shù)選擇問(wèn)題,采用MPA 智能搜索算法明確尋找模型最優(yōu)參數(shù),提高模型尋優(yōu)精度和故障診斷效率,同時(shí)避免陷入局部最優(yōu)。

(4) 利用田納西-伊斯曼(TE)數(shù)據(jù)集和PVC 聚合反應(yīng)聚合釜設(shè)備工業(yè)歷史數(shù)據(jù)集進(jìn)行故障診斷的實(shí)驗(yàn)仿真,對(duì)比故障診斷效果,以驗(yàn)證MPA-MKLFSVDD 分類(lèi)模型的故障診斷性能。

1 MPA-MKL-FSVDD 算法介紹

1.1 FSVDD 算法基本原理

FSVDD 模型繼承了SVDD 模型的無(wú)需考慮數(shù)據(jù)是否符合高斯分布、計(jì)算復(fù)雜度低、約束條件簡(jiǎn)單、魯棒性強(qiáng)、泛化能力良好等優(yōu)點(diǎn)[22],在標(biāo)準(zhǔn)SVDD 模型的基礎(chǔ)上,通過(guò)引入模糊系數(shù),以隸屬度的形式報(bào)告每個(gè)樣本的值,對(duì)異常點(diǎn)賦予較低的隸屬度值,減小野點(diǎn)對(duì)模型過(guò)擬合的影響,解決了SVDD 對(duì)噪聲數(shù)據(jù)敏感問(wèn)題和大規(guī)模數(shù)據(jù)分類(lèi)處理能力欠佳的問(wèn)題,提高模型的魯棒性[23]。

設(shè)目標(biāo)數(shù)據(jù)XN×dim={x1,x2,…,xN},N為樣本個(gè)數(shù),dim為樣本維度。FSVDD 將目標(biāo)數(shù)據(jù)T封裝在一個(gè)半徑為R、中心為a的超球面中。對(duì)樣本形成的特征向量為

加入模糊系數(shù)si的支持向量數(shù)據(jù)描述的優(yōu)化問(wèn)題可表示為

其中,i=1,2,…,N,N為樣本個(gè)數(shù);松弛因子ξi≥0;si(σ ＜si ＜1,σ ＞0),si在一定程度上減小了ξi影響,代入拉格朗日因子αi、βi,對(duì)構(gòu)成的拉格朗日函數(shù)求極值:

其中,αi≥0,βi≥0。

對(duì)R、a、ξi偏微分求導(dǎo),有:

對(duì)式(4)、式(5)優(yōu)化,設(shè)定i=1,2,…,N;j=1,2,…,N,將超球體問(wèn)題轉(zhuǎn)為對(duì)偶形式,即:

將高維特征空間內(nèi)積運(yùn)算轉(zhuǎn)化為核函數(shù)運(yùn)算:

根據(jù)KKT 條件,對(duì)所有滿(mǎn)足0 ≤αi≤C的支持向量樣本xsv,可得超球體半徑為

測(cè)試樣本z在特征空間中離球心a的距離為

由式(11)和式(12)可知,通過(guò)比較樣本點(diǎn)到球心a的距離與超球體半徑R的大小關(guān)系,可以判斷樣本點(diǎn)是否屬于目標(biāo)類(lèi)。因此,FSVDD 模型選用基于距離的模糊隸屬度函數(shù)計(jì)算模糊隸屬度值,來(lái)描述樣本點(diǎn)屬于目標(biāo)類(lèi)別的可能性。

通過(guò)選定的隸屬度函數(shù)給每個(gè)樣本賦予權(quán)重量,降低噪聲或離群點(diǎn)對(duì)最優(yōu)決策球面的影響。本文采用降半高斯函數(shù)作為隸屬度函數(shù)[24],計(jì)算樣本對(duì)應(yīng)隸屬度為

其中R*為類(lèi)半徑值,設(shè)定帶寬φ=0.2R*;隸屬度越大,表示樣本點(diǎn)距離中心的距離越近,即屬于目標(biāo)樣本的可能性越大,反之,屬于野點(diǎn)的可能性越大。

1.2 多核學(xué)習(xí)算法

針對(duì)化工生產(chǎn)過(guò)程中工業(yè)數(shù)據(jù)具有的復(fù)雜非線性和動(dòng)態(tài)性特點(diǎn),故障診斷算法對(duì)數(shù)據(jù)描述能力的強(qiáng)弱,直接影響故障診斷效果。因核函數(shù)的選擇與數(shù)據(jù)信息特征密切相關(guān),故選擇合適的核函數(shù)核參數(shù),實(shí)現(xiàn)算法對(duì)數(shù)據(jù)的描述能力的增強(qiáng),對(duì)保障分類(lèi)器性能具有重要意義[25]。

對(duì)FSVDD 模型利用多核學(xué)習(xí)算法,通過(guò)調(diào)整權(quán)重將各特征的最優(yōu)核函數(shù)組合[26],將核選擇問(wèn)題轉(zhuǎn)化為選擇組合系數(shù)的算法[27]。這樣既可以針對(duì)非線性關(guān)系的數(shù)據(jù)選擇合適的單一核函數(shù),又可以針對(duì)既存在線性關(guān)系又存在非線性關(guān)系的復(fù)雜數(shù)據(jù)集選用多個(gè)基本核的組合代替單核,具有更強(qiáng)的適應(yīng)性。

鑒于多項(xiàng)式核函數(shù)良好的全局性能和高斯核函數(shù)較強(qiáng)的局部性能,二者結(jié)合用以構(gòu)建混合核函數(shù)分類(lèi)模型。

多核矩陣K=Kij,i=1,2,…,N,j=1,2,…,N;核矩陣中的元素Kij為

其中,m為權(quán)值,p為多項(xiàng)式次冪數(shù),σ為高斯核參數(shù),組合的多核函數(shù)由權(quán)值矩陣調(diào)節(jié)。

1.3 海洋捕食者算法基本原理

為進(jìn)一步提高分類(lèi)準(zhǔn)確率、提高分類(lèi)效率,多核學(xué)習(xí)優(yōu)化的FSVDD 可以進(jìn)一步利用尋優(yōu)算法尋找核函數(shù)的最優(yōu)參數(shù)組合,提高模型訓(xùn)練速度;并且可以通過(guò)對(duì)數(shù)據(jù)的不斷學(xué)習(xí),修正權(quán)重系數(shù)保證診斷精度[26]。2020 年Faramarzi 等人[20]開(kāi)發(fā)的一種自然啟發(fā)式優(yōu)化算法——海洋捕食者算法(MPA)遵循在最佳覓食策略中自然支配的規(guī)則,Le'vy 和布朗運(yùn)動(dòng)作為海洋捕食者選擇的兩種最佳覓食策略,同時(shí)具備全局和局部搜索的能力,拓寬了MPA 算法解決優(yōu)化問(wèn)題的應(yīng)用范圍[28-30]。

MPA 的算法步驟如下。

步驟1初始化。

MPA 種群的隨機(jī)初始化如下:

步驟2探索頂級(jí)捕食者。

首先,最適的解被指定為頂級(jí)捕食者,構(gòu)建Elite矩陣,矩陣的數(shù)組根據(jù)獵物的位置信息監(jiān)視獵物的搜尋和發(fā)現(xiàn):

其次,種群排列在Prey獵物矩陣的矩陣中,捕食者根據(jù)Prey矩陣更新自己的位置,最適者(捕食者)構(gòu)建Elite矩陣。

其中,Xi,j代表第i個(gè)獵物的第j位,整個(gè)優(yōu)化過(guò)程主要與Elite、Prey兩個(gè)矩陣直接相關(guān)。

步驟3Le'vy 飛行運(yùn)動(dòng)和布朗運(yùn)動(dòng)。

獵物和捕食者的位置根據(jù)獵物和捕食者的速度比分為3 個(gè)階段進(jìn)行更新。

階段1 為算法的探索階段,采用高速比。獵物和捕食者根據(jù)布朗運(yùn)動(dòng)進(jìn)行更新,布朗運(yùn)動(dòng)用數(shù)學(xué)表示為

式中,T和Tmax分別為當(dāng)前迭代次數(shù)和最大迭代次數(shù);是一個(gè)基于正態(tài)分布表示布朗運(yùn)動(dòng)的包含隨機(jī)數(shù)的矢量;是步長(zhǎng)向量,P是等于0.5 的常數(shù)。

階段2 為間歇階段,當(dāng)捕食者的速度等于獵物的速度時(shí),種群被分為兩組。

第一組用于開(kāi)發(fā),另一組用于勘探,可以表示為如下所述。

(1) 開(kāi)發(fā)組

(2) 勘探組

階段3 為開(kāi)發(fā)階段,優(yōu)化過(guò)程的最后迭代中,在低速比(v=0.1)下,捕食者的最佳策略為L(zhǎng)e'vy。在低速比或當(dāng)捕食者比獵物移動(dòng)得快時(shí)應(yīng)用此階段:在Elite位置中增加步長(zhǎng)模擬捕食者的移動(dòng),幫助更新獵物的位置。

步驟4Eddy 形成和FADs 效應(yīng)。

其中,r是0～1 范圍內(nèi)的隨機(jī)值;r1 和r2 代表獵物矩陣的隨機(jī)指標(biāo);FADs表示FADs概率,等于0.2;是一個(gè)二進(jìn)制向量。

步驟5海洋記憶。每更新捕食者位置和完成FADs 效應(yīng)后,計(jì)算相應(yīng)適應(yīng)度,與前一次迭代中的解進(jìn)行比較,選擇最優(yōu)適應(yīng)度位置作為頂級(jí)捕食者位置。

步驟6重復(fù)步驟3～步驟5,直到滿(mǎn)足終止條件,輸出頂級(jí)捕食者位置坐標(biāo),以獲得最優(yōu)解。

海洋捕食者算法探索流程如圖1 所示。

圖1 MPA 尋優(yōu)流程圖

2 MPA-MKL-FSVDD 集成算法

MPA-MKL-FSVDD 集成算法采用離線訓(xùn)練、在線測(cè)試的工作模式。如圖2 所示,具體步驟如下。

圖2 基于數(shù)據(jù)的故障分類(lèi)模型流程圖

(1) 離線建模階段

步驟1選取正常工況數(shù)據(jù)集和故障情況數(shù)據(jù)集組成訓(xùn)練集樣本。

步驟2對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理,FSVDD 引入MKL確定核函數(shù),采用MPA對(duì)FSVDD的多核函數(shù)尋優(yōu)核參數(shù),構(gòu)建訓(xùn)練過(guò)程的故障診斷MPA-MKLFSVDD 模型。

步驟3數(shù)據(jù)樣本在模型中迭代更新參數(shù),達(dá)到最佳適應(yīng)度終止,獲得判斷是否為目標(biāo)類(lèi)樣本的model 參數(shù)。

(2)在線測(cè)試階段

步驟1選取正常工況數(shù)據(jù)集和故障情況數(shù)據(jù)集組成測(cè)試集樣本。

步驟2對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化,根據(jù)離線建模階段步驟3 所得model 參數(shù)賦值測(cè)試模型,同時(shí)計(jì)算測(cè)試樣本在超球半徑空間的樣本距離f(z)。

步驟3將f(z) 與最優(yōu)超球體半徑R*相比較,對(duì)數(shù)據(jù)集進(jìn)行故障診斷,判斷是否為目標(biāo)類(lèi)樣本。

3 MPA-MKL-FSVDD 算法驗(yàn)證

實(shí)驗(yàn)仿真在仿真軟件上進(jìn)行,硬件配置處理器為Intel(R) Core(TM) i5-5200H CPU@2.20 GHz,Win10 64 位計(jì)算機(jī)。

3.1 田納西-伊斯曼平臺(tái)數(shù)據(jù)集選取

為驗(yàn)證本文所提算法性能,對(duì)MPA-MKL-FSVDD 故障診斷模型進(jìn)行仿真實(shí)驗(yàn),并將結(jié)果與MKL-FSVDD、FSVDD 和SVDD 模型進(jìn)行比較。選用田納西-伊斯曼(TE)仿真平臺(tái)過(guò)程數(shù)據(jù)集,該數(shù)據(jù)集中訓(xùn)練樣本和測(cè)試樣本分別包含20 種故障工況和1 種正常工況數(shù)據(jù),每個(gè)樣本信號(hào)包含41 個(gè)測(cè)量變量和11 個(gè)控制變量,在化工過(guò)程的故障診斷領(lǐng)域,是一個(gè)相對(duì)認(rèn)可的公開(kāi)數(shù)據(jù)集資源。與TE 過(guò)程中的其他故障相比,反應(yīng)器單元中故障7(反應(yīng)器壓力)相對(duì)正常狀態(tài)的可分性較低[31],故障9(反應(yīng)器溫度)對(duì)測(cè)量和操作變量的影響很小[32],難以進(jìn)行檢測(cè)分類(lèi)。鑒于需要對(duì)FSVDD 對(duì)噪聲處理能力和MKL 描述數(shù)據(jù)特征效果進(jìn)行驗(yàn)證,本案例研究選擇了故障7 和故障9 測(cè)試集數(shù)據(jù),兩故障分別除去樣本在8 h 前的160 個(gè)正常數(shù)據(jù),余下800 組故障樣本構(gòu)成故障數(shù)據(jù)集,定義故障7 為標(biāo)簽+1、故障9 為標(biāo)簽-1。

3.2 FSVDD 噪聲數(shù)據(jù)的處理

FSVDD 模型利用模糊系數(shù)si對(duì)訓(xùn)練樣本賦予一個(gè)權(quán)重,降低噪聲或離群點(diǎn)對(duì)最優(yōu)決策球面的影響。FSVDD 模型訓(xùn)練建立故障診斷檢測(cè)分類(lèi)模型,需要目標(biāo)類(lèi)樣本建立樣本庫(kù)[31],示例將選取故障7和故障9 兩類(lèi)樣本各200,樣本標(biāo)簽+1 作為目標(biāo)樣本,借助點(diǎn)到中心的距離計(jì)算樣本模糊隸屬度。樣本對(duì)應(yīng)模糊隸屬度越大,表示樣本點(diǎn)為目標(biāo)樣本的可能性越大,而對(duì)隸屬度非常小的樣本視為野點(diǎn)。

將FSVDD 對(duì)目標(biāo)樣本的決策邊界曲線可視化處理,如圖3(a)所示,其中菱形◇為在決策邊界曲線上的支持向量;星形☆為避免過(guò)擬合而忽略的支持向量;圓點(diǎn)○為訓(xùn)練樣本中判斷為目標(biāo)類(lèi)的樣本;方塊□為非目標(biāo)類(lèi)樣本。根據(jù)基于距離的模糊隸屬度函數(shù)得到的模糊系數(shù),反映出的是隸屬度值大小,由式(14)可知,當(dāng)時(shí)該樣本點(diǎn)屬于目標(biāo)樣本;當(dāng)時(shí),此時(shí)隸屬度小于0.05,將此類(lèi)樣本點(diǎn)視作野點(diǎn)剔除,對(duì)分類(lèi)面的影響幾乎可以忽略不計(jì),但是可以提高分類(lèi)速度?？梢暬幚韺㈦`屬度值映射成等高線式圖,如圖3(b)所示,以形成的目標(biāo)類(lèi)超球體球心(標(biāo)值0.8 等高線包圍的中心位置)為球心,自球心向外周,隸屬度值逐漸減小,標(biāo)值1.15 等高線圈外的區(qū)域表示隸屬度小于0.05 的樣本所在的區(qū)域,即為避免模型過(guò)擬合而忽略的野點(diǎn)落于此范圍。綜上,由FSVDD 模型分類(lèi)可視化圖對(duì)目標(biāo)類(lèi)樣本決策邊界的分類(lèi)擬合效果,可知FSVDD 模型在避免模型過(guò)擬合、有效處理噪聲數(shù)據(jù)方面的可行性。

圖3 FSVDD 模型分類(lèi)可視化圖

3.3 FSVDD 決策邊界的MKL 優(yōu)化

MKL-FSVDD 模型訓(xùn)練過(guò)程尋求一種使外圍球在核空間中半徑最小的核組合。為驗(yàn)證模型應(yīng)用性能,本示例隨機(jī)選取數(shù)據(jù)集中兩個(gè)屬性生成一個(gè)2D的目標(biāo)類(lèi),對(duì)算法的分類(lèi)性能進(jìn)行了可視化展示。FSVDD 模型在加入多核學(xué)習(xí)函數(shù)后,隨著核權(quán)重在多項(xiàng)式核和高斯核間的比重不斷修正,決策邊界表現(xiàn)出尋優(yōu)過(guò)程的訓(xùn)練效果如圖4 所示。由MKL-FSVDD 邊界支持向量的決策曲線可視化效果圖可以觀察出,MKL 的引入使得模型對(duì)目標(biāo)類(lèi)形成擬合比較精準(zhǔn)的決策邊界,相對(duì)于單核FSVDD 模型,可以獲得更好的分類(lèi)效果,驗(yàn)證了MKL-FSVDD 模型數(shù)據(jù)分類(lèi)的有效性。

圖4 MKL-FSVDD 模型邊界決策曲線修正過(guò)程可視化圖

3.4 MPA-MKL-FSVDD 實(shí)驗(yàn)及分析

為驗(yàn)證MPA-MKL-FSVDD 故障診斷的能力,利用故障7 和故障9 數(shù)據(jù)樣本,通過(guò)與MKL-FSVDD、單核FSVDD、SVDD 模型的對(duì)照實(shí)驗(yàn),驗(yàn)證MPAMKL-FSVDD 模型故障診斷的效率、準(zhǔn)確性以及抗噪能力。

MKL-FSVDD 模型訓(xùn)練中多核函數(shù)包含高斯徑向基核和多項(xiàng)式兩類(lèi)核函數(shù),程序調(diào)試中對(duì)參數(shù)進(jìn)行初始設(shè)置[17]:高斯徑向基核帶寬g取值范圍為[0.01,100];多項(xiàng)式核冪指數(shù)p選值范圍為[1,2,3,4];懲罰因子c取值范圍為[0.01,200]。設(shè)最大迭代次數(shù)為100。

數(shù)據(jù)預(yù)處理后按7:3 比例分為訓(xùn)練樣本和測(cè)試樣本,取10 次實(shí)驗(yàn)的平均值作為結(jié)果(見(jiàn)表1)。對(duì)比可知:

(1) FSVDD 和SVDD 在數(shù)據(jù)集的分類(lèi)精度上差異并不顯著,但FSVDD 相對(duì)于SVDD 的訓(xùn)練時(shí)間和分類(lèi)時(shí)間有所降低。

(2) MKL-FSVDD 相對(duì)于單核FSVDD 訓(xùn)練時(shí)間增加了25.21%左右,但是故障診斷精度明顯提高。

(3) 因多核學(xué)習(xí)過(guò)程中尋找最優(yōu)核參數(shù)權(quán)值組合的過(guò)程耗時(shí)較長(zhǎng),針對(duì)此問(wèn)題引入的MPA 對(duì)模型參數(shù)進(jìn)行全局優(yōu)化,MPA-MKL-FSVDD 相對(duì)于單核FSVDD 訓(xùn)練時(shí)間僅增加了12.09%左右,改進(jìn)了故障診斷效率。

另一方面,鑒于在實(shí)際的工程應(yīng)用中模型訓(xùn)練是前置的,在使用時(shí)采用的是訓(xùn)練完好的模型,算法訓(xùn)練時(shí)間的增加不會(huì)影響生產(chǎn)線效率[33]。所以綜合表1 中各模型故障診斷分類(lèi)性能參量的對(duì)比分析,可以驗(yàn)證MPA-MKL-FSVDD 算法在故障診斷準(zhǔn)確率和效率方面的優(yōu)勢(shì)性能。

表1 模型性能比較

4 MPA-MKL-FSVDD 故障分類(lèi)模型應(yīng)用

4.1 PVC 聚合反應(yīng)工藝流程分析

PVC 生產(chǎn)過(guò)程是一個(gè)傳質(zhì)、傳熱的復(fù)雜化學(xué)反應(yīng)工業(yè)過(guò)程,監(jiān)測(cè)變量存在種類(lèi)多、純滯后、強(qiáng)耦合、參數(shù)廣等特性。反應(yīng)過(guò)程的安全性是決定產(chǎn)品質(zhì)量的關(guān)鍵,其中聚合釜故障是導(dǎo)致聚氯乙烯產(chǎn)品質(zhì)量下降的主要原因之一[34],本文以某化工集團(tuán)公司PVC 生產(chǎn)過(guò)程聚合反應(yīng)中70 m3的聚合釜為例,圖5所示為該化工集團(tuán)PVC聚合釜設(shè)備流程示意圖。其中聚合釜攪拌系統(tǒng)在攪拌轉(zhuǎn)速、攪拌槳葉形式及內(nèi)件設(shè)置等3 個(gè)方面配置滿(mǎn)足懸浮法生產(chǎn)聚氯乙烯工藝的需要;聚合釜傳熱系統(tǒng)由釜體傳熱系統(tǒng)、內(nèi)冷擋板傳熱系統(tǒng)、體外冷凝器傳熱系統(tǒng)3 部分組成[35]。

圖5 聚合釜化工過(guò)程工藝流程圖

PVC 聚合過(guò)程中,將各種原料和添加劑加入反應(yīng)釜中,冷卻水注入反應(yīng)釜的夾套和擋板內(nèi),聚合釜進(jìn)行攪拌加熱,當(dāng)氯乙烯(VCM)的轉(zhuǎn)化率達(dá)到要求值并穩(wěn)定后產(chǎn)生壓降,壓力降到設(shè)定值后反應(yīng)終止,得到最終產(chǎn)物。汽提工藝分離出剩余漿料中的氯乙烯單體(vingl chloride monomer,VCM),余下漿料送入干燥工藝[36]。

使用聚合設(shè)備運(yùn)行監(jiān)控中的各種變量的歷史數(shù)據(jù),根據(jù)聚合釜相關(guān)參數(shù)如釜內(nèi)溫度、釜內(nèi)壓力、攪拌電流、攪拌速度、注入水流量、密封水流量、夾套水流量、檔板水流量、冷卻水進(jìn)口溫度、夾套水出口溫度、檔板水出口溫度等相關(guān)變量[7],可確定聚合釜設(shè)備聚合反應(yīng)故障的類(lèi)型。表2 示例了聚合釜監(jiān)控變量包含的部分參數(shù)。

表2 聚合釜參數(shù)示例

4.2 故障數(shù)據(jù)集選取

為驗(yàn)證本文所提算法在實(shí)際工藝中的應(yīng)用性能,選用PVC 聚合釜工業(yè)歷史數(shù)據(jù)庫(kù)存儲(chǔ)的數(shù)據(jù),分類(lèi)整理選出具有均勻性和代表性的500 組數(shù)據(jù)作為訓(xùn)練和測(cè)試樣本集,其中包括聚氯乙烯聚合釜正常聚合過(guò)程下的100 組數(shù)據(jù)和典型故障情況下的400 組故障數(shù)據(jù)樣本。數(shù)據(jù)預(yù)處理后按3:1 比例分為訓(xùn)練樣本和測(cè)試樣本,輸入故障分類(lèi)模型進(jìn)行驗(yàn)證。

對(duì)應(yīng)于聚合釜工業(yè)數(shù)據(jù)集定義訓(xùn)練過(guò)程的標(biāo)簽類(lèi)別如下:聚合釜正常工況數(shù)據(jù)樣本定義標(biāo)簽為0,聚合釜電機(jī)出現(xiàn)故障定義標(biāo)簽為1,聚合釜減速機(jī)出現(xiàn)故障定義標(biāo)簽為2,聚合釜機(jī)封中軸故障定義標(biāo)簽為3,聚合釜組件故障診斷定義標(biāo)簽為4。

4.3 優(yōu)化MKL-FSVDD 實(shí)驗(yàn)及分析

為驗(yàn)證MPA-MKL-FSVDD 故障診斷分類(lèi)模型的性能,另選取哈里斯鷹算法(Harris hawks optimization,HHO)、鯨魚(yú)算法(whale optimization algorithm,WOA)、粒子群算法(particle swarm optimization,PSO)3 種元啟發(fā)式算法,與本文優(yōu)化的MKLFSVDD 故障分類(lèi)模型結(jié)合并對(duì)其優(yōu)化效果進(jìn)行對(duì)比分析。

實(shí)驗(yàn)參數(shù)同3.4 節(jié)初始化設(shè)置,利用相同的數(shù)據(jù)集、設(shè)定相同的迭代次數(shù)上限及模型參數(shù)的搜索范圍,搜索代理數(shù)量為20。MKL-FSVDD 模型分別與MPA、HHO、WOA、PSO 算法結(jié)合,優(yōu)化的效果由其最佳適應(yīng)度曲線和平均適應(yīng)度變化曲線體現(xiàn),其中程序中適應(yīng)度值的大小即為適應(yīng)度函數(shù)值大小,適應(yīng)度值曲線呈上升趨勢(shì)。

4 種算法適應(yīng)度尋優(yōu)的過(guò)程如圖6、圖7、圖8和圖9 的子圖(a)所示。根據(jù)適應(yīng)度曲線變化趨勢(shì)可知,優(yōu)化過(guò)程中,MPA 算法的尋優(yōu)速度最快,最佳適應(yīng)度在第3 代時(shí)達(dá)到最佳,其次是WOA 算法(第10 代),HHO 算法(第16 代),最后是PSO 算法(第20 代之后)。且MPA 算法平均適應(yīng)度在第13 代時(shí)就完成收斂,達(dá)到最佳適應(yīng)度值并趨于穩(wěn)定狀態(tài),此間段其他算法的平均適應(yīng)度曲線仍處于波動(dòng)狀態(tài),收斂速度明顯低于MPA 算法,證明MPA 算法具有較強(qiáng)的搜索能力。且HHO、WOA、PSO 優(yōu)化算法尋優(yōu)過(guò)程中適應(yīng)度曲線均存在明顯的折線式跳躍狀態(tài)的收斂過(guò)程,其中PSO 算法更是出現(xiàn)了多次層斷式階躍狀態(tài),說(shuō)明PSO 算法搜索陷入局部收斂的概率較大,易導(dǎo)致尋優(yōu)效果的不穩(wěn)定性。相較之下,MPA算法適應(yīng)度收斂曲線的收斂趨勢(shì)近似圓滑曲線狀態(tài),體現(xiàn)了MPA 參數(shù)尋優(yōu)過(guò)程中比較好的穩(wěn)定性。

圖6、圖7、圖8 和圖9 的子圖(b)所示為MKLFSVDD 模型利用MPA、HHO、WOA、PSO 算法在目標(biāo)空間內(nèi)搜索,取得的最佳適應(yīng)度得分情況,從圖中可以看到,MPA 優(yōu)化的MKL-FSVDD 故障分類(lèi)模型的最佳適應(yīng)度得分最高為99.67%,尋優(yōu)精度值最佳。

圖6 MPA-MKL-FSVDD 模型尋優(yōu)效果圖

圖7 HHO-MKL-FSVDD 模型尋優(yōu)效果圖

圖8 WOA-MKL-FSVDD 模型尋優(yōu)效果圖

圖9 PSO-MKL-FSVDD 模型尋優(yōu)效果圖

對(duì)比可知,4 種算法中最優(yōu)解質(zhì)量最佳的是MPA 算法,其次是WOA 算法和HHO 算法,最后是PSO 算法。

通過(guò)MPA、HHO、WOA、PSO 算法優(yōu)化MKL-FSVDD 模型后得到對(duì)應(yīng)的尋優(yōu)參數(shù)、準(zhǔn)確率及運(yùn)行時(shí)間結(jié)果如表3 所示,4 種模型故障診斷結(jié)果如圖10所示。對(duì)比可知,MPA 優(yōu)化的MKL-FSVDD模型故障分類(lèi)的準(zhǔn)確率最高,為92.80%,其次是WOA 算法和HHO 算法,最后是PSO 算法。MPA-MKL-FSVDD 模型運(yùn)行時(shí)間最短,僅需48 s,且該模型訓(xùn)練速度最快。HHO-MKL-FSVDD 模型訓(xùn)練速度較快,為52 s,其次是WOA-MKL-FSVDD 模型,最后是PSOMKL-FSVDD 模型。綜上可知,MPA 算法優(yōu)化的MKL-FSVDD 故障分類(lèi)模型在訓(xùn)練精度和測(cè)試精度上可以得到較佳的分類(lèi)效果,模型分類(lèi)的運(yùn)行速度相對(duì)較快,在基于數(shù)據(jù)參數(shù)下聚氯乙烯聚合工藝的故障診斷中可滿(mǎn)足對(duì)故障分類(lèi)效率和質(zhì)量的要求。

表3 尋優(yōu)參數(shù)及模型性能比較

圖10 MKL-FSVDD 結(jié)合4 種尋優(yōu)算法故障診斷結(jié)果比較

5 結(jié)論

本文以處理噪聲干擾較好的FSVDD 模型為基礎(chǔ),通過(guò)引入MKL 算法保留復(fù)雜數(shù)據(jù)集的原始特征,再結(jié)合MPA 尋優(yōu)算法優(yōu)化MKL-FSVDD 模型,構(gòu)造MPA-MKL-FSVDD 故障診斷模型。通過(guò)應(yīng)用TE 平臺(tái)故障數(shù)據(jù)集,與SVDD、FSVDD、MKL-FSVDD故障診斷模型進(jìn)行對(duì)照實(shí)驗(yàn),驗(yàn)證了所提算法具有較高的診斷效率和精度。通過(guò)利用PVC 聚合反應(yīng)聚合釜設(shè)備的工業(yè)歷史數(shù)據(jù),對(duì)MPA、HHO、WOA、PSO 算法優(yōu)化的MKL-FSVDD 模型進(jìn)行故障分類(lèi)仿真,實(shí)驗(yàn)對(duì)比各算法的優(yōu)化效果,結(jié)果表明MPA 對(duì)模型參數(shù)全局優(yōu)化、精準(zhǔn)尋優(yōu)的顯著優(yōu)勢(shì),說(shuō)明本文選用的MPA 優(yōu)化MKL-FSVDD 模型具有較精準(zhǔn)的故障分類(lèi)能力以及在聚合釜設(shè)備故障診斷中較強(qiáng)的魯棒性和泛化性能,達(dá)到了減小PVC 聚合釜設(shè)備故障診斷難度和提高聚合反應(yīng)安全性的應(yīng)用效果,該模型為其相關(guān)化工過(guò)程的故障診斷及其他流程工藝的生產(chǎn)過(guò)程建模、智能控制提供了新的優(yōu)化方案。

鑒于實(shí)驗(yàn)選用了工業(yè)歷史數(shù)據(jù)庫(kù)中具有均勻性特征的數(shù)據(jù)集進(jìn)行仿真驗(yàn)證,考慮實(shí)際工業(yè)數(shù)據(jù)庫(kù)中故障類(lèi)別不平衡數(shù)據(jù)問(wèn)題的存在,接下來(lái)將以處理不平衡樣本故障診斷問(wèn)題為方向進(jìn)行深入研究。