基于改進(jìn)鯨魚算法優(yōu)化LSTM的化工過程故障診斷方法

摘" 要： 鯨魚優(yōu)化算法是一種群體智能優(yōu)化算法，文中針對基本鯨魚優(yōu)化算法收斂速度慢、收斂精度低、易陷入局部最優(yōu)等問題，從幾個方面對其進(jìn)行了改進(jìn)：通過Tent混沌對種群進(jìn)行初始化來增加種群多樣性；融入非洲禿鷲算法的群體最優(yōu)和次優(yōu)策略與探索階段位置更新策略，以避免算法早熟以及陷入局部最優(yōu)；采用一種新的非線性收斂因子替代鯨魚優(yōu)化算法原本的線性收斂因子，平衡算法的全局探索和局部開發(fā)；引入了非線性自適應(yīng)增量慣性權(quán)重，更好地平衡了全局搜索能力與局部搜索能力；最終得到一種混合非洲禿鷲算法的改進(jìn)鯨魚優(yōu)化算法（MAWOA）。在對4種基準(zhǔn)測試函數(shù)進(jìn)行的對比試驗中顯示，MAWOA具有較快的收斂速度和較高的收斂精度。將MAWOA算法應(yīng)用于長短期記憶（LSTM）網(wǎng)絡(luò)的超參數(shù)尋優(yōu)中，構(gòu)建MAWOA?LSTM故障診斷模型。結(jié)合田納西伊斯曼（TE）化工數(shù)據(jù)集進(jìn)行故障診斷，通過與LSTM、WOA?LSTM等模型進(jìn)行準(zhǔn)確率對比，驗證了所提算法的優(yōu)越性。

關(guān)鍵詞： 改進(jìn)鯨魚優(yōu)化算法； 長短期記憶網(wǎng)絡(luò)； 化工過程； 故障診斷； 非洲禿鷲優(yōu)化算法； 超參數(shù)尋優(yōu)； 非線性收斂因子； 田納西伊斯曼數(shù)據(jù)集

中圖分類號： TN911?34； TQ050.7； TP18" " " " " " " "文獻(xiàn)標(biāo)識碼： A" " " " " " " "文章編號： 1004?373X（2024）24?0073?08

Method of chemical process fault diagnosis based on MAWOA?LSTM

SUN Yifu1， SUN Huaiyu1， CHEN Zhong1， LI Yuan2， MA Kenan3

（1. School of Chemical Engineering， Shenyang University of Chemical Technology， Shenyang 110142， China; 2. School of Information Engineering， Shenyang University of Chemical Technology， Shenyang 110142， China; 3. Department of Environmental Protection and Chemical Engineering， Yingkou Vocational and Technical College， Yingkou 115000， China）

Abstract： Whale optimization algorithm （WOA） is a swarm intelligence optimization algorithm. In allusion to the problems of slow convergence speed， low convergence accuracy， and susceptibility to local optima in the basic whale optimization algorithm， improvements have been made in several aspects： initializing the population by means of Tent chaos to increase population diversity; integrating population optimization and suboptimal strategies with the African vulture optimization algorithm （AVOA）， as well as location update strategies during the exploration phase， to avoid algorithm premature convergence and falling into local optima; adopting a new nonlinear convergence factor to replace the original linear convergence factor of the WOA， balancing the global exploration and local development of the algorithm; introducing a nonlinear adaptive incremental inertia weight to better balance the global search ability and local search ability， so as to obtain an improved WOA with a mixed AVOA （MAWOA）. The experimental comparison on four benchmark test functions shows that MAWOA has a faster convergence speed and higher convergence accuracy. Then， the MAWOA algorithm is applied to the hyperparameter optimization of long short?term memory （LSTM） network， and a MAWOA?LSTM fault diagnosis model is constructed. The model is applied to fault diagnosis on the Tennessee Eastman （TE） chemical data set， and the accuracy is compared with LSTM， WOA?LSTM， etc. to verify the superiority of the proposed algorithm.

Keywords： improved whale optimization algorithm; long short?term memory network; chemical process; fault diagnosis;" African vulture optimization algorithm; hyper parameter optimization; nonlinear convergence factor; Tennessee Eastman databast

0" 引" 言

化工過程是一個高度復(fù)雜的系統(tǒng)，在生產(chǎn)過程中具有工作條件復(fù)雜、非線性強、耦合強、時變等特點[1]，在這樣的復(fù)雜系統(tǒng)中，故障是不可避免的?，F(xiàn)代化工過程故障診斷方法引入數(shù)據(jù)驅(qū)動的思維[2]，具有良好的自動化程度、準(zhǔn)確性和實時性，能夠更好地應(yīng)對復(fù)雜的故障診斷問題?；み^程往往涉及到連續(xù)的物理、化學(xué)反應(yīng)，這些反應(yīng)和操作過程的狀態(tài)在時間上具有連續(xù)性和長期依賴性，使得數(shù)據(jù)具有很強的序列特征，傳統(tǒng)的數(shù)據(jù)驅(qū)動方法在處理具有時序性的現(xiàn)代化工過程數(shù)據(jù)時往往無法有效地提取特征，導(dǎo)致故障診斷效果下降[3]。

近年來，人們將時序概念引入深度學(xué)習(xí)中，提出循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network， RNN），這是一種專門用于處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，賦予了網(wǎng)絡(luò)對以前內(nèi)容的記憶能力。長短期記憶（Long Short?Term Memory， LSTM）網(wǎng)絡(luò)是一種特殊類型的循環(huán)神經(jīng)網(wǎng)絡(luò)，通過引入門控機制，LSTM能夠有效地學(xué)習(xí)長期的時間依賴關(guān)系，使得網(wǎng)絡(luò)在處理長序列時表現(xiàn)更好，并且克服了RNN中梯度消失、梯度爆炸等問題[4]。文獻(xiàn)[5]提出一種基于LSTM的故障診斷方法，該方法以端到端的方式進(jìn)行訓(xùn)練，實現(xiàn)了對TE化工過程數(shù)據(jù)的故障診斷。LSTM模型的超參數(shù)，如批量大小、隱藏單元數(shù)量、學(xué)習(xí)率等對性能有顯著影響，如果采用人工的方式確定超參數(shù)，不僅費時費力，通常還無法達(dá)到最佳。針對這個問題，本文提出一種混合非洲禿鷲算法的改進(jìn)鯨魚優(yōu)化算法（MAWOA）優(yōu)化長短期記憶（LSTM）網(wǎng)絡(luò)的故障診斷方法。

群體智能算法是一類模擬自然界中群體行為現(xiàn)象的算法，如鳥群、蟻群、魚群等，以達(dá)到在復(fù)雜問題上尋找全局最優(yōu)解或者近似最優(yōu)解的目的。采用群體智能算法進(jìn)行深度學(xué)習(xí)網(wǎng)絡(luò)模型超參數(shù)尋優(yōu)是當(dāng)前常用的方法，它能夠在參數(shù)空間中進(jìn)行廣泛的搜索，并尋找到最優(yōu)的超參數(shù)組合。常見的群體智能算法包括粒子群算法（PSO）、灰狼優(yōu)化算法（GWO）、蜣螂優(yōu)化算法（DBO）和麻雀搜索算法（SSA）等。文獻(xiàn)[6]中提出一種改進(jìn)蜣螂算法（IDBO）來優(yōu)化LSTM中4個超參數(shù)，并結(jié)合變模態(tài)分解提升了光伏陣列的故障診斷精度。文獻(xiàn)[7]中提出一種基于自適應(yīng)t分布策略的麻雀搜索算法優(yōu)化LSTM網(wǎng)絡(luò)的故障診斷方法（tSSA?LSTM），有效地對LSTM的4種超參數(shù)進(jìn)行了優(yōu)化，并在滾動軸承數(shù)據(jù)上取得了良好的診斷準(zhǔn)確率。

鯨魚優(yōu)化算法（Whale Optimization Algorithm， WOA）是由S. Mirjalili等人于2016年提出的群體智能優(yōu)化算法[8]。該算法具有簡單易實現(xiàn)、對初始解的依賴性較低、調(diào)整參數(shù)較少等優(yōu)點。目前，鯨魚優(yōu)化算法作為最熱門的優(yōu)化算法之一，對其研究改進(jìn)也在不斷展開：文獻(xiàn)[9]中提出一種引入反向?qū)W習(xí)策略的鯨魚優(yōu)化算法（SWWOA），通過結(jié)合Sobol序列、自適應(yīng)權(quán)重系數(shù)、非線性收斂因子提高了算法的收斂性和收斂速度；文獻(xiàn)[10]中提出一種AC參數(shù)改進(jìn)的鯨魚優(yōu)化算法（AC?WOA），通過非線性變化參數(shù)a以及慣性權(quán)重來更新參數(shù)C，降低了標(biāo)準(zhǔn)差，提高了算法穩(wěn)定性。這些優(yōu)化基本上都集中在種群的初始化、進(jìn)攻方式及動作策略等幾個方面對原始算法進(jìn)行改進(jìn)。非洲禿鷲算法（African Vultures Optimization Algorithm， AVOA）是由B. Abdollahzadeh等于2021年提出的一種新的群體智能優(yōu)化算法，該算法具有收斂速度快、尋優(yōu)能力強等優(yōu)點[11]。

本文針對鯨魚優(yōu)化算法收斂速度慢、易陷入局部最優(yōu)、收斂精度低等問題，采用Tent混沌映射來提高種群多樣性，結(jié)合AVOA的位置更新策略和部分概念，引入非線性收斂因子、非線性自適應(yīng)權(quán)重對算法進(jìn)行平衡優(yōu)化，提出了一種融合非洲禿鷲算法的改進(jìn)鯨魚優(yōu)化算法（MAWOA），使用了4個基本測試函數(shù)評測其尋優(yōu)能力和穩(wěn)定性。最后，使用該算法對LSTM中的3個超參數(shù)進(jìn)行尋優(yōu)，構(gòu)建MAWOA?LSTM故障診斷模型，并應(yīng)用于田納西伊斯曼（Tennessee Eastman， TE）化工過程故障診斷中。

1" 改進(jìn)的鯨魚優(yōu)化算法

1.1" 鯨魚優(yōu)化算法

WOA是一種模擬座頭鯨捕食行為而提出的元啟發(fā)式優(yōu)化算法。該捕食行為包含三個階段：圍捕獵物、氣泡網(wǎng)捕食、搜索獵物。在WOA中每個座頭鯨的位置都代表一個潛在解，通過不同階段的不同位置更新機制進(jìn)行位置更新，以獲得全局最優(yōu)解。

1.1.1" 圍捕獵物階段

在初始階段，WOA假定目前距離食物最近的鯨魚為當(dāng)前局部最優(yōu)解，稱為最佳搜索代理；其他鯨魚稱為其他搜索代理并朝著最佳搜索代理的位置靠近，從而逐步圍捕獵物。

[D=C·X?t-Xt] （1）

[Xt+1=X?t-A·D] （2）

式中：[D]為鯨魚個體到當(dāng)前最好鯨魚的距離；t為當(dāng)前迭代次數(shù)；[X*t]為目前最佳解的位置向量；[Xt]為鯨魚個體的位置向量；[A]和[C]為系數(shù)向量。[A]和[C]的計算公式如下：

[A=2ar1-a] （3）

[a=2-2tT] （4）

[C=2r2] （5）

式中：T為最大迭代次數(shù)；r1、r2為[0，1]的隨機向量；[a]為收斂因子，在迭代過程中，a由2～0線性遞減。

1.1.2" 氣泡網(wǎng)捕食階段

座頭鯨在捕食的過程中使用氣泡網(wǎng)進(jìn)行圍攻，算法中通過收縮包圍和螺旋位置更新來模擬，從而達(dá)到鯨魚局部尋優(yōu)的目的。在WOA中根據(jù)隨機數(shù)P來決定位置更新方式，若P小于0.5，采用傳統(tǒng)方式進(jìn)行位置更新，否則采用螺旋位置更新方式。

[D′=X?t-X（t）] （6）

[Xt+1=X?（t）-A·D，" " " " " " " " " " " " " Plt;0.5X?（t）+D′·ebl·cos（2πl(wèi)），" "P≥0.5] （7）

式中：b為螺旋形狀參數(shù)；l為[-1，1]的隨機數(shù)。

1.1.3" 搜索獵物階段

為保證所有鯨魚能在解空間中充分搜索，在此階段鯨魚種群不再向當(dāng)前最好鯨魚個體靠攏，而是隨機選擇一條鯨魚引導(dǎo)其他個體向其靠攏。

[D=C·Xrandt-Xt] （8）

[X（t+1）=Xrand（t）-A·D] （9）

式中[Xrandt]為隨機選擇的鯨魚的位置向量。

1.2" 混合策略改進(jìn)的鯨魚優(yōu)化算法

WOA自提出以來獲得了廣泛關(guān)注，對該算法的改進(jìn)策略也不斷被提出，常見的有：混合鯨魚優(yōu)化算法、基于萊維飛行策略的鯨魚優(yōu)化算法、混沌鯨魚優(yōu)化算法、引入反向?qū)W習(xí)思想等方法[12]。本文針對基本W(wǎng)OA算法的缺點，對算法的種群初始化、位置更新策略、收斂因子以及權(quán)重四個方面進(jìn)行改進(jìn)。

1.2.1" Tent混沌映射

鯨魚優(yōu)化的種群初始化方法是隨機生成數(shù)據(jù)，這種初始化方法雖然簡單易行，但也存在很大局限，如探索效率低、收斂速度慢、難以跳出局部最優(yōu)等?；煦缬成湓趦?yōu)化算法中扮演著重要角色，因為其具有非線性、遍歷性、隨機性等特點，能夠在優(yōu)化算法中起到增加種群多樣性、增強搜索能力、加快收斂速度、避免局部最優(yōu)的作用。目前，Logistic混沌映射和Tent混沌映射是優(yōu)化算法中常用的混沌映射方法，本文基于單梁以及G. Kaur等人進(jìn)行的對比實驗[13?14]，選擇Tent混沌映射，其表達(dá)式如下：

[zi+1=ziu，" " " " "0≤zi≤u1-zi1-u，" " "ult;zi≤1] （10）

式中：[zi]是混沌映射前的種群個體；[zi+1]是混沌映射后的種群個體。[u]的取值范圍為（0，1），當(dāng)[u]的值越靠近0.5時，生成的序列越均勻；但當(dāng)[u]=0.5時，系統(tǒng)呈現(xiàn)短周期狀態(tài)[15]，所以一般不取[u]=0.5，本文中取[u]=0.499。

1.2.2" WOA與AVOA結(jié)合

1） 融入群體最優(yōu)與次優(yōu)策略

在AVOA中，根據(jù)禿鷲質(zhì)量將種群分為最優(yōu)解、次優(yōu)解以及剩下部分，相比只使用一個最優(yōu)個體，WOA算法有幾個潛在的優(yōu)勢：維持種群多樣性，每個質(zhì)量級別的解在搜索空間中代表不同的方向和特性，因此能夠更全面地探索潛在的解空間；避免早熟，次優(yōu)解的存在可能會推動算法繼續(xù)探索，并有機會跳出局部最優(yōu)解。

具體操作為替換鯨魚優(yōu)化算法中的初始化領(lǐng)頭個體，公式為：

[X?t=BestVulture1，" " " Pi=L1BestVulture2，" " " Pi=L2] （11）

式中：BestVulture1表示最優(yōu)個體；BestVulture2表示次優(yōu)個體；L1和L2為搜索之前給定的參數(shù)，范圍為[0，1]，且L1、L2之和為1；Pi為使用輪盤賭決定的選擇最佳解決方案的概率。

2） 融入探索策略

在AVOA中的探索階段，禿鷲可以通過兩種不同的策略檢查不同的隨機區(qū)域，并使用一個稱為[P1]的參數(shù)來選擇兩種策略。在第一種策略中，禿鷲在2組最佳小組之一的隨機距離附近搜索食物；在第二種策略中，通過結(jié)合隨機性和解空間的范圍來幫助算法有效地探索和尋找最優(yōu)解。在WOA中的探索階段，鯨魚通過向隨機的搜索代理移動來進(jìn)行探索。AVOA在探索階段的策略相較于WOA有幾個潛在優(yōu)勢：AOVA通過專注于當(dāng)前最佳解之一附近的搜索，能夠更有效地利用已知的高質(zhì)量信息，可能會更快地收斂到最優(yōu)解。通過結(jié)合隨機性和目標(biāo)導(dǎo)向的探索，使得AOVA能夠在全面探索解空間的同時，有效地利用當(dāng)前已知的最佳解信息。禿鷲優(yōu)化算法中的雙策略方法提供了更高的靈活性，通過調(diào)整參數(shù)[P1]的值來調(diào)整策略，可以提高適應(yīng)不同類型優(yōu)化問題的能力。

在融入探索策略時，使用WOA中的系數(shù)向量A替代AVOA中的向量F，具體公式如下：

[D=X·X?t-Xt] （12）

[Xt+1=X?t-D·A，" " " " " " " " " "P1≥randP1X?t-A+rand·ub-lb·rand+lb，" "P1lt;randP1] （13）

式中：[X]是增加隨機性的系數(shù)向量；與上文的[D]不同，此處[D]為當(dāng)前鯨魚個體位置距離領(lǐng)頭鯨魚個體的隨機距離；[ub]、lb為上下界；[rand]為[0，1]的隨機數(shù)。

3） 融入食物競爭機制

在AVOA的開發(fā)階段，食物競爭策略是模擬禿鷲在發(fā)現(xiàn)食物后的行為，禿鷲會圍繞著潛在的食物源（解空間中的一點）進(jìn)行探索，以尋找更好的食物源（更優(yōu)解）。這一機制的特點是引入了一種動態(tài)和隨機性的組合，對應(yīng)著WOA中的包圍捕食階段，相較于WOA中縮小搜索范圍和逐步逼近當(dāng)前最優(yōu)解的方法，有助于避免陷入局部最優(yōu)解。具體公式如下：

[d=X?t-Xt] （14）

[Xt+1=D·A+rand-d] （15）

1.2.3" 非線性收斂因子

在基本W(wǎng)OA中，參數(shù)A∈[-a，a]用于調(diào)節(jié)算法的全局探索和局部開發(fā)能力。當(dāng)參數(shù)[A]≥1時，算法以0.5的概率進(jìn)行隨機全局探索；當(dāng)[A]lt;1時，算法進(jìn)行局部開發(fā)[16]，其收斂因子a是由2線性減小到0的，線性的變化并不能很好地調(diào)節(jié)全局搜索能力和局部開發(fā)能力；而通過非線性收斂因子可以更靈活地調(diào)整探索和開發(fā)的平衡。本文提出一種非線性收斂因子，公式如下：

[a=2tT+1·e-6·tT] （16）

1.2.4" 非線性自適應(yīng)權(quán)重

在許多優(yōu)化算法中，權(quán)重是一個用于調(diào)整算法行為的重要參數(shù)，用于改進(jìn)算法的搜索能力和收斂速度。當(dāng)權(quán)重系數(shù)較大時，可以增強算法全局搜索能力；當(dāng)權(quán)重系數(shù)較小時，算法更加注重于局部搜索。為了體現(xiàn)WOA在優(yōu)化過程中的非線性變化，引入一種非線性自適應(yīng)增量慣性權(quán)重系數(shù)[17]w，在算法具有較強全局搜索能力的早期，增強其局部搜索能力；在算法具有較強局部搜索的后期，增強其全局搜索能力。w公式如下：

[w=1，" " " " " " " " " " " " " " " " " " " " " " " " " " modt6≥3α+β·rand·sinπ10·tT5，" "modt6lt;3] （17）

式中：[modt6]為剩余迭代次數(shù)除以6；α、β為隨AVOA引入的選擇因子。利用上述非線性自適應(yīng)權(quán)重來改進(jìn)探索階段和開發(fā)階段位置更新。

探索階段公式：

[D=X·w·X?t-Xt] （18）

[Xt+1=w·X?t-D·A，" " " " " " " " " "P1≥randP1w·X?t-A+rand·ub-lb·rand+lb，" "P1lt;randP1] （19）

開發(fā)階段公式：

[d=w·X?t-Xt] （20）

[X（t+1）=D·A+rand-d] （21）

1.2.5" MAWOA算法流程

MAWOA算法流程如圖1所示。

1.3" 算法性能測試

1.3.1" 測試函數(shù)

為檢驗MAWOA的有效性，本文選取4個基準(zhǔn)測試函數(shù)進(jìn)行測試，如表1所示。其中：[f1]、[f2]為單峰測試函數(shù)；[f3]為多峰測試函數(shù)；[f4]為固定維多峰測試函數(shù)。

1.3.2" 尋優(yōu)精度對比

采用表1中的基準(zhǔn)測試函數(shù)來檢驗MAWOA的性能，并選取PSO、GWO、WOA、SWWOA進(jìn)行對比實驗。在MAWOA中，其余參數(shù)設(shè)定為：[P1]=0.6，α=0.8，β=0.2，b=1；所有算法種群數(shù)量設(shè)為30，迭代次數(shù)為500次，每個算法運行30次，列出最優(yōu)值、標(biāo)準(zhǔn)差、平均值和最差值來評價算法優(yōu)劣。仿真結(jié)果如表2所示。

從表2可以看出：MAWOA在[f1]、[f2]這2個測試函數(shù)中最優(yōu)值、標(biāo)準(zhǔn)差、平均值和最差值上都能達(dá)到函數(shù)的理論最優(yōu)值；在[f3]、[f4]中不僅能夠找到全局最優(yōu)解，且標(biāo)準(zhǔn)差、平均值、最差值都大幅度優(yōu)于其他算法?？梢钥闯觯琈AWOA在大部分問題上，相較于常見算法具有較好的收斂精度以及穩(wěn)定性。

1.3.3" 收斂曲線對比

為探究本文的混合改進(jìn)策略對算法收斂速度的影響，通過實驗得到收斂曲線，如圖2～圖5所示。通過觀察收斂曲線變化可以看出，MAWOA在單峰測試函數(shù)[f1]、[f2]中，收斂速度和收斂精度均優(yōu)于其他算法；在多峰測試函數(shù)[f3]中，收斂精度優(yōu)于其他算法，收斂速度也較快；在固定維多峰測試函數(shù)[f4]中，收斂速度優(yōu)于其他算法，并且初始化效果更好。綜上所述，對于大多數(shù)測試函數(shù)而言，MAWOA的實驗效果優(yōu)勢明顯，具有較快的收斂速度和較高的收斂精度。

2" 基于MAWOA優(yōu)化LSTM模型

2.1" 長短期記憶網(wǎng)絡(luò)

LSTM是一種RNN的變體，該模型相較于RNN引入了記憶單元和門控記憶單元來選擇性保留歷史信息和長期狀態(tài)。LSTM網(wǎng)絡(luò)由遺忘門（Forget Gate）、輸入門（Input Gate）、輸出門（Output Gate）以及細(xì)胞狀態(tài)（Cell State）組成，通過引入門控機制來有選擇地加入新信息和遺忘舊信息，由此克服傳統(tǒng)RNN在長序列數(shù)據(jù)上的梯度消失等問題。

圖6為LSTM的基本結(jié)構(gòu)。

圖6中：xt為當(dāng)前時間步輸入信息；ht-1為上一時間步的隱藏狀態(tài)；ht為傳遞到下一時間步的隱藏狀態(tài)；σ為Sigmoid函數(shù)，這個函數(shù)可以將數(shù)據(jù)變?yōu)?～1范圍的數(shù)值，以此作為門控信號；tanh為tanh函數(shù)，這個函數(shù)可以將數(shù)據(jù)變?yōu)閇-1，1]范圍的數(shù)值。遺忘門接收[ht-1]和[xt]，然后輸出一個介于0～1之間的值，表示每個信息應(yīng)該被保留的程度。輸入門確定當(dāng)前時間步長應(yīng)該添加到細(xì)胞狀態(tài)中的新信息。它由兩部分組成：一個Sigmoid激活的門控單元和一個tanh激活的候選值向量[Ct]。輸出門決定了當(dāng)前時間步的隱藏狀態(tài)應(yīng)該如何傳遞到下一個時間步或者輸出層。它由一個Sigmoid門和一個tanh門組成。

2.2" MAWOA?LSTM模型

隱藏層節(jié)點數(shù)的大小對網(wǎng)絡(luò)有著重要影響，它直接決定了網(wǎng)絡(luò)對故障的診斷能力和速度。學(xué)習(xí)率的大小直接影響了網(wǎng)絡(luò)參數(shù)更新的步長，合適的學(xué)習(xí)率可以加快網(wǎng)絡(luò)的收斂速度，使得網(wǎng)絡(luò)更快地逼近最優(yōu)解。Dropout是一種常用的正則化方法，整個Dropout過程就相當(dāng)于對很多不同的神經(jīng)網(wǎng)絡(luò)取平均，這種綜合起來取平均的策略通?？梢杂行У胤乐惯^擬合。本文選擇隱藏層節(jié)點數(shù)、學(xué)習(xí)率、Dropout為擬尋優(yōu)超參數(shù)，構(gòu)建MAWOA?LSTM模型進(jìn)行故障診斷，流程如下。

步驟1：收集原始數(shù)據(jù)，并進(jìn)行歸一化等預(yù)處理操作。

步驟2：劃分?jǐn)?shù)據(jù)集，將訓(xùn)練數(shù)據(jù)劃分為訓(xùn)練集和測試集。

步驟3：采用MAWOA算法對LSTM超參數(shù)尋優(yōu)，同時設(shè)置MAWOA算法參數(shù)、擬尋優(yōu)超參數(shù)、搜索范圍等。

步驟4：計算適應(yīng)度，并更新算法最優(yōu)與次優(yōu)個體位置。

步驟5：判斷算法是否滿足結(jié)束條件，如果滿足，輸出最優(yōu)超參數(shù)；如果不滿足，繼續(xù)計算種群適應(yīng)度并對空間進(jìn)一步搜索。

步驟6：利用MAWOA算法所得超參數(shù)組合來搭建LSTM故障診斷模型，進(jìn)行故障診斷并評測。

3" 實驗結(jié)果及分析

3.1" 實驗數(shù)據(jù)集

本文采用田納西伊斯曼（Tennessee Eastman， TE）數(shù)據(jù)集。TE過程包含52個變量和21種故障工況。本文選取代表不同類型故障的1、8、13、14、18組合成實驗所用故障診斷數(shù)據(jù)集。該數(shù)據(jù)集為2 400×52的矩陣。將數(shù)據(jù)按8∶2的比例重新劃分為訓(xùn)練集和驗證集。

3.2" MAWOA?LSTM方法故障診斷實驗分析

為驗證模型的有效性，將MAWOA?LSTM模型診斷結(jié)果與LSTM和WOA?LSTM進(jìn)行對比實驗。為了增加網(wǎng)絡(luò)的表征能力，將LSTM網(wǎng)絡(luò)隱藏層數(shù)設(shè)定為2層，經(jīng)過MAWOA超參數(shù)尋優(yōu)后的LSTM網(wǎng)絡(luò)參數(shù)如表3所示。

不同方法對TE過程的故障診斷結(jié)果如表4所示，每種方法均為5次實驗結(jié)果取平均。可以看出MAWOA?LSTM的故障診斷準(zhǔn)確率為98.5%，明顯高于其他方法的準(zhǔn)確率，能夠有效地識別故障。圖7展示了不同故障診斷模型的故障識別結(jié)果混淆矩陣。從圖中可以看出MAWOA?LSTM模型的分類效果較好，在測試集480個故障數(shù)據(jù)中，僅有7個故障被錯誤分類。

圖8展示了MAWOA?LSTM模型在TE數(shù)據(jù)訓(xùn)練集和測試集的預(yù)測輸出與期望輸出。從圖中可以看出，模型在訓(xùn)練集和測試集中都取得了不錯的效果，表明該模型不僅學(xué)習(xí)能力強，同時能夠泛化到未見過的數(shù)據(jù)上，沒有過度擬合訓(xùn)練數(shù)據(jù)。

4" 結(jié)" 語

為解決基本鯨魚算法易陷入局部最優(yōu)和收斂精度低等問題，本文引入Tent混沌、非線性收斂因子、非線性自適應(yīng)慣性權(quán)重并融合非洲禿鷲算法的部分策略，提出一種混合非洲禿鷲算法的改進(jìn)鯨魚優(yōu)化算法（MAWOA）。通過對4個基本測試函數(shù)進(jìn)行測試表明，該算法具有較快的收斂速度和較高的收斂精度。為提高LSTM模型在化工過程故障診斷中的性能和泛化能力，本文利用MAWOA尋找LSTM的最優(yōu)超參數(shù)組合并建立MAWOA?LSTM故障診斷模型。在TE故障數(shù)據(jù)集上，通過與LSTM、WOA?LSTM對比，得出本文方法故障診斷準(zhǔn)確率更高，可以對高維非線性的多類型化工故障進(jìn)行有效甄別。

注：本文通訊作者為孫懷宇。

參考文獻(xiàn)

[1] TIAN H X， ZHAO C N， XIE J P， et al. Dynamic operation optimization of complex industries based on a data?driven strategy [J]. Processes， 2024， 12（1）： 189.

[2] 姚羽曼，羅文嘉，戴一陽.數(shù)據(jù)驅(qū)動方法在化工過程故障診斷中的研究進(jìn)展[J].化工進(jìn)展，2021，40（4）：1755?1764.

[3] 張敬川，田慧欣.基于LSTM?DAE的化工故障診斷方法研究[J].北京化工大學(xué)學(xué)報（自然科學(xué)版），2021，48（2）：108?116.

[4] ZHANG J， WANG P， YAN R Q， et al. Long short?term memory for machine remaining life prediction [J]. Journal of manufacturing systems， 2018， 48： 78?86.

[5] ZHAO H， SUN S， JIN B. Sequential fault diagnosis based on LSTM neural network [J]. IEEE access， 2018， 6： 12929?12939.

[6] 李斌，高鵬，郭自強.改進(jìn)蜣螂算法優(yōu)化LSTM的光伏陣列故障診斷[J].電力系統(tǒng)及其自動化學(xué)報，2024，36（8）：70?78.

[7] 周玉，房倩，裴澤宣，等.基于改進(jìn)麻雀搜索算法優(yōu)化LSTM的滾動軸承故障診斷[J].工程科學(xué)與技術(shù)，2024，56（2）：289?298.

[8] MIRJALILI S， LEWIS A. The whale optimization algorithm [J]. Advances in engineering software， 2016， 95（5）： 51?67.

[9] 徐武，王欣達(dá)，高寒，等.多策略融合鯨魚算法與二維最大熵的圖像分割[J].河南科技大學(xué)學(xué)報（自然科學(xué)版），2023，44（3）：33?37.

[10] ELHOSSEINI M A， HAIKAL A Y， BADAWY M， et al. Biped robot stability based on an A?C parametric whale optimization algorithm [J]. Journal of computational science， 2019， 31： 17?32.

[11] ABDOLLAHZADEH B， GHAREHCHOPOGH F S， MIRJALILI S. African vultures optimization algorithm： a new nature?inspired metaheuristic algorithm for global optimization problems [J]. Computers amp; industrial engineering， 2021， 158： 107408.

[12] 許德剛，王再慶，郭奕欣，等.鯨魚優(yōu)化算法研究綜述[J].計算機應(yīng)用研究，2023，40（2）：328?336.

[13] 單梁，強浩，李軍，等.基于Tent映射的混沌優(yōu)化算法[J].控制與決策，2005（2）：179?182.

[14] KAUR G， ARORA S. Chaotic whale optimization algorithm [J]. Journal of computational design and engineering， 2018， 5（3）： 275?284.

[15] 田興華.基于混沌映射的改進(jìn)粒子群算法研究[D].青島：青島大學(xué)，2021.

[16] 黃元春，張凌波.改進(jìn)的鯨魚優(yōu)化算法及其應(yīng)用[J].計算機工程與應(yīng)用，2019，55（21）：220?226.

[17] WANG B Y， ZHANG Z P， SIARRY P， et al. A nonlinear African vulture optimization algorithm combining Henon chaotic mapping theory and reverse learning competition strategy [J]. Expert systems with applications， 2024， 236： 121413.

作者簡介：孫一夫（1996—），男，山東威海人，碩士研究生，研究方向為基于數(shù)據(jù)驅(qū)動的化工過程故障診斷。

孫懷宇（1972—），男，遼寧沈陽人，博士研究生，副教授，碩士生導(dǎo)師，研究方向為化工過程模擬與優(yōu)化。

陳" 眾（2000—），男，浙江溫州人，碩士研究生，研究方向為化工過程模擬與優(yōu)化。

李" 元（1964—），女，遼寧沈陽人，博士研究生，教授，博士生導(dǎo)師，研究方向為化工過程性能監(jiān)視、故障檢測與診斷、大數(shù)據(jù)驅(qū)動的過程質(zhì)量管理。

馬可楠（1983—），女，回族，遼寧營口人，碩士研究生，講師，研究方向為化學(xué)工程模擬與優(yōu)化。