402 化工学报第 60 卷工作还比较少 [4] 在故障诊断中, 为了消除高维数据和系统噪声对 SVM 的干扰, 提高故障诊断性能, 主元分析 (principal component analysis, PCA) [5] 核主元分析 (kernelpca,kpca) [6] 等特征提取方法

Size: px

Start display at page:

Download "402 化工学报第 60 卷工作还比较少 [4] 在故障诊断中, 为了消除高维数据和系统噪声对 SVM 的干扰, 提高故障诊断性能, 主元分析 (principal component analysis, PCA) [5] 核主元分析 (kernelpca,kpca) [6] 等特征提取方法"

裔刘
7 years ago
Views:

1 第 60 卷第 2 期化工学报 Vol.60 No 年 2 月 CIESC Journal February 2009 殐殐檭檭檭檭檭檭檭檭檭檭檭檭檭檭殐研究论文殐基于自适应量子蚁群算法的石脑油裂解炉故障诊断王灵 1,2, 王秀亭 1, 俞金寿 2 ( 1 上海大学机电工程与自动化学院, 上海 ; 2 华东理工大学自动化研究所, 上海 ) 摘要 : 针对实际生产过程中缺乏故障数据, 采用适合小样本问题的支持向量机对石脑油裂解炉进行故障诊断为了消除高维数据及系统噪声对故障诊断的干扰, 将量子编码引入蚁群算法, 提出一种新的自适应量子蚁群算法进行故障特征选择以进一步提高诊断性能数值仿真实验结果显示, 提出的自适应量子蚁群算法具有更好的全局寻优性能 ; 对石脑油裂解炉传感器故障的诊断结果表明自适应量子蚁群算法能快速准确地搜索到关键故障特征, 有效地提高了支持向量机故障诊断的正确率和鲁棒性关键词 : 裂解炉 ; 量子蚁群算法 ; 故障诊断 ; 特征选择中图分类号 :TP273 文献标识码 :A 文章编号 : (2009) 犖犪狆犺狋犺犪犮狉犪犮犽犻狀犵犳狌狉狀犪犮犲犳犪狌犾狋犱犻犪犵狀狅狊犻狊犫犪狊犲犱狅狀犪犱犪狆狋犻狏犲狇狌犪狀狋狌犿犪狀狋犮狅犾狅狀狔犪犾犵狅狉犻狋犺犿 1,2 犠犃犖犌犔犻狀犵, 1 2 犠犃犖犌犡犻狌狋犻狀犵, 犢犝犑犻狀狊犺狅狌 ( 1 犆狅犾犲犵犲狅犳犕犲犮犺犪狋狉狅狀犻犮狊犈狀犵犻狀犲犲狉犻狀犵犪狀犱犃狌狋狅犿犪狋犻狅狀, 犛犺犪狀犵犺犪犻犝狀犻狏犲狉狊犻狋狔, 犛犺犪狀犵犺犪犻 , 犆犺犻狀犪 ; 2 犚犲狊犲犪狉犮犺犐狀狊狋犻狋狌狋犲狅犳犃狌狋狅犿犪狋犻狅狀, 犈犪狊狋犆犺犻狀犪犝狀犻狏犲狉狊犻狋狔狅犳犛犮犻犲狀犮犲犪狀犱犜犲犮犺狀狅犾狅犵狔, 犛犺犪狀犵犺犪犻 , 犆犺犻狀犪 ) 犃犫狊狋狉犪犮狋 :Consideringthelackofthefaultdataintherealproductionprocess,supportvector machine (SVM),whichfitsthesmalsampleproblem wasadoptedtodiagnosethefaultsofstone & Webster Ultra selectivecracking (USC)naphthacrackingfurnace.Toeliminatethedisturbancesfrom thehigh dimensionaldataaswelassystem noises,anoveladaptivequantum antcolonyoptimization (AQACO) algorithm wasproposedtoselectthefaultfeaturesbasedontheclassicalaco withtheintroductionof quantum bit.theresultsofnumericalsimulationexperimentsshowedthattheproposed AQACO had beterglobaloptimizationability.theresultsofdiagnosisofcrackingfurnacesensorfaultsdemonstrated thataqaco couldfindthefaultfeaturesquickly and exactly,which efectivelyimprovedthefault diagnosisperformanceofsvmintermsofcorrectnessandrobustness. 犓犲狔狑狅狉犱狊 :crackingfurnace;quantumantcolonyalgorithm;faultdiagnosis;featureselection 引言支持向量机是一种基于统计学习理论的机器学习方法, 由于其泛化性能好适用于小样本问题等特点适合解决实际故障诊断问题, 而得到了广泛的研究与应用 [1 3], 但目前针对化工过程对象的研究收到初稿, 收到修改稿联系人及第一作者 : 王灵 (1979 ), 男, 博士, 讲师基金项目 : 晨光计划 (2008CG48); 上海市国际合作项目 ( ); 上海大学创新基金 ; 上海市自然科学基金 (06ZR14133) 犚犲犮犲犻狏犲犱犱犪狋犲 : 犆狅狉狉犲狊狆狅狀犱犻狀犵犪狌狋犺狅狉 :Dr. WANG Ling. 犈 - 犿犪犻犾犉狅狌狀犱犪狋犻狅狀犻狋犲犿 : supported by the Chenguang Plan (2008CG48),theInnovative FoundationofShanghai University, theshanghaiinternationalcooperationfunds ( )and thenaturalsciencefoundationofshanghai(06zr14133).

2 402 化工学报第 60 卷工作还比较少 [4] 在故障诊断中, 为了消除高维数据和系统噪声对 SVM 的干扰, 提高故障诊断性能, 主元分析 (principal component analysis, PCA) [5] 核主元分析 (kernelpca,kpca) [6] 等特征提取方法被广泛应用于数据预处理中进行数据降维和去噪由于特征提取方法提取的是系统的特征, 而不只是故障特征, 因此特征提取方法可能无法有效提取出故障特征, 从而需要保留大量变换后的特征变量以获得足够的故障信息, 无法有效降维, 甚至因为故障信息丢失而使故障诊断失败为了弥补这一不足, 特征选择被应用于故障诊断中 [7] 特征选择方法能选中表征故障仅需的特征变量, 剔除不相关或冗余变量, 实现数据降维去噪, 从而有效地提高故障诊断的性能对于基于特征选择的故障诊断方法, 一个能快速准确地搜索到故障特征的特征选择算法至关重要蚁群优化 (antcolony optimization,aco) [8] 算法于 20 世纪 90 年代初由 Dorigo 等首次提出, 目前已经被广泛研究应用于 TSP 二次分配调度图着色等经典组合优化问题中, 多篇综述对 ACO 算法进行总结展望 [9 10] 另一方面, 受量子物理的启发,Han [11] 将量子编码引入传统的优化算法中, 提出了量子遗传算法 (quantumgenetic algorithm,qga), 获得了良好的优化性能本文将量子编码引入到传统 ACO 算法中, 提出了一种新的适用于二进制优化问题的自适应量子蚁群优化算法 (adaptivequantum ACO,AQACO), 并进一步应用于石脑油裂解炉的故障特征选择中, 提高基于 SVM 的故障诊断性能 1 自适应量子蚁群优化算法 1 1 犃犙犃犆犗编码在量子优化算法中, 信息的载体不再是经典的比特, 而是量子比特量子比特作为量子优化算法中最小的信息单元对应一个量子位, 它可以是 0 态或 1 态, 其所表达的不再是某一确定的信息, 而是包含所有可能的信息, 可以取 0 1 或其之间的任意一个状态一个量子比特可以表示为 [α, β ] T, 其中 α 和 β 为复数, 分别表示状态 0 > 和 1 > 的概率幅, α 2 和 β 2 分别表示量子比特处于 0 状态和 1 状态的概率, 且满足归一化条件 α 2 + β 2 =1 在 AQACO 中, 信息素采用量子比特进行编码对于一个有效解长度为狀比特的离散二进制优化问题, 可以将其转化为如图 1 所示的一个寻找最优路径问题对于图 1 中所示解长度为狀比特的优化问题, AQACO 中信息素可表示为 τ= τ1α τ2α τ 狀 α [ ] τ1β τ2β τ 狀 β = α1 α2 α 狀 [ β 1 β ] 2 β狀 (1) 即分别将量子比特中的 α β 和图 1 中的 0 路径 1 路径相对应, α 2 和 β 2 定义为 0 路径 1 路径上的信息素浓度 1 2 犃犙犃犆犗信息素更新通过量子编码实现 AQACO 中信息素的量子化后, 还要对其表达的量子信息进行更新才能实现对优化问题的求解 AQACO 中, 量子信息素的更新通过量子门来实现目前已有多种量子门提出应用于量子信息处理中根据量子优化算法的特点, 基于量子比特编码的优化算法均选用量子旋转门 [11 13] 作为算法更新的主要操作, 其操作如式 (2) 所示 α 犻 [ ] = cosθ 犻 -sinθ 犻 β 犻 sinθ 犻 cosθ 犻 α 犻 [ ] β[ ] 犻 (2) θ 犻 = 狊 (α 犻, β 犻 ) Δθ 犻 (3) 式 (3) 中 θ 犻为旋转角 ;Δθ 犻和狊 (α 犻, β 犻 ) 分别为旋转角的幅度和旋转方向, 其取值由预先设定的调整策略来确定图 1 AQACO 流程图 Fig.1 FlowchartofAQACO

3 第 2 期王灵等 : 基于自适应量子蚁群算法的石脑油裂解炉故障诊断 403 旋转角作为更新操作中的唯一可变参数, 对算法的优化性能至关重要, 文献 [14] 就量子遗传算法中旋转角的取值做了详细分析但现有的量子优化算法个体更新原理与 AQACO 不同, 因此其量 [11 13] 子旋转门调整策略并不适用于 AQACO 针对这一问题, 提出了一种新的 AQACO 量子旋转门旋转角度更新策略, 如表 1 所示表 1 犃犙犃犆犗旋转角调整策略犜犪犫犾犲 1 犚狅狋犪狋犻狅狀犪狀犵犾犲狊狋狉犪狋犲犵狔狅犳犃犙犃犆犗犫犻犵犻犳 ( 犫 )> 犳 ( 犵 ) Δθ 犻狊 (α 犻, β 犻 ) α 犻 β 犻 >0 α 犻 β 犻 <0 α 犻 =0 β 犻 =0 0 0 false 0.01π ±1 ±1 0 0 true 0.01π ±1 ±1 0 1 false 0.025π ±1 ±1 0 1 true 0.025π +1-1 ±1 ±1 1 0 false 0.025π +1-1 ±1 ±1 1 0 true 0.025π ±1 ±1 1 1 false 0.01π +1-1 ±1 ±1 1 1 true 0.01π +1-1 ±1 ±1 表 1 中犫犻和犵犻分别为当代最优解犫与历史全局最优解犵的第犻位比特位, 犳 ( 犫 ) 和犳 ( 犵 ) 分别为解犫和犵对应的适应度值, 最终的信息素更新旋转角根据式 (3) 计算可得对于 AQACO 旋转角度而言, 较大的取值可以使得旋转角快速旋转, 提高算法的搜索效率, 但过大的旋转角度会导致算法无法更好地进行局部搜索, 从而无法搜索到最优解综合算法的优化性能和搜索效率, 在 AQACO 中采用自适应旋转角更新策略公式 (4), 即算法开始阶段的旋转角度较大, 提高算法的搜索效率, 随着算法迭代旋转角度逐渐减小, 以提高算法后期的局部搜索性能 θ 犻 = e e - 狋 / 狀狋 al 狊 (α 犻, β 犻 ) Δθ 犻 (4) 对于 AQACO 旋转角调整策略的构造原理可由图 2 来说明不失一般性, 以信息素量子比特位对应角度位于第 1 象限的情况进行讨论 (1) 当犫犻与犵犻相同时, 例如犫犻 = 犵犻 =0, 此时应增大该量子比特对应解取 0 的概率, 即令 α 犻 2 变大, 旋转角应顺时针方向旋转同理可以推得当犫犻 = 犵犻 =1 时旋转角应逆时针旋转 (2) 当狓犻犫犻时, 例如狓犻 =0 犫犻 =1, 且犳 ( 犫 )< 犳 ( 犵 ), 则应提高下一次搜索时选择适应度值较小路径的概率, 即增加取 0 的概率, 使算法能够更好地进行全局搜索, 避免陷入局部最优同理图 2 AQACO 旋转角原理示意图 Fig.2 PrincipalsketchmapofAQACOrotationangle 可以推得其他 3 种狓犻与犫犻不相等情况下的旋转角旋转策略 (3) 对于位于极轴的情况则选择加上一个较小的随机方向的旋转角, 这样在不破坏现有知识的同时使其具有取另一状态的可能性, 防止陷入局部最优 1 3 犃犙犃犆犗算法对于求解一个编码长度为狀的离散二进制优化问题,AQACO 算法详细步骤描述如下步骤 1: 初始化, 设定 AQACO 初始参数, 如蚁群个体数量, 节点长度 ( 即编码长度 ), 其中所有量子比特 [α 犻, β 犻 ] T ( 即信息素浓度 ) 均设为 1/ 槡 2, 以保证初始搜索时所有路径上信息素浓度相等, 即 τ= τ1α τ 狀 α [ ] = 1 / 槡 2 1/ 槡 2 [ τ1β τ 狀 β 1/ 槡 2 ] (5) 1/ 槡 2 步骤 2: 蚂蚁从蚁巢出发前进至食物, 按照伪随机规则选择路径, 访问全部节点并记录蚂蚁在各节点处路径的选择 ( 即取值 ), 生成候选解对于路径的选择, 当蚂蚁走到第犼个节点时 ( 犼 =1,2,, 狀 ), 首先随机生成一个随机数狇 [0,1], 若狇狇 0, 则 0 τ 犼 α 2 τ 犼 β 犪狀狋犻, 犼 = { 1 其他 2 (6) 其中, 犪狀狋犻犼表示第犻个蚂蚁在第犼个节点处对其后路径的选择, 为 0 表示选择通过路径 0, 为 1 则表示选择由路径 1 前行即当狇狇 0 时, 蚂蚁选择经过路径 0 和路径 1 中信息素浓度大的路径若狇 > 狇 0, 则

4 404 化工学报第 60 卷犪狀狋犻, 犼 = 0 狉犮 { 1 其他 (7) 其中, 狉为 [0,1] 之间的随机数, 犮为一个常数, 且 0 犮 1, 决定蚂蚁随机选择 0 路径和 1 路径的概率即狇 > 狇 0 时, 蚂蚁随机选择下一对节点中的 0 节点和 1 节点, 对解空间做随机搜索步骤 3: 计算各个蚂蚁生成解的目标函数值步骤 4: 更新历史最优解及其对应的目标函数值, 记录当代最优解步骤 5: 判断是否满足终止准则, 满足则算法迭代结束输出最优解, 否则继续下一步步骤 6: 根据历史全局最优解和当代最优解查表 1 确定旋转角步骤 7: 用量子旋转门更新信息素浓度步骤 8: 跳转至步骤 2 AQACO 算法中, 参数狇 0 调节着蚁群搜索时对群体已有信息的开采和对解空间的探索, 对算法的收敛速度和寻优性能有着重要影响为了提高算法性能, 这里采用了自适应狇 0 狇 0 = 狋狀 / 狋 al (8) 其中, 狋狀为当前迭代次数, 狋 al 为算法最大迭代次数, 即算法开始具有较大的狇 0 以使蚂蚁能更好地利用群体智能, 而随着搜索的进行狇 0 逐步加大, 算法随机性增强, 从而提高算法跳出局部最优的可能性 1 4 基于犃犙犃犆犗和犛犞犕的故障特征选择算法故障特征选择就是从系统变量中找出最优的能够表征故障特征的变量组合对于故障诊断而言, 误报或漏报都会对生产过程造成严重的影响和经济损失, 因此采用卷积式特征选择方法以获得最高的故障诊断正确率故障特征选取中, 每一个特征变量对应 AQACO 信息素一位量子比特 AQACO 根据伪随机规则选择路径, 选择 1 路径 ( 即对应解值为 1 ) 则表示其对应的特征被选为故障特征变量参与故障诊断, 否则反之基于 AQACO 与 SVM 的故障特征变量选择方法 (QSFS) 具体步骤如下步骤 1:AQACO 算法初始化 ; 步骤 2:AQACO 中的各个蚂蚁根据伪随机规则生成解 ; 步骤 3: 根据各个蚂蚁的解确定所选的故障特征变量, 生成相应的故障诊断数据训练集和测试集, 采用 SVM 进行故障诊断, 计算其适应度值 ; 步骤 4: 更新历史全局最优解 ; 步骤 5: 判断是否满足终止准则, 是则结束特征选择并输出结果, 否则继续 ; 步骤 6: 根据表 1 确定量子旋转门旋转角角度, 并更新信息素浓度 ; 步骤 7: 跳转步骤 2 为了引导算法删除非故障或故障冗余特征变量, 尽可能减小输入数据维度, 提高故障诊断系统的实时性和正确率, 在 QSFS 中采用一种改进的适应度函数, 如式 (9) 犳 ( 狓犻 )= 狉 ( 狓犻 )- 犽狀狏 (9) 式中犳 ( 狓犻 ) 为适应度函数 ; 狉 ( 狓犻 ) 表示解狓犻对应的故障诊断正确率 ; 狀狏为解狓犻选中的特征数, 犽为调节参数狀狏的引入使得算法倾向于尽量少选特征变量, 而犽的取值则平衡最大故障诊断正确率和选择特征数之间的关系 2 应用与研究 2 1 犃犙犃犆犗算法优化性能测试为了验证 AQACO 算法的有效性, 对下列标准优化函数进行 100 次寻优测试犉 1 =100( 狓狓 2) 2 + (1- 狓 1) 2, 狓犻犉 2 = [1+ ( 狓 1 + 狓 2 +1) 2 (19-14 狓 1 +3 狓狓 2 +6 狓 1 狓 2 +3 狓 2 2 )] [30+ (2 狓 1-3 狓 2) 2 (18-32 狓狓狓 2-36 狓 1 狓狓 2 2 )], -2 狓犻 2 犉 3 = ( 狓狓 2 2 ) 0.25 {sin 2 [50( 狓狓 2 2 ) 0.1 ]+1.0}, -10< 狓犻 <10 犉 4 =0.5- sin2 槡狓狓 [ ( 狓狓 2 2 )] 4, -10< 狓犻 <10 犉 5 = {-13+ 狓 1 + [(5- 狓 2) 狓 2-2] 狓 2} 2 + {-29+ 狓 1 + [( 狓 2 +1) 狓 2-14] 狓 2} 2, -10< 狓犻 <10 犉 6 = ( 狓狓 2-11) 2 + ( 狓 1 - 狓 2 2-7) 2,-10 狓犻 10 AQACO 中蚂蚁个体数为 30, 信息素编码长度为 30, 算法最大迭代次数为 2500 为了比较优化性能, 在同等运算规模下, 分别用离散二进制粒子群 (discretebinaryparticleswarmoptimization, [15] DBPSO) 算法和 QGA [11] 及不带自适应参数的

5 第 2 期王灵等 : 基于自适应量子蚁群算法的石脑油裂解炉故障诊断 405 表 2 犃犙犃犆犗犇犅犘犛犗犙犌犃及犙犃犆犗优化函数测试结果犜犪犫犾犲 2 犜犲狊狋狉犲狊狌犾狋狊狅犳犃犙犃犆犗, 犇犅犘犛犗, 犙犌犃犪狀犱犙犃犆犗狅狀狅狆狋犻犿犻狕犪狋犻狅狀犳狌狀犮狋犻狅狀狊 Function Ov DBPSO 犚 /% Avg 犜 QACO 犚 /% Avg 犜 QGA 犚 /% Avg 犜 AQACO 犚 /% Avg 犜犉犉犉犉犉犉量子蚁群算法 (QACO) 对上述函数进行寻优, 优化结果见表 2, 其中, 犚为 100 次搜索的成功率, Avg 为平均全局最优解, 犜为平均迭代次数和 Ov 为理论全局最优解从表 2 可见,AQACO 具有良好的优化性能, 能够 100% 地搜索到上述 6 个标准测试函数的全局最优解同时可以看出,QACO 相比于经典的 QGA 和 DBPSO 算法其优化性能更好, 特别是引入自适应策略的 AQACO, 其优化性能进一步提高, 搜索到全局最优解的迭代次数也更少犓 =500~549 时 PI1601 出现加性偏差, 每一采样时刻增加 0.01 犛, 在同一时刻 FT1106 发生增益跳变, 其中犓为采样时刻, 犛为过程正常运行时该传感器的稳态输出的平均值 2 2 犝犛犆型石脑油裂解炉的故障诊断 [16] 以某厂的 USC 型石脑油裂解炉系统为对象进行故障诊断, 测试提出的 QSFS 方法和基于 SVM 的故障诊断方法的有效性及其性能 USC 型石脑油裂解炉中共有变量 23 个, 其中含 21 个测量变量和 2 个受控变量, 其控制流程如图 3 所示, 图中炉子出口温度 (TT1664A/B) 由温度调节器 TIC1664 与燃料气流量调节器 FIC1801 组成的串级回路进行控制不同组炉管间的出口温度差则通过温度调节器 TIC1664A/B 与石脑油流量调节器 FIC1101/1102 的串级回路来微调稀释蒸汽的流量 (FT1106/FT1107) 是按与裂解烃原料一定的比例通过调节器 FIC1106/1107 来控制的 FIC1103/FIC1104 用来控制循环乙烷的流量 AI1603 是在线色谱仪, 用于分析裂解产品的组分为了能更好地检测提出的基于 AQACO 和 SVM 的故障诊断方法的性能, 分别对 USC 型石脑油裂解炉中两类单传感器故障 ( 下称故障 1 及故障 2) 和一类多传感器故障 ( 下称故障 3) 进行故障特征选择和故障诊断研究故障 1 为 FT1801 在犓 =300 ( 石脑油裂解 ) 时出现增益跳变 ; 故障 2 为 TT1664A 在犓 =300 ( 石脑油裂解 ) 时出现加性偏差, 每一采样时刻增加 0.01 犛, 故障 3 为在图 3 USC 型裂解炉控制流程图 Fig.3 Controlflowchartofcrackingfurnace 考虑到实际生产过程中缺少故障数据, 故障特征选择时仅从正常和故障数据中各随机选择 30 组数据构成特征选择训练集, 再各选出 60 组数据构成特征选择验证集 AQACO 种群个体数为 20, 编码长度为 23, 最大迭代次数为 60 次, 共运行 20 次作为性能对比, 分别采用 DBPSO 和 QGA 在相同参数和故障数据下也进行 20 次故障特征选择, 结果如图 4~ 图 6 所示由图 4~ 图 6 的统计结果可知,AQACO 算法具有更优的特征选择性能为了考察实际的故障诊断性能, 以 QSFS 选中的故障特征变量为输入, 对故障 1~3 进行故障诊断作为比较, 对相同故障数据集分别用全部变量, 主元分析 (PCA) 后的主元变量和核主元分析 (KPCA) 后的核主元作为 SVM 的输入进行故障诊断 PCA 中保留贡献率大于 85% 的主元变量, KPCA 中保留与 PCA 相同数量的核主元 4 种不同方法的故障诊断正确率见表 3

6 406 化工学报第 60 卷图 4 DBPSO QGA 和 AQACO 故障 1 特征变量选择结果 Fig.4 ResultsoffeaturevariablesselectedbyDBPSO,QGAandAQACOonfault1 图 5 DBPSO QGA 和 AQACO 对故障 2 特征变量选择结果 Fig.5 ResultsoffeaturevariablesselectedbyDBPSO,QGAandAQACOonfault2 图 6 DBPSO QGA 和 AQACO 对故障 3 特征变量选择结果 Fig.6 ResultsoffeaturevariablesselectedbyDBPSO,QGAandAQACOonfault3

7 第 2 期王灵等 : 基于自适应量子蚁群算法的石脑油裂解炉故障诊断 407 Fault 表 3 故障诊断结果比较犜犪犫犾犲 3 犆狅犿狆犪狉犻狊狅狀狅犳犳犪狌犾狋犱犻犪犵狀狅狊犻狊狉犲狊狌犾狋狊 Alvariables /% PCA /% KPCA /% QSFS /% 由表 3 可见, 对于石脑油裂解炉, 基于 SVM 的故障诊断方法是有效的当采用全部变量进行故障诊断时, 由于系统中非故障特征的干扰严重影响了 SVM 故障诊断性能, 故障 1~3 的故障诊断正确率分别只有 67.1% 72.4% 和 74.5% 采用 PCA 对原始数据进行故障特征提取后降低了数据维度, 同时也舍弃了部分干扰特征, 从而提高了故障诊断性能,3 个故障的诊断正确率达到了 76.8% 89.9% 和 87.9%; 采用 KPCA 能更好地提取出系统特征, 进一步提高了故障诊断正确率, 达到了 86.1% 99.9% 和 91.3% 虽然对于故障 2, 采用 KPCA 后其故障诊断正确率达到了 99.9%, 但显然特征提取方法并不能保证只提取出故障特征, 因此被保留下的非故障特征仍会干扰影响 SVM, 故障 1 和故障 3 的故障诊断正确率证明了这点相比之下, 对于稳态故障,QSFS 方法能准确迅速地搜索到故障特征, 最大限度地降低数据维度排除非故障特征的干扰, 因此基于 QSFS 的方法对 3 个故障的诊断均达到了 100% 的正确率, 显示出更好的鲁棒性和可靠性 3 结论对于大型化工系统, 由于其复杂性监控数据多系统噪声大特别是缺乏故障数据, 难以有效地对其进行故障诊断针对这些特点, 以石脑油裂解炉为对象, 研究了适合于小样本问题的 SVM 故障诊断方法为了消除石脑油裂解炉中的系统噪声和大量监控数据对 SVM 故障诊断性能的影响, 深入研究了基于自适应量子蚁群算法的故障特征选择算法通过将量子编码引入蚁群算法, 使得 AQACO 能有效地求解二进制优化问题, 同时避免了传统 ACO 算法中对不同尺度问题优化性能波动的问题 [17] 性能测试表明提出的 AQACO 算法具有更好的优化性能, 能准确快速地实现故障特征选择, 从而保证最大限度地降维去噪, 削弱故障诊断对 SVM 核函数及其参数选择的依赖最后对裂解炉 3 类不同的故障进行了故障诊断, 结果显示基于 SVM 的故障诊断方法是有效的, 相比于采用全部特征和基于特征提取的方法, 基于 QSFS 的 SVM 故障诊断方法具有更好的故障诊断性能和鲁棒性考虑到实际工业生产过程缺乏故障数据, 而 SVM 适合小样本问题求解 AQACO 算法简单易实现, 因此提出的基于 QSFS 的 SVM 故障诊断方法具有良好的研究与实用价值犚犲犳犲狉犲狀犮犲狊 [1] MaLongbo ( 马龙博 ),Zhang Hongjian ( 张宏建 ),Zhou Hongliang ( 周洪亮 ), He Qing ( 贺庆 ).Flow regime identificationofoil watertwo phaseflowbasedonhhtand SVM. 犑狅狌狉狀犪犾狅犳犆犺犲犿犻犮犪犾犐狀犱狌狊狋狉狔犪狀犱犈狀犵犻狀犲犲狉犻狀犵 ( 犆犺犻狀犪 )( 化工学报 ),2007,58 (3): [2] Liu Yi ( 刘毅 ), Wang Haiqing ( 王海清 ),LiPing ( 李平 ).Localleastsquaressupportvectorregression with applicationtoonlinemodelingforbatchprocesses. 犑狅狌狉狀犪犾狅犳犆犺犲犿犻犮犪犾犐狀犱狌狊狋狉狔犪狀犱犈狀犵犻狀犲犲狉犻狀犵 ( 犆犺犻狀犪 ) ( 化工学报 ),2007,58 (11): [3] Samanta B. Gear fault detection using artificial neural networks and support vector machines with genetic algorithms. 犕犲犮犺犪狀犻犮犪犾犛狔狊狋犲犿狊犪狀犱犛犻犵狀犪犾犘狉狅犮犲狊狊犻狀犵, 2004,18 (3): [4] Chiang L H, Kotanchek M E, Kordon A K. Fault diagnosisbasedonfisherdiscriminantanalysisandsupport vector machine. 犆狅犿狆狌狋犲狉犪狀犱犆犺犲犿犻犮犪犾犈狀犵犻狀犲犲狉犻狀犵, 2004,28 (8): [5] WangS W,XiaoF.DetectionanddiagnosisofAHUsensor faultsusingprincipalcomponentanalysis method. 犈狀犲狉犵狔犆狅狀狏犲狉狊犻狅狀犪狀犱犕犪狀犪犵犲犿犲狀狋,2004,45 (17): [6] LeeJ M,Yoo C K,LeeIB. Faultdetection ofbatch processes using multiway kernel principal component analysis. 犆狅犿狆狌狋犲狉狊犪狀犱犆犺犲犿犻犮犪犾犈狀犵犻狀犲犲狉犻狀犵,2004,28 (9): [7] ChiangL H,PelRJ. Geneticalgorithmscombined with discriminantanalysisforkeyvariableidentification. 犑狅狌狉狀犪犾狅犳犘狉狅犮犲狊狊犆狅狀狋狉狅犾,2004,14 (2): [8] Colorni A, Dorigo M, Maniezzo V. Distributed optimization by ant colonies//proceedings of ECAL91 European Conf.on ArtificialLife.Paris:Elsevier,1991: [9] Dorigo M,Blum C. Antcolony optimizationtheory:a survey. 犜犺犲狅狉犲狋犻犮犪犾犆狅犿狆狌狋犲狉犛犮犻犲狀犮犲,2005,344 (2/3): [10] MarcoD,MauroB,ThomasS. Antcolonyoptimization. 犆狅犿狆狌狋犪狋犻狅狀犪犾犐狀狋犲犾犻犵犲狀犮犲犕犪犵犪狕犻狀犲, 犐犈犈犈,2006,1 (4):28 39 [11] HanK H. Geneticquantumalgorithmanditsapplicationto combinatorialoptimization problem//ieee Proc. of the 2000Congresson Evolutionary Computation.San Diego:

8 408 化工学报第 60 卷 IEEEPress,2000: [12] Han K H, Kim J H. Quantum inspired evolutionary algorithmforaclassofcombinatorialoptimization. 犐犈犈犈犜狉犪狀狊犪犮狋犻狅狀狊狅狀犈狏狅犾狌狋犻狅狀犪狉狔犆狅犿狆狌狋犪狋犻狅狀,2002,6 (6): [13] WangY,FengX Y,HuangY X,PuD B,Zhou W G, Liang Y C, Zhou C G. A novel quantum swarm evolutionary algorithm and its applications. 犖犲狌狉狅犮狅犿狆狌狋犻狀犵,2007,70 (4/5/6): [14] HanK H,KimJH.Onsetingtheparametersofquantum inspiredevolutionaryalgorithm forpracticalapplication// Proc Congress on Evolutionary Computation. PiscatawayNJ:IEEEPress,2003: [15] KennedyJ,EberhartRC. Adiscretebinaryversionofthe particleswarm optimizationalgorithm//proc. ofthe1997 Conf. on Systems, Man,and Cybernetics.Piscataway: IEEEPress,1997: [16] ZhuangXiaofeng ( 庄晓峰 ). Modelingandfaultdiagnosis for cracking furnaces [D ]. Shanghai: East China UniversityofScienceandTechnology,2004 [17] ChristianB,MarcoD. Thehyper cubeframeworkforant colonyoptimization. 犐犈犈犈犜狉犪狀狊犪犮狋犻狅狀狊狅狀犛狔狊狋犲犿, 犕犪狀, 犪狀犱犆狔犫犲狉狀犲狋犻犮狊狆犪狉狋犅 : 犆狔犫犲狉狀犲狋犻犮狊,2004,34 (2):

BuletinofSoiland WaterConservation Vol.38,No.3 Jun.,2018 & X R( + 1, 1, < 1,=> 3 (1. E^ IFTU ^,NO ; 2.NO\ ^,NO ;3.NO B`a -

$BuletinofSoiland WaterConservation Vol.38,No.3 Jun.,2018 & X R( + 1, 1, < 1,=> 3 (1. E^ IFTU ^,NO ; 2.NO\ ^,NO ;3.NO B`a -$ 383 0186 BuletinofSoiland WaterConservation Vol.38,No.3 Jun.,018 & X R( + 1, 1, < 1,=>,?@A 3 (1. E^ IFTU ^,NO 730070;.NO\ ^,NO 730070;3.NO B`a -[/H,NO 730000) -.:[# ] _D5 & % I /, + -. I P+- [ ] ( 犜狉犻狋犻犮狌犿犪犲狊狋犻狏狌犿

402 化工学报第 60 卷 工作还比较少 [4] 在故障诊断中, 为了消除高维数 据和系统噪声对 SVM 的干扰, 提高故障诊断性 能, 主元分析 (principal component analysis, PCA) [5] 核主元分析 (kernelpca,kpca) [6] 等 特征提取方法

402 化工学报第 60 卷工作还比较少 [4] 在故障诊断中, 为了消除高维数据和系统噪声对 SVM 的干扰, 提高故障诊断性能, 主元分析 (principal component analysis, PCA) [5] 核主元分析 (kernelpca,kpca) [6] 等特征提取方法