一种基于压缩感知和DROS-ELM的非线性过程工业故障预测及识别方法

摘要

一种基于压缩感知和DROS-ELM的非线性过程工业故障预测及识别方法。本发明提供了一种高性能的非线性过程工业故障预测及识别方法，克服复杂工业系统非线性生产过程缺乏在线故障预测及识别的困难，将压缩感知和人工神经网络应用于工业领域，分别构建基于压缩感知特征提取和动态反馈OS-ELM神经网络(DROS-ELM)技术的故障预测识别模型，实现了故障预测，为企业保证安全生产，提高生产效率、节约生产成本提供技术支撑。

主权项

一种基于压缩感知和DROS‑ELM的故障预测及识别方法，所述方法包括：数据预处理及样本选取步骤，包括：对仿真采集的48小时的TE的数据中存在的缺失数据、异常数据和噪声数据进行处理，并将所处理后的数据作为训练数据；将数据预处理后的训练样本在整个可行区域内符合均匀分布，将区间映射[‑1,1],采用均匀设计方法对不同时段样本生成样本，保证获得完整的训练样本，并将该样本训练数据用于压缩感知特征提取、神经网络建模的训练样本；压缩感知特征重构步骤，包括：将正常工况所有变量数据按顺序转换为一维向量，通过将输入数据进行稀疏分解并重构数据特征后，计算正常数据与重构数据向量的二范数作为特征数据，使用残差计算特征数据，该特征数据即为故障识别模型训练数据；在线反馈神经网络建模步骤，包括：该步骤采用串行方式对故障预测模型和故障识别模型神经网络分别进行训练，引入在线极限学习机(OS‑ELM)训练算法，实现个体神经网络的快速训练和在线权值调整，在建模过程中设置反馈层，保证所训练的个体神经网络有较高的动态特性，本模型根据故障预测模型预测输出作为故障识别模型输入，从而达到系统故障预测识别的目的。通过数据预处理及样本选取构造TE过程数据预测模型，通过压缩感知特征重构训练故障识别模型，将TE过程数据预测模型的输出经过压缩感知特征重构后，输入故障识别模型以输出是否发生故障及故障类型。