幾種人工神經網絡在化工故障診斷中的應用摘要：人工神經網絡是由大量同時也是很簡單的處理單元廣泛連接構成的復雜網絡系統。它具有自學習、高容錯和高度非線性描述能力等優(yōu)點，使其在化工領域得到了廣泛的應用。本文簡要介紹了幾種人工神經網絡在化工故障檢測與診斷中的應用關鍵字：神經網絡化工故障診斷Theapplicationofseveralartificialneuralnetworkinfaultdiagnosisinchemical(SchoolofChem&EnergyEng,SouthChinaUnivofTechnol,Canton510640,China)Abstract:Artificialneuralnetworkisacomplicatednetworksystemwithlargeamountbutsimpleunits.Ithastheabilityofself-learningfaultdiagnosisandhighdescriptionofnon-linearproblem.Soitwaswidelyusedinthefieldofchemicalindustry.Thispaperreporttheapplicationofseveralartificialneuralnetworkinfaultdetectionanddiagnosisinchemical.Keywords:artificialneuralnetworkchemicalfaultdiagnosis1．人工神經網絡人工神經網絡（ArtificialNeuralNetwork,ANN),亦稱為神經網絡(NeuralNetwork,NN),是由大量處理單元(神經元Neurons)廣泛互連而成的網絡,是對人腦的抽象簡化和模擬,它反映人腦的基本特性。它與人腦的相似之處可概括為兩個方面[1]:(1)通過學習過程利用神經網絡從外部環(huán)境中獲取知識;(2)內部神經元(突觸權值)用來存儲獲取的知識信息?，F在人們提出的神經元模型有很多,其中最早提出并且影響較人的是1943年心理學家McCulloch和數學家W.Pitts在分析總結神經元基本特性的基礎上首先提出的MP模型。該模型經過不斷改進后,形成現在廣泛應用的BP神經元模型(朱人奇,2006)。人工神經元模型是由人量處理單元廣泛互連而成的網絡,是人腦的抽象,簡化,模擬,反映人腦的基本特性。一般來說,作為人工神經元模型應具備三個要素：(l)具有一組突觸或連接,常用Wij表示神經元i和神經元j之間的連接強度,或稱之為權值。與人腦神經元不同,人工神經元權值的取值可在負值和負值之間。(2)具有反映生物神經元時空整合功能的輸入信號累加器。(3)具有一個激勵函數用于限制神經元輸出。激勵函數將輸出信號限制在一個允許范圍內,使其成為有限值,通常神經元輸出的擴充范圍在[0,1]或[-1,1]之間。人工神經網絡是建立在現代神經科學研究基礎上的一種抽象數學模型，它反映了大腦功能的基本特征，但并非逼真地描寫，只是某種簡化、抽象和模擬。給ANN一些樣本，ANN通過自學習可以掌握樣本規(guī)律，在輸入新的數據和狀態(tài)信息時，可用ANN進行自動推理和控制[2]。由于反向傳遞學習算法BP網絡和Hopfield網絡[3]的出現與再次興起，使其應用領域不斷擴大?；ば袠I(yè)有著生產過程復雜、對象特性多變、間歇或半連續(xù)生產過程多、有一定的危險性及污染環(huán)境等特點，使得化工領域需要一個技術及環(huán)境的改善。ANN的出現，為化工過程的現代科學技術綜合發(fā)展提供了一種先進的支撐環(huán)境，對其進一步發(fā)展有很大的促進作用。2．故障診斷現代化工過程具有規(guī)模大,復雜性高,變量多等特點。對系統進行及時、準確的故障檢測可以減少停產時間,增加設備運行的安全性。工業(yè)系統中發(fā)生故障的類型包括過程參數的變化、干擾參數的變化、執(zhí)行器的問題和傳感器的問題。為了確保過程運行狀況滿足給定的性能指標，需要對故障進行檢測、診斷和清除。統計過程控制中將其稱為過程監(jiān)控。過程監(jiān)控的目標是通過識別不正常行為來確保過程成功地按計劃運行。過程監(jiān)控分為四個步驟：故障檢測、故障識別、故障診斷和過程恢復：故障檢測——確定故障是否發(fā)生；故障識別——把那些與故障最有關聯的觀測變量識別出來；故障診斷——確定哪一類故障發(fā)生了；過程恢復——去除故障的影響。VenkatVenkatasubramanian等人提出故障診斷方法可以分為：基于解析模型的方法、基于定性模型和搜索策略的方法、基于過程歷史數據的方法這樣的三類方法[4-6]。2.1基于解析模型的方法基于解析模型的方法以測量到的輸入u和輸出y為基礎，使用精確的數學模型來生成一些特征，如殘差。通過直接地或經變換后把測取的特征與正常運行條件下的特征進行比較，故障就能被檢測或診斷出來。殘差是一種較常用的特征，殘差是設備觀測值與數學模型之間一致性檢查的差值，它因故障、干擾、噪聲或模型誤差而不為零[2]。在正常情況下，殘差或者其變換在有故障存在時相對較大，而在只有干擾、噪聲或模型誤差存在時較小，這樣可以通過定義適當的閾值來檢測故障的存在。在動態(tài)系統中，殘差的生成主要有三種方法：參數估計、觀測器和等價關系。這三種方法生成殘差的方式不同，因而各自形成了不同的故障檢測和診斷的方法。基于解析模型的方法是檢測和診斷故障的一種有效方法，但是這種方法要求有精確的數學模型，還需要是線性系統，這些局限性使得基于解析模型方法在實際工程中應用的不多。目前這類方法的研究主要有：文獻[7]中針對一類含有建模誤差的非線性系統，設計了一種狀態(tài)估計器對系統的狀態(tài)進行估計，同時用徑向基神經網絡作為故障估計器來逼近系統所發(fā)生的故障。故障估計器的輸入為系統的狀態(tài)估計，所估計出的故障既可以用作故障容錯控制，也可用作報警。文獻[8]中討論了一類非線性系統執(zhí)行器故障的診斷問題。文獻[9]中基于控制系統故障的先驗知識，應用M-ARY理論，對故障檢測與定位進行了二級決策，以提高診斷問題的求解能力。2.2基于定性模型和搜索策略的方法系統的定性模型通常是在對系統的物理特性有深入了解的基礎上建立的。在解析模型中把這種理解表示成系統的輸入輸出之間的數學關系，而定性模型中把這種理解表示成不同單元之間的定性的因果關系。這類方法有故障樹分析、符號定向圖法（SignedDirectedGraph,SDG）等。故障樹分析是可靠性設計的一種有效方法，也可以成為故障診斷技術的一種有效方法[11]。在故障樹分析中，一般把所研究系統最不希望發(fā)生的故障狀態(tài)作為辨識和估計的目標，這個最不希望發(fā)生的系統故障事件稱為頂事件；然后在一定環(huán)境與工作條件下，首先找出導致頂事件發(fā)生的必要和/或充分的直接原因，把它們作為第二級，依次在找出導致第二級故障發(fā)生的直接原因作為第三級，如此逐級展開。一直追溯到那些不能再展開或不需要深究的最基本的故障事件為止，這些最基本故障事件為底事件；而介于頂事件和底事件之間的其它故障事件成為中間事件。把頂事件、中間事件和底事件用適當的邏輯門自上而下逐級連接起來所構成的邏輯結構圖就是故障樹。文獻[10]中從某大型空分系統的故障診斷專家系統實例出發(fā)，提出了二叉故障樹概念，并結合膨脹機模型的某一故障現象，建立了二叉故障樹的模型。用二叉故障樹表示專家知識方法簡單，基于此的診斷推理效率高、速度快。文獻[11]針對復雜控制系統的故障診斷，討論了圖論與故障樹結合的方法，這種方法能夠快速確定故障源，提高了故障診斷效率。文獻[12]中基于符號定向圖開發(fā)了一種計算機自動解釋系統，提供了三種解釋方法，把過程中故障的危險更為明顯的表達出來。文獻[13]中提出基于SDG模型和模糊融合的故障診斷方法，該方法能夠辨識不同的故障模式并計算其可能性，增加了診斷結果的準確性。2.3基于過程歷史數據的方法這類方法不需要對過程建立精確地解析模型，也不需要對過程有深入的了解，只需要大量的過程歷史數據，通過對過程歷史數據進行適當的變換進行特征提取，然后完成診斷。這類方法主要有神經網絡、專家系統、主元分析和部分最小二乘法等。模擬人腦結構的人工神經網絡方法是一種全新的、有前景的故障診斷方法[14]。神經網絡用于故障檢測與診斷時，常使用三層前向網絡。一般把輸入層分配給過程變量，輸入層神經元的個數等于用于故障檢測與診斷的過程變量的個數；輸出層作為故障指示器，輸出層神經元的個數由故障類的數目決定；隱層沒有明確的物理意義，合理選擇隱單元個數及其作用函數，可以把原來的非線性可分問題轉化為一個線性可分問題，實現模式識別、故障檢測與診斷。神經網絡診斷方法的不足之處在于需要足夠多的學習樣本，才能保證診斷的可靠性，由于神經網絡從故障事例學習的知識體現為一些分布權重，這使得診斷推理過程不能夠解釋。專家系統診斷方法利用專家積累的豐富實踐經驗，模仿專家分析問題和解決問題的思路獲得診斷結果，并能夠解釋推理過程。早期的專家系統多用于醫(yī)療診斷。近年來專家系統在化工等工業(yè)過程中也得到了廣泛的應用。在專家系統的框架下，可以綜合利用專家的經驗解決多樣的、復雜的、非常規(guī)的故障，這樣的故障依靠傳統的診斷方法是無法解決的。專家系統可以像專家一樣工作而且不受環(huán)境、心理等因素的影響。然而專家系統也有其難以克服的缺點：知識的獲取一直是困擾專家系統的“瓶頸”問題，并且知識獲取時專家系統的知識具有不一致性、不完全性和不準確性，系統不能自我完善。主元分析是一種多元統計方法。在數據分析處理過程中，樣本往往涉及多個觀測變量，這使得觀測數據中的信息有所重疊。主元分析通過降維技術把多個觀測變量簡化為較少的幾個綜合變量。這些綜合變量能夠反映原始變量的絕大部分信息，并且它們是互不相關的。這些特點使它在故障檢測與診斷方面有很多應用。主元分析方法的缺點是在降維的同時丟失了一些過程信息。文獻[15]中針對早期故障檢測與診斷問題，提出結合Petri網與神經網絡的兩級檢測與診斷方案。這種方法適用于大規(guī)模系統，首先將系統分為幾個部分，然后由Petri網根據實時情況檢測系統是否發(fā)生故障，若有故障存在則交給下一級的各個神經網絡診斷故障發(fā)生于哪個部分。文獻[16]將概率神經網絡用于說話人的辨識。文獻[17]將概率神經網絡用于文本的自動分類。文獻[18]中針對電能質量擾動自動識別問題，提出了小波分析與概率神經網絡結合的自動識別方法。該方法識別正確率高，實現簡單，能有效檢測幅值較小的諧波。前面已簡要總結了各種故障檢測與診斷方法，不難發(fā)現每種方法都有各自的優(yōu)點和不足，為了克服現有這些方法的局限性，科研人員正致力于混合故障診斷方法的研究，已出現了一些混合故障診斷方法。利用混合故障診斷方法克服單一方法的缺點和不足，是故障診斷技術發(fā)展的重要趨勢之一3幾種人工神經網絡在化工故障檢測與診斷中的應用3.1BP網絡在故障檢測與診斷中的應用BP網絡與線性閾值單元組成的多層感知器網絡結構完全相同,只是各隱節(jié)點的激活函數使用了Sigmoid函數。BP網絡輸出節(jié)點的激活函數根據應用的不同而異,如果BP網絡用于分類,則輸出節(jié)點一般用Sigmoid函數或雙曲正切函數;如果多層感知器用于函數逼近,則輸出層節(jié)點用線性函數。如圖3-1是含有兩個隱含層的BP網絡結構圖圖3.1兩隱含層的BP網絡結構神經圖輸入層有M個輸入信號,其中的任一輸入信號用m表示。第1隱層為I,即有I個神經元,其中的任一神經元用i表示；第2隱層為J,即有J個神經元,其中任一神經元用j表示,輸出層為P,即有P個輸出神經元,其中任一神經元用p表示.輸入層與第1隱層的突觸權值用wmi,表示;第1隱層與第2隱層的突觸權值用wij表示;第2隱層與輸出層的突觸權值用wjp表示。BP網絡用于故障檢測與診斷時，通常使用三層網絡。把輸入層分配給過程變量，輸入層神經元個數等于用于故障檢測與診斷的過程變量個數；輸出層作為故障指示器，輸出層神經元的個數由故障類的數目決定；隱層沒有明確的物理意義，具體隱層神經元數目要通過逐步增長法、逐步修剪法或正規(guī)化約束方法確定。利用BP網絡進行在故障檢測與診斷時，首先根據實際情況確定可利用的訓練樣本數目，然后建立合適的BP網絡，建立網絡主要要解決以下幾方面的問題：確定輸入變量個數、訓練樣本數、確定最優(yōu)的網絡規(guī)模及網絡參數等。文獻[19]研究了基于BP神經網絡的故障檢測與診斷方法，并將其用于數值仿真實例和TE過程進行了故障檢測和故障診斷的仿真實驗，給出了詳細具體的實驗結果。在數值仿真實例中，該過程關系式是靜態(tài)的、線性的，BP網絡故障檢測效果很好，故障發(fā)生時能準確的檢測到。3.2概率神經網絡在故障檢測與診斷中的應用概率神經網絡是一種監(jiān)督學習的單隱含層的前向網絡,常用于模式分類。與其他網絡相比,它不需要學習過程,不需要設置初始權值,當輸入矢量和目標值確定后,網絡的權值也就確定了。它學習速度快,適合于故障檢測，診斷和信號分類等問題。網絡結構如圖3.2所示：圖3.2PNN網絡結構概率神經網絡在確定其隱層權值和隱層與輸出層權值時。隱層使用聚類方法的無教師學習，隱層權值向量即為輸入樣本的轉置，隱層神經元個數等于輸入樣本數。隱層與輸出層之間權值向量的確定為有教師學習，由目標向量決定。兩段學習過程均能一次完成。概率神經網絡和BP網絡同屬單向傳播的多層網絡，所以概率神經網絡故障診斷原理與BP網絡有很多相似之處。概率神經網絡用于故障檢測與診斷時，把輸入層分配給過程變量，神經元個數由用于檢測與診斷的過程變量數決定；輸出層作為故障指示器，神經元數目由故障類數目決定；與BP網絡不同的是：概率神經網絡的隱層神經元有著不同的輸入輸出特性，作用相對明確，從模式識別角度講從輸入層映射到隱層的過程是將一個低維空間非線性可分問題映射到高維空間，使其在此高維空間中線性可分的過程。在利用概率神經網絡進行故障檢測與診斷時，首先明確可以利用的訓練樣本數，然后建立合適的網絡，其中包括：確定訓練樣本數目、確定網絡參數及選擇最優(yōu)的網絡規(guī)模。概率神經網絡網絡選擇網絡規(guī)模時隱層神經元個數等于訓練樣本數，只要通過逐步增長法或逐步修剪法確定訓練樣本數，概率神經網絡的規(guī)模隨即確定。文獻[19]研究了概率神經網絡的故障診斷原理等。并以數值仿真實例和TE過程為例，對概率神經網絡的故障檢測和故障診斷能力進行了實驗驗證，實驗結果與應用廣泛的BP網絡進行比較。在數值仿真實例中，當故障發(fā)生時，概率神經網絡能夠準確地檢測到。在TE過程故障檢測實驗中概率神經網絡能夠對多種故障準確檢測，明顯優(yōu)于BP網絡，在TE過程故障診斷實驗中概率神經網絡診斷總錯分率明顯低于BP網絡。上述實驗結果表明概率神經網絡在故障檢測和故障診斷方面明顯優(yōu)于BP網絡。3.3其它神經網絡在故障檢測與診斷中的應用徑向基網絡（radialbasisfunction，RBF）和自適應網絡2（adaptiveresonancetheory-2,ART2）[20]也用于檢測與診斷故障。RBF基于距離分類，擁有提高泛化的能力和學習更快的能力。近來，徑向基函數網絡成為用戶首要選擇，因此其能提供更合理的泛化能力和耕地的外推誤差。基于ART的神經網絡具有穩(wěn)定，可塑的特點。這種訓練過的網絡，在沒有忘記已學到知識（穩(wěn)定性）的情況下，可以學習到新的知識模式（可塑性）。雖然RBF網絡在推理方面，比BP網絡有了巨大進步，但對分類問題，它不能保證總能取得最優(yōu)解（這與尋找局部最小化是等價的）。而且，決定RBF網絡最佳結構的不是直接的，需要試驗和誤差逼近。對向傳播神經網絡（counterpropagationneuralnetworks,CPNN）將Kohonen特征映射網絡與Grossberg基本競爭型網絡相結合，發(fā)揮各自特長的一種新型特征映射網絡。其拓撲結構如圖所示：圖3.3CPNN結構圖對向傳播神經網絡由輸入，競爭和輸出等層構成，各層神經元之間相互連接。輸入層與競爭層構成特征映射網絡；競爭層和輸出層構成基本競爭型網絡。從整體上看，網絡屬于有教師型的網絡，二由輸入層和競爭層構成的特征映射網絡又是一種典型的無教師型網絡分類靈活，算法簡練的優(yōu)點，又采納了有教師型網絡的分類精細，精準的長處，使2種不同類型的網絡有機的結合起來。對向傳播神經網絡競爭層的各神經元，通過競爭來獲取對輸入模式的響應機會，最后僅有一個成為勝利者，并將于獲勝神經元有關的各鏈接權值向著更有利于競爭的方向調整。相對于BP神經網絡而言，對向傳播神經網絡分類靈活，精細，算法簡練，訓練時間短具有很高的準確度。參考文獻[1]黃麗.BP神經網絡算法改進及應用研究[D][D].重慶:重慶師范大學,2008.[2]鄒志云.面向21世紀的化工過程控制技術[J].石油化工自動化,1999(5):2-5.[3]HopfieldJJ.Neuralnetworksandphysicalsystemswithemergentcollectivecomputationalabilities[J].Proceedingsofthenationalacademyofsciences,1982,79(8):2554-2558.[4]VenkatasubramanianV,RengaswamyR,YinK,etal.Areviewofprocessfaultdetectionanddiagnosis:PartI:Quantitativemodel-basedmethods[J].Computers&chemicalengineering,2003,27(3):293-311.[5]VenkatasubramanianV,RengaswamyR,KavuriSN.Areviewofprocessfaultdetectionanddiagnosis:PartII:Qualitativemodelsandsearchstrategies[J].Computers&ChemicalEngineering,2003,27(3):313-326.[6]VenkatasubramanianV,RengaswamyR,KavuriSN,etal.Areviewofprocessfaultdetectionanddiagnosis:PartIII:Processhistorybasedmethods[J].Computers&chemicalengineering,2003,27(3):327-346.[7]劉春生,胡壽松.一類基于狀態(tài)估計的非線性系統的智能故障診斷[J].控制與決策,2005,20(5):557-561.[8]陳茂銀,周東華.一類非線性系統的故障診斷[J