第5章基于改进量子粒子群的粗糙集属性约简算法在故障诊断中的应用.doc

基于多种群量子粒子群的粗糙集属性约简算法在故障诊断中的应用李三波（丽水职业技术学院机电信息分院，浙江，丽水，323000）摘要: 针对故障诊断过程中的特征选择问题，提出一种基于多种群量子粒子群约简算法。该方法引入多种群分群的改进策略，利用两层结构分别实现双向搜索，保证群体进化快速收敛于最小约简，选出真正代表故障的特征变量。通过对田纳西-伊斯曼(Tennessee-Eastman，TE)公司的故障诊断应用，并与主元分析法等实验对比，结果表明，基于MQPSO的粗糙集属性约简算法应用于故障诊断具有非常现实的意义，能够最大程度上提高故障诊断的正确率。关键词: 特征选择；属性约简；多种群量子粒子群算法；故障诊断中图分类号TP301.6 文献标识码AApplications in fault diagnosis based on Quantum-behaved Particle Swarm rough set attribute reduction with Multi-swarm algorithmSanbo Li(The School of Mechanical Electronic and Information Engineer, Lishui Vocational & Technical College, Lishui, 323000)Abstract：Considering the feature selection problem in fault diagnosis process, the author proposes a method based on Quantum-behaved Particle Swarm attribute reduction with Multi-swarm algorithm. This method introduced a Multi-swarm clustering strategy, using a two-tier structure to realize bidirectional search, to ensure fast convergence to the minimum population reduction, to select feature variables which truly represent the characteristics of fault. Through the application of Tennessee - Eastmans fault diagnostic with other experiment used the principal component analysis, the results show that the rough set attribute reduction algorithm which is based on MQPSO is very practical for it can improve the accuracy of fault diagnosis to the greatest extent.Key words: Feature Selection; Attribute Reduction; Quantum-behaved Particle Swarm Optimization; Fault Diagnosis1 引言随着工业化水平的不断发展，系统日益大型化、复杂化，导致需要监测的测量变量越来越多，加上变量之间的耦合、非线性，数据中噪声的存在，以及对于某一个特定的故障还可能存在很多的无关变量和冗余信息等，这些因素都对系统故障诊断的正确性提出了严峻的考验。故障诊断的特征选择实际要完成的任务就是在故障模式分类之前对输入变量进行删选，删除系统中故障冗余特征或不相关特征，精简数据集，降低数据的维度，选出真正代表故障的特征变量1。在故障诊断中，如何快速准确地从正常工作状态中分离和识别出故障，如何进行合理的特征选择并设计出相应的分类器，是故障诊断中一个关键的问题。本文提出一种多种群量子粒子群优化(MQPSO)算法，该算法引入多种群分群的改进策略，利用两层结构分别实现双向搜索，保证群体进化快速收敛于最小约简，选出真正代表故障的特征变量；用支持向量机作为故障诊断的分类器，并将多种群量子粒子群的粗糙集属性约简算法用于解决故障特征选择。最后将故障分类应用于Tennessee-Eastman（TE）过程，并与主元分析法等实验对比，结果表明，基于MQPSO的粗糙集属性约简算法应用于故障诊断具有非常现实的意义，能够最大程度上提高故障诊断的正确率。2 基于多种群量子粒子群算法的属性约简与故障特征选择2.1 基于故障诊断的特征选择在故障诊断中，如何快速准确地从正常工作状态中分离和识别出故障，是我们十分关注的核心问题。因此，如何进行合理的特征选择并设计出相应的分类器，是故障诊断中一个关键的问题。但是，在现实的过程中，由于系统的复杂化以及噪声等影响因素的存在，常常不容易找到那些最重要的、能表达分类之间差别的特征，这使得特征选择的这一任务的复杂化，并成为构造高效分器，提高系统分类精度的最困难的任务之一2。因此，对原始特征信息进行降维操作具有十分重要的意义。原始特征信息的降维可以通过两种操作来实现：特征选择和特征提取。进行特征选择的主要任务是从数量为D的特征中选择出其中一组数量为()且能够完全反映出系统状态的最优特征组合，这正是特征选择的主要任务。在这两个参数均已知的情况下，所有可能的组合数如式(1)所示。 (1)如果D和d足够大，这将是一个非常惊人的数字，如果再运用各项指标进行相应的运算来评价特征选择方案的好坏，那么这将是一个计算量非常大的计算过程。另外，在对实际问题的研究中，d的取值大多为未知，这更加增加了计算的复杂程度。在故障诊断中，寻找一种快速有效的特征选择方法已逐渐成为国际上研究的热点，这也是数据挖掘过程中所要面对的主要理论课题之一3,4。从特征选择时所用的搜索策略角度来看，可以把特征选择算法分为完全搜索策略、启发式随机搜索策略。(1) 完全搜索策略完全搜索策略以获得最优的特征子集为首要目标，典型的算法有穷尽算法，分支定界算法等。这种算法能保证找到最优子集，但是却面临着这样非常高的算法复杂性(2) 启发式随机搜索策略该策略主要通过各种优化算法在解空间中进行启发式搜索，而其中的每个搜索单元，都以一定的方式表达了各类特征信息的选择与否，并通过一定的性能指标，在迭代中找出满意的组合。然而这一类方法它的搜索时间和精度取决于算法的性能和优化效果。2.2 基于多种群量子粒子群算法的属性约简多种群量子粒子群算法是在量子粒子群算法的基础上对粒子群进行多种群分群，可以扩大粒子的寻优空间，各个子种群的粒子之间不但具有独立性的一面，同时也具有合作性的一面。每个子种群中的粒子都按照各自种群中的规则进行独立的计算；另一方面，子种群之间能够进行信息的交流，每个粒子群中个体的速度更新，不仅应受该子种群中所有粒子个体经过的最好位置的影响，还受所有子种群中的最优位置的影响。在跳出局部最优方面，多种群的搜索策略远远优于单个种群：只要n个种群没有任何两个陷入相同的位置，那么种群陷入局部最优的概率将小于单个种群的1/。但是，多个种群的并行搜索也将耗费比单种群更多的时间5。为了能够更好地跳出局部最优，还可以引入了扩张变异和扰动的思想。当粒子处于当前种群全局最优位置时容易陷入局部最优，进行适当的扩张变异能使其更容易跳出局部最优6；扰动的思想主要原理是当算法每迭代到一定次数时，对不动粒子或者不再更新全局最优的种群进行扰动，促进其对未知的空间进行探索。这些思想具有一定的优越性，能让算法的收敛速度更快，稳定性能更强。图1 多种群分群示意图在多种群粒子群的分群策略上，本文提出了一种多种群量子粒子群算法(Quantum-behaved Particle Swarm Optimization with Multi-swarm and Immunity Algorithm)。在该算法中，主要分为两个层次，如图1所示：下层的1号种群和2号种群，3号种群和4号种群分别为两对搜索空间相同但是飞行方向相反的种群；上层的5号种群追随全局最优，6号种群则是朝着和5号种群相反的方向搜索。这样不但利用了下层4个种群的独立搜索策略来保证寻优过程可以在较大范围进行，又可以利用上层粒子群追逐当前全局最优点来保证算法的收敛性，兼顾了优化过程的精度和效率，在优化结果和收敛特性上均具有优势,有效地避免了收敛过程中早熟引起的陷入局部最优。在多种群方案的具体设计上，既利用下层群的独立搜索保证寻优过程可以在较大范围进行，又可以利用上层粒子群追逐当前全局最优点来保证算法的收敛性,兼顾了优化过程的精度和效率，为了防止错过全局最优，还设置了向群体最优和全局最优收敛的过程中同时还向相反的方向搜索。MQPSO的属性约简算法流程如下：Step1：初始化6个粒子群, 给定m个粒子的初始位置与初始速度；设置最大迭代次数Maxiter，t=1，初始化历史最优、种群最优和全局最优；Step2：通过适应函数，计算每个粒子的适应值fitness，更新历史最优、种群最优和全局最优；Step3：按不同要求分别对不同种群的粒子更新位置；Step4：编码转换；Step5：判断是否要进行粒子变异或者种群变异；Step6：t=t+1，如果，tMaxiter或未达到预定最优值，则转Step2；Step7：输出全局最优粒子，即为所求的最优属性约简。2.3 故障特征信息的二进制编码对于基于特征选择的故障诊断方法来说，一种优秀的特征选择算法能够准确而快速地找到系统中的故障特征，进而使故障诊断的效率和准确率得到有效的提高。随着特征选择策略的深入研究，以及智能优化算法繁荣发展，使得智能算法在特征选择这一领域得到了广泛的应用。由于故障特征选择的对象是一个组合优化问题，所以优化算法中的粒子最好是一组能够表达故障特征变量信息的二进制编码7。图2 粒子编码示意图本文采用MQPSO算法来进行故障特征选择。粒子编码示意图如图2所示。具体的编码思路如下：对于从故障系统中所测得的变量我们并不知道是否为故障相关的特征变量，而我们的目的是要找出一个包含所有相关的故障特征变量的最优子集，因此需要让采集数据的变量数目与二进制粒子的编码长度相等，每个系统变量分别由一个比特位来表示，当该比特位取值为1时，表示其对应的变量被选作为特征变量，若取0则表示对应的特征变量没有被选择。3 故障诊断在TE过程中的应用3.1 田纳西-伊斯曼(Tennessee-Eastman, TE)过程图3 TE工艺流程图TE过程是一个由伊斯曼化学品公司创建的复杂非线性过程，主要作用在于为评价监控方法和过程控制提供一个现实的工业过程8。它是对真实工业过程的一个仿真，其中包含了反应器、分离器、压缩机、冷凝器和汽提塔等五个主要单元，以及AH这8种成分，具体工艺流程如图3所示。气体A、C、D和E以及惰性气体B作为反应原料被送入反应器，在反应堆内进行了各种反应最终生成了液态产物G和H，以及副产品F，具体反应过程如式(2)所示。 (2)3.2 过程变量TE过程一共含有12个控制变量和41个测量变量，其中，测量变量又分为22个过程测量变量和19个成分测量变量。表1列举了每3min采样一次的过程测量变量XMEAS(1)XMEAS(22)，其它变量受篇幅限制未在表中列出。表1 TE过程测量变量变量描述单位变量描述单位XMEAS(1)A进料(流1)km3/hXMEAS(12)产品分离器液位XMEAS(2)D进料(流2)kg/hXMEAS(13)产品分离器压力kPa(表值)XMEAS(3)E进料(流3)kg/hXMEAS(14)产品分离器塔底流量(流10)m3/hXMEAS(4)总进料(流4)km3/hXMEAS(15)气提器等级XMEAS(5)再循环流量(流8)km3/hXMEAS(16)气提器压力kPa(表值)XMEAS(6)反应器进料速度(流6)km3/hXMEAS(17)气提器塔底流量(流11)m3/hXMEAS(7)反应器压力kPa(表值)XMEAS(18)气提器温度XMEAS(8)反应器等级XMEAS(19)气提器流量kg/hXMEAS(9)反应器温度XMEAS(20)压缩机功率kwXMEAS(10)排放速度(流9)km3/hXMEAS(21)反应器冷却水出口温度XMEAS(11)产品分离器温度XMEAS(22)分离器冷却水出水温度3.3 过程故障田纳西-伊斯曼过程可以对正常正常工况和预设的故障进行过程仿真，这些预设的故障中16个是已知的，5个是未知的。本文选择比较典型的故障1、故障4和故障7作为对象进行分析。4 故障特征选择仿真目前TE过程已经成为了一个著名的化工过程仿真平台，与此同时，TE过程的开发者伊斯曼化学公司也把开环条件下的TE过程仿真进行了公开。由于该过程在开环条件下是不稳定的，所以在现实的工业过程中需要相应地施加闭环控制方案，因此，对于不同的工业过程，由于其控制方案的多样化，产生的数据也各不相同。4.1 数据选择与预处理本文所采用的数据是从上下载得到的，这些数据由由Chiang等产生。在这些数据文件中，每个故障分别对应一个由480个观测数构成的训练集和由960个观测数据构成测试集，在测试集中，所有的故障都是在第160次采样之后引入的。在故障特征选择中，主要以TE过程中比较典型的故障1、故障4和故障7作为对象来进行的。其中，故障1是由于图3中流4中的A/C进料比率出现了阶跃变化而导致故障的产生，从测量变量的角度来看，当故障1发生时，虽然大部分变量都出现了一定的波动，但是变量1和变量44产生的巨大阶跃变化显得格外突出，因此，这两个变量很够很好得反应故障1的发生情况；故障4主要是由于反应器冷却水的入口温度发生了阶跃变化而引起的，从变量的角度来看，变量51最能反映这个过程；故障7则是由于流4中C存在的压力损失产生了阶跃变化引起的，对应的变量中变量44相应地产生了一个很大的阶跃变化。除此之外，其余部分很多变量在偏离正常状况之后，在相应的控制作用下基本都逐渐回复到了正常水平。对上述故障进行故障仿真中的相应变量变化如图4所示，其中故障均在8小时后引入，即前160个点为正常状态的数据。图4 TE中预设故障1、4、7的故障特征变量测试数据图在评价粒子的适应性时，本文主要采用粒子所表达的组合特征向量作为SVM分类器的输入变量来进行故障诊断所能够得到的正确率，正确率越高，适应性越好。在训练集和测试集的选择方面，本文从第一次仿真的原始数据中随机选择正常数据和三种故障数据各100组作为训练集，并从第二次仿真的原始数据中随机选择正常数据和三种故障数据各200组作为测试集，并将上述所得的数据首先进行预处理、去量纲化和归一化后进行相应的故障特征提取和故障特征选择操作。4.2 故障诊断实验环境如下：CPU主频为1.73GHz，内存为2GB，操作系统为Windows XP，运行平台为Matlab 7.2。其中MIQPSO参数值为：粒子数m=30，分为6个种群，每个种群5个粒子，最大迭代次数Maxiter=100，适应度函数中=0.8，=0.2。PCA算法中，方差累计和百分比为85%。在对3种故障进行故障诊断过程中，本文用各类方法进行50次仿真得到的平均值对各类算法的诊断结果进行比较，结果如表2至表5所示。其中，“ALL”表示把所有的测量变量作为SVM分类器的输入变量，“PCA”表示应用主元分析后的所得的主元作为SVM分类器的输入变量，而“MQPSO”则表示通过基于MQPSO的粗糙集属性约简进行特征选择后的特征属性作为SVM分类器的输入变量。表2中显示了各种特征提取方法对3种故障得到的误诊率和漏诊率情况，表3为对表2的一个总体概述。从3种故障诊断总体结果来看，故障1的各种诊断方法的效果较好，而故障7的诊断效果较差。从输入变量角度来看，采用所有变量作为分类器输入变量得到的效果最差，如对于故障1，采用所有变量作为分类器输入时，总体故障诊断的正确率为89.9%，引入主元分析后，其总体故障诊断正确率上升到92.7%；对于故障4，引入主元后，其总体故障诊断率从81.7%提高到了85.6%；对于故障7，引入主元后，其总体故障诊断率从68.9%提高到了74.1%。对于这3中故障，通过基于MQPSO的粗糙集属性约简算法特征提取后的变量作为输入变量，其正确诊断率都得到了较大的提高。为了观察上述方法所能得到的最佳诊断效果，表4列出了上述故障诊断过程中得到最高正确诊断率时的相关情况，表5为该情况下SVM分类器的变量输入数。表2 不同方法平均诊断结果比较方法诊断结果故障1故障4故障7ALL误诊率(%)6.310.216.6漏诊率(%)PCA误诊率(%)4.18.313.8漏诊率(%)MQPSO误诊率(%)漏诊率(%)表3 不同方法平均正确诊断率比较故障1故障4故障7ALL89.981.768.9PCA92.785.674.1MQPSO96.690.383.2表4 不同方法最优诊断结果比较方法诊断结果故障1故障4故障7ALL误诊率(%)3.98.412.3漏诊率(%)2.66.011.8PCA误诊率(%)漏诊率(%)MQPSO误诊率(%)漏诊率(%)1.03.26.3表5 达到最优诊断率时SVM变量输入数故障1故障4故障7ALL525252PCA172714MQPSO586实验结果表明，基于MQPSO的粗糙集属性约简算法应用于故障诊断中具有非常现实的意义，能够很大程度上提高故障诊断的正确率。5 结语采用MQPSO的粗糙集属性约简算法应用于故障诊断中的特征提取，来进行故障特征的选择。通过TE过程中的一些相关故障数据的仿真研究，比较了以PCA为代表的故障特征提取方法以及本文提出的基于MQPSO粗糙集属性约简的特征提取算法对故障诊断正确率的影响，并通过实验结果表明了算法的有效性。参考文献1 张勇，陈莉.聚类与PCA融合的特征提取方法研究J.计算机工程与应用.2010.46(11)：148-150.2 吕成岭，彭力，张立位.一种基于快速特征选择的故障诊断方法J.计算机工程与应用.2010，46(14)：235-237.3 Dash M，Liu H. C