文摘
一批反应堆故障诊断出故障的早期检测和最小化热失控的风险。它提供了优越的性能,有助于提高安全性和一致性。它已成为更重要在这个技术时代。摘要支持向量机(SVM)是用于估计热释放()的批处理反应堆正常和故障条件。剩余的签名,这是获得名义和估计错误的区别值,特征的不同性质断裂发生在批处理反应堆。适当的统计和几何特征提取残余签名和总数量的功能是减少使用SVM属性选择滤波器和主成分分析(PCA)方法。人工神经网络(ANN)多层感知器(MLP)等特点,径向基函数(RBF),并使用贝叶斯网络分类的不同类型的故障特性降低。观察从比较研究的结果,提出了故障诊断方法与有限数量的特征提取只有一个估计参数()表明,它是更有效和快速诊断典型的缺点。
1。介绍
批处理和半连续反应堆是广泛应用于精细化工、生化、制药和食品行业的生产少量的具有高附加值的产品。这些过程变得更加自动化和更加灵活,要求他们增加了效率,创造更多复杂的操作和控制。然而,事故的发生频率增加涉及对人类重要的后果,自然,和经济环境1,2]。因此,故障诊断已成为一个主要的研究课题。批处理通常涉及很多变量相互关连。当这些变量偏离远离他们的指定的限制,发生错误。有大量的研究在不同分析方法和人工智能故障诊断和统计方法。故障检测是基于阈值的方法检查在过去。文卡塔萨布拉曼尼亚和陈3]提出故障诊断神经网络的连续搅拌釜反应器和六种故障识别。的神经网络在故障诊断中的应用化学过程集中在以下几方面比如使用分类器,使用动态预测模型,并结合其他诊断方法。后来,模式分类和模式识别(4),卡尔曼滤波器为基础的故障检测(5),使用机器学习方法和故障诊断的滚珠轴承(6]。
在这篇文章中,支持向量机模型是用于生成残余图像。故障分类已经完成从提取的图像特征。支持向量机是一种新型的基于统计学习理论的机器学习方法。超平面的支持向量机利用最大利润率产生良好的泛化性能,通过将不同的类。因此,支持向量机已经广泛应用于许多应用程序,如时间序列预测、故障检测、非线性动态系统的建模,看到下面成了机器故障检测和分类支持向量机(7),覆铜层压板缺陷的SVM分类(8),而支持向量机的故障诊断汽轮机(9]。
在这项研究中,不同的致动器等主要故障类型的错,传感器故障和处理故障。因此,故障残差产生的输出名义模型和这个错误的模型。基于数据的故障诊断方法需要大量的历史数据。这种方法更有效率,第一步是特征提取(10]。从残差信号,最适当的统计和几何特征提取和选择其中15特性。通过特征提取,数据可以转化为故障诊断系统的先验信息。支持向量机属性过滤器是用来排名功能,以减少输入数据维度使分类器的性能越好。和它的性能比基于PCA特征也减少。
本文主要集中在识别断层的分类批量反应堆使用人工智能分类器从残留特性等多层感知器(MLP)、径向基函数(RBF),贝叶斯网络。本文的组织结构如下:部分2描述了机器学习方法用于这项工作;部分3解释了著名的批量反应堆的案例研究;部分4给出了故障识别方法;部分5显示了仿真结果和讨论。最后,从这个工作提出了结论部分6。
2。机器学习方法
在这篇文章中,如支持向量机的机器学习方法,安,如延时和RBF。支持向量机是一种监督式学习的方法,在最大化动机概括的能力从少量的训练样本通过将原始空间映射到高维空间内积称为特征空间通过一个内核。SVM制定遵循结构风险最小化(SRM)原则的泛化误差的上界最小化,而错误的风险最小化(ERM)最小化训练数据的预测误差。这装备SVM具有更大潜力推广的投入产出关系学习培训阶段进行很好的预测新输入数据(11]。
支持向量机的特点是凸优化问题的解决方案。所以它可以应用在解决小样本模式识别问题,非线性、高维。可以很容易地将支持向量机引入学习函数估计等问题。
批处理反应器,反应所释放的热量影响反应器温度的动态。这一项取决于初始浓度,通常可测量的采样率很低,不适合实时控制或估计。所以任何故障发生在批处理反应堆将有对反应堆的热量释放的影响。所以一个模型基于反应堆的热量释放它可以预测故障发生的类型。但是数量不直接可测。所以需要一个估计量来估计。支持向量机是用于构建估计模型。
同样,不同故障的分类,常用的人工神经网络分类器被用于这项工作。有多种神经网络架构,但认为在这项工作中的应用与反向传播学习算法,利用延时RBF和贝叶斯网络(12- - - - - -16]。
3所示。案例研究
提出的故障诊断方案应用于批量反应堆科特和Macchietto [17),阿齐兹et al。18),Mujtaba et al。19],Sujatha和爸爸20.]。一批反应堆的复杂反应计划是许多工业的代表反应如图1。批处理反应堆本身是一个动态的过程。批处理反应堆的反应I和II给出以下方程: 在哪里,是原材料,将所需的产品,是废物的产品。
这个基准测试模型的基础上给出反应方程(1),主管的模拟反应像核反应堆温度,夹克温度和热释放反应堆名义操作条件下以及在各种错误的条件下。
这些模拟下运行闭环控制器与一般模型控制(GMC) [20.,21]。批处理过程的总运行时间120分钟(2小时)。批处理反应堆模型方程给出如下:
上述工艺参数的初始值(, , , , ,)(12.0,12.0,0.0,0.0,20.0,20.0)。反应堆温度作为控制变量和有界20°、100°C和外套之间的温度是操纵变量有界20°、120°C之间。所有的名义参数和常量值中使用的模型方程(2)表1。
4所示。故障诊断的批量反应堆
错误可以被定义为任何nonpermitted偏差的过程从一个可接受的行为。所以故障诊断问题的识别和隔离未预料到的变化过程。诊断一个具有挑战性的问题是由于几个因素,如监视变量的数量,事件过程的复杂性,和各种各样的过程失败。失败可以大致分为三种类型,如执行机构故障,传感器故障和处理故障。从相关文献(故障类型是启发22]呈现在图2。
错误可以定义如下。(我)过程缺点:过程出现低于一定水平的细节通常表示为集总参数流程模型。一个集中参数的例子在这批反应堆是污垢系数。这些参数的变化称为过程或参数错误。(2)传感器故障:所有传感器都随机误差时,传感器故障指总错误等偏见,与噪声测量,冰冻的传感器。
控制器和执行器故障:执行机构故障主要是由于控制阀的滞后非线性特性,粘滞作用,摩擦了,可怜的控制器调优。执行机构动作的故障可以表示为在哪里是执行机构故障向量。突然的恒定偏差已通过向量,执行机构动作如图3。同样的冻结驱动器已被证明是在特定的时间,执行机构动作如图4。批处理反应堆有一个发生的故障与反应堆的热量释放的关系。
4.1。支持向量机估计基于模型的故障检测
基于模型的故障检测方法是基于假设开发的开发模型的复制品真正的植物动力学。通过模拟获得的输入-输出数据批处理反应堆与名义操作条件。介绍了不同的断层在反应堆用MATLAB软件仿真。从模拟的输入和输出数据,支持向量机估计模型是使用LIBSVM开发工具箱。的热释放反应堆(),这不是一个可测量的参数估计通过支持向量机模型。
4.2。训练和测试的估计量
训练支持向量机估计量如图6是一个迭代的过程,给出了支持向量机输入和所需的输出。在这部作品中,支持向量机预测的热释放反应堆。估计量的输入和输出映射图所示5过去和现在的反应堆温度和夹克温度的值和过去值的吗被认为是作为输入数据。估计模型是由选择支持向量机参数等,和径向基函数(RBF)内核构建和训练估计如图6。没有任何的错,估计量的响应如图7。
估计模型是在正常和故障条件下开发的。错误的区别和名义模型称为残余(而言)的重要组成部分,如图的故障诊断方法8。基于剩余模式,通过人工神经网络分类器故障识别。
4.3。不同的缺点
等三种不同类型的故障过程故障,介绍了传感器故障和执行器故障和收集数据估计的放热反应器()。每个故障介绍通过模拟和各自的工厂每次都输入和输出数据收集。表2显示了这个工作分配的断层。
4.3.1。过程的错
(我)传热系数的变化:因为污染效应出现在热交换器中,批次的变化从其标称值。的变化剩余的10%,20%,30%,40%的增减如图9。(2)反应热的变化:反应热的实际价值可能不可用在公开文献和随后的基本模型失配将在无边无际的变化参数。的变化剩余的热量反应降低,增加了名义价值的10%和25%,如图10。(3)改变初始反应物(,):产品需求的变化和意外失败的充电系统或扩大问题在设计阶段将操作条件的变化的原因。的变化剩余的10%、20%、25%和30%的减少和增加初始进料如图11。
(一)
(b)
(c)
(d)
(一)
(b)
(c)
(一)
(b)
(c)
(d)
放热的过程故障,反应堆剩余模式的差异大小的迹象,迟缓的反应,减少的大小,改变曲线的起始位置。
4.3.2。执行器故障
这里的驱动器故障被认为是如下。(我)的偏见在致动器的致动器显示了粘性质如图3。(2)致动器冻结发生在80到100分钟的时间间隔,如图4。
执行机构故障的残差是冻结在不同的时间间隔和偏置数据所示12和13。
(一)
(b)
(c)
(一)
(b)
(c)
(d)
执行机构故障的冻结和偏压签名,突然改变目前确定故障发生和基于持续时间;剩余的大小和模式有所不同。
4.3.3。传感器故障
下面的传感器故障被认为是在这个工作:(我)夹克与白噪声温度和反应堆温度测量;(2)突然在传感器偏差;(3)突然在传感器零。
的变化剩余的传感器故障如图14。
(一)
(b)
(c)
传感器故障模式的签名不同的来源不同的组件和当时的错。
从故障特征,相关的统计和几何特征提取。等15个功能区域,意思是,标准差,倾斜,峰度,部分区域,Feret的直径、集成密度,和原始的集成密度提取纹理图像通过使用软件。下面解释的一些特性。(我)意思是:信号的平均值称为平均值了 (2)标准偏差:这是一个衡量能量的故障签名所示 (3)偏态:它是对称或更准确的测量缺乏对称性的表达 (iv)峰度:这是一个测量的数据是否达到顶峰或平面相对于正态分布的 在哪里样本大小和吗标准偏差。
5。结果与讨论
提取的特征从24模拟故障实例表中列出3。实例方法输入数据中数据点的数量。列出的功能是减少计算复杂度。减少功能以及使用WEKA软件故障进行分类。
5.1。支持向量机属性基于滤波器的特征选择
支持向量机属性过滤器是用来减少排序法的特点。直觉上,支持向量机模型在空间映射的点表示,这样的特点单独的类别是除以一个清晰的差距。然后新特性映射到相同的空间和预测属于一个类别根据他们落在一边的差距。给出了特征作为SVM的输入属性过滤器。属性是由SVM的平方重量分配。一个属性选择多类问题是由排名为每个类单独使用one-versus-all方法属性。基于属性排序表4,分类器的输入特征选择的数量来提高它的性能。
5.2。分类器的性能
在选择故障作为类的一个属性,用人工神经网络分类器进行分类。WEKA软件给混淆矩阵的输出,它显示了一个详细的分类器精度类和评价的基础上成功的数值预测。在多个分类,这个测试数据显示的结果,一个二维混合矩阵的行和列每个类。每个矩阵元素显示了实际的测试例子的数量类预测类的行和列。混淆矩阵显示每个分类器实现的能力缺陷的分类如表所示5。从这个,径向基函数和多层感知器有更好的结果与贝叶斯网络分类器。
不同分类器的训练参数不同特性的数量15特性,9特性,和5特性设置为不同的分类器的输入表中列出6表示真阳性的值(TP),假阳性(FP),精度,还记得,F-measure,民国区域。TP率的值,精度,还记得,F-measure,中华民国领域是“1”RBF和MLP与贝叶斯网络。
分类器性能标准如表所示7三组的培训模式。从这个表、延时和RBF分类正确的所有实例(100%)相比,贝叶斯网络。比较延时和RBF,平均绝对误差,均方根误差,相对的绝对误差,对RBF和根相对平方误差小于延时。所以RBF分类器性能比延时故障分类研究。
从排名SVM分类器的性能,它已经意识到RBF表现良好,即使数量少的特性和减少数据的延时和贝叶斯表演很穷。的结果,它可以观察到,9特性足以让所有分类器的性能良好。支持向量机属性过滤器是用来减少输入数据的数量。
也减少了使用PCA技术的特性。相关性是相似的措施和相关的值是1,然后模式是相似的。如果相关“0”或消极的模式是不同的。相关矩阵的对角值表所示8都是“1”,表示图像的相似性度量计算与自身(自相关)。其他条目表示的互相关计算。
一个方阵的特征向量乘以矩阵非零向量后,剩余的比例(即原来的向量。,改变只有大小,没有方向)。相对应的特征向量的特性显示在表中9。对于每一个特征向量,对应的特征值的特征向量变化的因素当乘以矩阵表示特征值见表10。
表11与9显示了基于支持向量机分类器的性能特点和PCA与完整的数据两个属性RBF分类器或多或少是相同的。但对于延时和贝叶斯网络,基于SVM属性过滤器分类结果显示其比PCA更好的性质。
6。结论
提出了一种分类方法的各种故障批量反应堆用人工神经网络(ANN)分类器等多层感知器(MLP)、径向基函数(RBF)和贝叶斯网络故障签名。它是基于每个断层的关系对放热的影响()的核反应堆,这是不可估量的参数估计方法估计量。故障特征的趋势是不同的从错的错。选择最合适的功能的各种故障特征和属性的数量减少基于SVM属性过滤器采用排序法和主成分分析,以减少分类器的计算困难。可以看出RBF分类精度和MLP比贝叶斯网络在训练分类器的性能。基于RBF的性能标准,执行中长期规划相比,贝叶斯网络在24实例假设在实际情况下减少历史数据是可用的。结果验证的能力提出故障诊断方案是有效和快速的通过使用通用安分类器。它是基于有限数量的特征提取和选择只有一个估计参数()本身。在未来,它可以应用于开发基于知识的系统,它是有用的故障的早期诊断,减少热失控的风险批反应堆的安全目的以及降低操作成本。
利益冲突
作者宣称没有利益冲突有关的出版。