一种基于改进选择性进化随机网络的海水淡化系统故障诊断方法与流程

技术特征：
1.一种基于改进选择性进化随机网络的海水淡化系统故障诊断方法，其特征在于，包括以下操作步骤：步骤1：选取特征差异大的若干典型分类数据集并预处理，生成构建原始网络pnn的数据集；步骤2：生成一个中间层节点数为l的初始随机单隐层前馈神经网络，其输入层节点数由pnn构建数据集中特征数最大的数据集决定，输入层与中间层之间的权值为w＝[w1,...,w
l
]
t
，中间层节点的偏置为b＝[b1,...,b
l
]
t
；步骤3：对该初始随机单隐层前馈神经网络输入层与中间层之间的权值w和中间层节点的偏置b编码，基于生成的pnn构建数据集，利用ahlopid算法寻优，以获得pnn；步骤4：基于优化出的pnn，结合海水淡化系统故障诊断问题，利用ahlopid算法协同进行实际工作网络优化及数据的特征选择，将得到的最优分类器用于海水淡化系统的故障诊断。2.根据权利要求1所述的基于改进选择性进化随机网络的海水淡化系统故障诊断方法，其特征在于，在所述步骤1中，生成构建原始网络pnn的数据集的步骤为：步骤1
‑
1：选定d个典型分类数据集，将所述数据集按特征个数由小到大排列，最大特征数为f
d
；步骤1
‑
2：对数据集做归一化处理，并划分训练集、验证集和测试集。3.根据权利要求2所述的基于改进选择性进化随机网络的海水淡化系统故障诊断方法，其特征在于，在所述步骤2中，生成的初始随机单隐层前馈神经网络基于极限学习机的架构，其输入层节点数由在所述步骤1
‑
1中得到的最大特征数的数据集决定。4.根据权利要求1所述的基于改进选择性进化随机网络的海水淡化系统故障诊断方法，其特征在于，在所述步骤3中，ahlopid算法的为：(1.1)设置ahlopid算法基本参数，包括控制器参数、种群规模popsize、最大迭代次数gmax；(1.2)随机初始化种群x，计算种群中每个个体的适应度值，初始化个体知识库ikd和社会知识库skd；(1.3)根据下式(1)执行学习算子更新种群产生新的候选解：其中，rand是0到1之间的随机数，pr表示随机学习的概率，(pi
‑
pr)和(1
‑
pi)分别是个体学习和社会学习的概率；rand(0,1)表示随机生成0或1，ik
ipj
为ikd中对应的第i个体的第j维解，sk
qj
是skd中对应个体的第j维解；处理单目标优化问题时，p和q均设置为1；(1.4)计算新候选解的适应度值；(1.5)更新ikd并判断个体ikd是否执行重新学习操作，若是则清空对应个体的ikd，随机产生新的初始化ikd；(1.6)更新skd；(1.7)每间隔采样周期s根据式(2)和式(3)分别计算反映种群多样性的实际ad值和设定的参考输入值adr，根据式(4)计算参考输入值和实际值之间的偏差error；
其中，m表示解的长度，n是种群规模，第k个个体的个体最优解代表全局最优解，其中i表示种群中第i个个体，j表示解的第j维；其中，t是当前迭代次数，admax、admin分别表示参考输入(adr)的最大值、最小值。p1和p2是两个转折点，将搜索过程分为三个阶段，p1、p2分别等于tp
ad1
×
gmax和tp
ad2
×
gmax，tp
ad1
和tp
ad2
表示两个转折率，gmax是最大迭代次数；error＝adr
‑
ad
ꢀꢀꢀꢀꢀꢀꢀꢀ
(4)(1.8)根据式(5)更新pr值；其中，pr(k)指算法在当前代的pr值，pr(k
‑
1)指上一采样时刻的pr值；error(k)是当前代参考输入adr与实际ad值之间的偏差，error(k
‑
1)和error(k
‑
2)分别是上一次和上两次采样得到的参考输入adr与实际ad值之间的偏差，k
p
、k
i
、k
d
分别代表比例、积分、微分系数，两次采样间隔s代；(1.9)输出最优结果，否则跳转至(1.3)继续执行。5.根据权利要求4所述的基于改进选择性进化随机网络的海水淡化系统故障诊断方法，其特征在于，在所述步骤3中，获得pnn的步骤为：步骤3
‑
1：根据所述随机前馈神经网络输入层节点数n和中间层节点数l，确定权值w和偏差b的待优化变量个数(n 1)
×
l，每个变量的取值范围是[
‑
1,1]，采用12bit编码；步骤3
‑
2：设定ahlopid算法的种群规模popsize、最大迭代次数gmax等参数；步骤3
‑
3：随机初始化种群x，根据每个个体表示的变量得到对应的网络；步骤3
‑
4：根据构建的网络和式(6)计算对应个体的适应度值：其中，d是待测数据集的个数，hacc
i
表示当前数据集在优化网络中的验证集分类准确率，acc
i
表示当前数据集在初始随机网络中的验证集分类准确率。为了保证pnn在处理不同实际分类问题时具有良好的普适性，目标函数还设置了约束条件，如式(7)：s.t.h
i
‑
b
i
≥0,i＝1,2,...,d
ꢀꢀꢀꢀꢀꢀꢀ
(7)所得pnn网络在三个数据集分类准确率(h
i
)不能劣于初始基于极限学习机架构的随机网络分类准确率(b
i
)；步骤3
‑
5：根据适应度值初始化个体知识库ikd和社会知识库skd；
步骤3
‑
6：执行ahlopid算法的三种学习算子，并更新种群产生新的候选解x
new
：步骤3
‑
7：计算新候选解的适应度值，并更新ikd、skd；步骤3
‑
8：若算法满足终止迭代条件，则输出skd并构建pnn。6.根据权利要求4所述的基于改进选择性进化随机网络的海水淡化系统故障诊断方法，其特征在于，在所述步骤4中，进行海水淡化系统故障诊断的步骤为：步骤4
‑
1：采用归一化方法，对海水淡化系统故障诊断数据进行预处理，所有数据划分为训练集、验证集和测试集；步骤4
‑
2：基于优化出的pnn，结合故障诊断数据确定故障诊断分类器的初始结构；输入层节点数f、中间层节点数l、输入层与中间层之间的权重和中间层节点偏置；步骤4
‑
3：设定ahlopid算法的控制参数，包括种群规模popsize、最大迭代次数gmax；步骤4
‑
4：随机初始化种群x，海水淡化系统故障诊断数据样本中的总特征个数与pnn的中间层节点数之和为(f l)，与ahlopid算法每个个体的长度对应；对前f维来说，bit位等于1表示对应特征被选中，bit位等于0表示对应特征未被选中；对后l维来说，bit位等于1表明对应中间层节点被激活，bit位为0表示该节点未被激活；根据初始个体确定被选中的特征和实际分类器网络结构；步骤4
‑
5：基于构建的网络和选中的特征进行故障诊断，以验证集分类准确率为适应度指标，计算得到相应个体的适应度值，初始化ikd和skd；步骤4
‑
6：执行ahlopid算法的学习算子，产生新一代解x
new
；步骤4
‑
7：由x
new
每个个体得到优化后的选中的特征和中间层的工作节点，从而得到新特征以及网络结构，进行故障诊断，计算对应个体的适应度值并更新ikd、skd；步骤4
‑
8：判断ahlopid算法是否满足迭代终止条件，若满足条件则停止搜索，根据最优解输出被选中特征及其对应的最优分类器；否则跳转所述步骤4
‑
6继续搜索；步骤4
‑
9：基于最优特征子集和最优分类器采用海水淡化系统故障诊断测试集数据进行性能测试评价，输出测试集的故障诊断结果。

技术总结
本发明公开了一种基于改进选择性进化随机网络的海水淡化系统故障诊断方法，涉及故障诊断技术领域，包括以下步骤：选取特征差异较大的若干分类数据集作为原始网络(PNN)构建数据集；生成一个初始随机单隐层前馈神经网络；基于PNN构建数据集，采用基于智能PID控制的自适应人类学习优化算法(AHLOPID)优化该网络以获得PNN；将PNN用于具体故障诊断，基于海水淡化系统故障数据利用AHLOPID协同进行实际工作网络优化及特征选择；最终将得到的最优分类器用于实际故障诊断。本发明通过构建PNN提高了故障诊断泛化性能，将AHLOPID用于网络的设计以克服随机前馈神经网络在实际应用中由于随机化带来的不稳定性，从而提高了海水淡化系统故障诊断准确率，保证了系统的稳定运行。保证了系统的稳定运行。保证了系统的稳定运行。


技术研发人员：王灵 胡雪莲 贾以豪 黄博文
受保护的技术使用者：上海大学
技术研发日：2021.06.24
技术公布日：2021/11/23