基于KPCA-PSO-PNN模型的中低压燃气调压器故障诊断方法技术

本发明专利技术涉及一种基于KPCA

【技术实现步骤摘要】
基于KPCA
‑
PSO
‑
PNN模型的中低压燃气调压器故障诊断方法


[0001]本专利技术涉及调压器故障诊断
，尤其是涉及基于KPCA
‑
PSO
‑
PNN模型的中低压燃气调压器故障诊断方法。

技术介绍

[0002]燃气调压器作为燃气运行管网的关键设备，随着天然气需求量的快速增长，在对燃气调压器的运维过程中会出现越来越多的问题。主要问题在于燃气调压器诊断方式的落后。燃气调压器大多采取人工定期维护的方法，维护成本较高，会耗费大量的人力物力且时效性较差。近年来，随着机器学习等新兴技术的快速发展与应用，人工智能技术已经得到了各行各业的认可和关注。具有高精度、多样性、学习能力强等特点的深度学习技术迅速代替传统诊断技术，成为热门研究领域。
[0003]目前，国内外学者对燃气调压器故障诊断提出了许多方法。其中，主要有统计学方法和深度学习方法。统计学方法包括贝叶斯网络、ARIMA模型和Apriori算法等。深度学习方法包括BP神经网络、RBF神经网络和PNN神经网络等。但目前燃气调压器故障诊断方法在实际应用中精确度较低且泛化性较差。

技术实现思路

[0004]本专利技术的目的就是为了克服上述现有技术存在精确度较低且泛化性较差的缺陷而提供一种基于KPCA
‑
PSO
‑
PNN模型的中低压燃气调压器故障诊断方法。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]一种基于KPCA
‑
PSO
‑
PNN模型的中低压燃气调压器故障诊断方法，包括采集中低压燃气调压器出口压力数据，并输入预先构建并训练好的KPCA
‑
PSO
‑
PNN模型中，获取中低压燃气调压器故障诊断结果；
[0007]所述KPCA
‑
PSO
‑
PNN模型的构建和训练过程包括：
[0008]获取训练数据，该训练数据为中低压燃气调压器出口压力数据；
[0009]对所述训练数据进行标准化处理，划分为训练集和测试集；
[0010]构建初始KPCA模型，将所述训练集载入该初始KPCA模型中进行特征提取，并利用PSO算法对初始KPCA模型中的核参数进行优化，得到优化后的KPCA模型；
[0011]构建初始PNN模型，将由优化后的KPCA模型获得的特征数据载入该初始PNN模型中进行故障类型预测，并利用PSO算法对初始PNN模型中的平滑因子进行寻优，得到优化后的PNN模型；
[0012]基于优化后的KPCA模型和优化后的PNN模型，构造KPCA
‑
PSO
‑
PNN模型；
[0013]将测试集输入所述KPCA
‑
PSO
‑
PNN模型中进行故障诊断，验证KPCA
‑
PSO
‑
PNN模型的准确率，从而判断是否完成训练。
[0014]进一步地，所述优化后的KPCA模型的获取过程具体为：
[0015]S101：构建初始KPCA模型，初始化KPCA模型中的核参数；初始化PSO算法中的粒子
群参数；
[0016]S102：将所述训练集载入初始KPCA模型中进行特征提取，计算PSO算法的种群中每个粒子的适应度值，该适应度通过训练集经过KPCA模型训练得到的预测值和实际训练数据值之差获得，比较每个粒子的适应度值，从种群中选取个体粒子最优解和全局历史最优解，将每个粒子的解都作为核参数带入KPCA模型进行训练；
[0017]S103：更新PSO算法中的位置和速度；
[0018]S104：对于各个粒子，比较当前粒子的适应度值与其历史最优解，若当前粒子适应度值更小，则将当前粒子的位置作为最优解；反之，则不变；再将当前粒子的适应度值与全局历史最优解做比较，若当前粒子的适应度值更小，则将当前粒子的位置作为全局最优解，反之，则不变；
[0019]S105：判断是否满足预设的KPCA模型迭代终止条件，若满足，则输出全局最优解，否则返回值步骤S102；
[0020]S106：将步骤S105输出的全局最优解对应的核参数值代入KPCA模型中，得到优化后的KPCA模型。
[0021]进一步地，所述优化后的PNN模型的获取过程具体为：
[0022]S201：构建初始PNN模型，初始化PNN模型的平滑因子，根据所述特征数据的数量和种类确定PNN模型的输入层、隐藏层、求和层和输出层的神经单元个数；初始化PSO算法的粒子群参数；
[0023]S202：将由优化后的KPCA模型获得的特征数据载入该初始PNN模型中进行故障类型预测，计算PSO算法的种群中每一个粒子的适应度值，该适应度值通过特征数据经过PNN模型训练的得到的预测值和实际训练数据值之差获得；比较每一个粒子的适应度值，从种群中选取个体粒子历史最优解和全局历史最优解，将每个粒子的解都作为平滑因子参数带入PNN模型中进行训练；
[0024]S203：更新PSO算法中的位置和速度
[0025]S204：比较当前粒子的适应度值与其历史最优解，若当前粒子适应度值更小，则将当前粒子的位置作为最优解；反之，则不变；再将当前粒子的适应度值与全局历史最优解做比较，若当前粒子的适应度值更小，则将当前粒子的位置作为全局最优解，反之，则不变；
[0026]S205：若当前的迭代次数达到设定的最大迭代次数或计算出的适应度值满足设定的最小误差，则停止迭代，此时可输出的全局最优解；若都不满足，则转到步骤S202；
[0027]S206：将步骤S205输出的全局最优解对应的平滑因子参数值代入PNN模型中，得到优化后的PNN模型。
[0028]进一步地，所述初始化PSO算法的粒子群参数具体为：对种群的数量、粒子的速度、惯性因子参数、粒子学习因子以及最大迭代次数进行设定。
[0029]进一步地，所述KPCA
‑
PSO
‑
PNN模型的构建过程具体为：
[0030]选取优化后的KPCA模型的核参数，对输入至KPCA模型的数据进行计算，得到新的特征值和特征向量，选取累计贡献率不低于预设的贡献阈值的前n个特征值和对应的特征矩阵，从而进行主成分计算，输出降维后的燃气调压器出口压力数据；
[0031]将降维后的燃气调压器出口压力数据输入优化后的PNN模型中，获取故障分类结果。
[0032]进一步地，所述贡献阈值在70％
‑
90％范围以内。
[0033]进一步地，所述标准化处理包括对缺失数据进行填补、采用离差标准化方法进行数据处理。
[0034]进一步地，对缺失数据进行填补的过程包括：对训练数据中的缺失数据，将该缺失数据的值用同一天前后两个点出口压力值的平均值进行填补。
[0035]进一步地，采用离差标准化方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于KPCA
‑
PSO
‑
PNN模型的中低压燃气调压器故障诊断方法，其特征在于，包括采集中低压燃气调压器出口压力数据，并输入预先构建并训练好的KPCA
‑
PSO
‑
PNN模型中，获取中低压燃气调压器故障诊断结果；所述KPCA
‑
PSO
‑
PNN模型的构建和训练过程包括：获取训练数据，该训练数据为中低压燃气调压器出口压力数据；对所述训练数据进行标准化处理，划分为训练集和测试集；构建初始KPCA模型，将所述训练集载入该初始KPCA模型中进行特征提取，并利用PSO算法对初始KPCA模型中的核参数进行优化，得到优化后的KPCA模型；构建初始PNN模型，将由优化后的KPCA模型获得的特征数据载入该初始PNN模型中进行故障类型预测，并利用PSO算法对初始PNN模型中的平滑因子进行寻优，得到优化后的PNN模型；基于优化后的KPCA模型和优化后的PNN模型，构造KPCA
‑
PSO
‑
PNN模型；将测试集输入所述KPCA
‑
PSO
‑
PNN模型中进行故障诊断，验证KPCA
‑
PSO
‑
PNN模型的准确率，从而判断是否完成训练。2.根据权利要求1所述的一种基于KPCA
‑
PSO
‑
PNN模型的中低压燃气调压器故障诊断方法，其特征在于，所述优化后的KPCA模型的获取过程具体为：S101：构建初始KPCA模型，初始化KPCA模型中的核参数；初始化PSO算法中的粒子群参数；S102：将所述训练集载入初始KPCA模型中进行特征提取，计算PSO算法的种群中每个粒子的适应度值，该适应度通过训练集经过KPCA模型训练得到的预测值和实际训练数据值之差获得，比较每个粒子的适应度值，从种群中选取个体粒子最优解和全局历史最优解，将每个粒子的解都作为核参数带入KPCA模型进行训练；S103：更新PSO算法中的位置和速度；S104：对于各个粒子，比较当前粒子的适应度值与其历史最优解，若当前粒子适应度值更小，则将当前粒子的位置作为最优解；反之，则不变；再将当前粒子的适应度值与全局历史最优解做比较，若当前粒子的适应度值更小，则将当前粒子的位置作为全局最优解，反之，则不变；S105：判断是否满足预设的KPCA模型迭代终止条件，若满足，则输出全局最优解，否则返回值步骤S102；S106：将步骤S105输出的全局最优解对应的核参数值代入KPCA模型中，得到优化后的KPCA模型。3.根据权利要求1所述的一种基于KPCA
‑
PSO
‑
PNN模型的中低压燃气调压器故障诊断方法，其特征在于，所述优化后的PNN模型的获取过程具体为：S201：构建初始PNN模型，初始化PNN模型的平滑因子，根据所述特征数据的数量和种类确定PNN模型的输入层、隐藏层、求和层和输出层的神经单元个数；初始化PSO算法的粒子群参数；S202：将由优化后的KPCA模型获得的特征数据载入该初始PNN模型中进行故障类型预测，计算PSO算法的种群中每一个粒子的适应度值，该适应度值通过特征数据经过PNN模型训练的得到的预测值和实际训练数据值之差获得；比较每一个粒子的适应度值，从种群中
选取个体粒子历史最优解和全局历史最优解，将每个粒子的解都作为平滑因子参数带入PNN模型中进行训练；S203：更新PSO算法中的位置和速...

【专利技术属性】
技术研发人员：张艳，王海超，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：