【技术实现步骤摘要】
本专利技术属于化工过程故障诊断领域，具体涉及一种基于1d-cnn-ialo-svm的化工过程故障诊断方法。
技术介绍
1、化工过程故障的故障诊断是确保生产安全和提高生产效率的关键任务。在化工过程故障研究领域，传统的故障诊断方法通常基于经验规则或基于物理模型，但是这些方法在复杂的工业环境中往往面临着模型建立难度大、泛化能力差等挑战。
2、随着深度学习技术的快速发展，特别是卷积神经网络(cnn)在图像处理领域取得的巨大成功，将其应用于时间序列数据的处理也成为了可能。在化工过程中，这种技术可以应对复杂的时间序列数据，更好地捕捉过程中的关键特征，从而提高故障诊断的精度和鲁棒性。
3、因此，当前研究趋势主要集中在如何利用深度学习技术提高化工过程故障诊断的准确性和效率。通过融合小波变换、cnn、lstm和支持向量机等先进技术，研究人员试图解决传统方法在处理非线性和多变化化工过程数据时的局限性，为化工产业提供更可靠的故障诊断手段。这一方向的研究将有望推动化工生产领域的智能化和自动化发展，提高工业过程的安全性和效益。
技术实现思路
1、专利技术目的：本专利技术提出了一种基于1d-cnn-ialo-svm的化工过程故障诊断方法，在处理化工过程故障数据方面表现出更强的鲁棒性和适应性，为化工产业提供了可靠的故障诊断解决方案。
2、技术方案：本专利技术公开一种基于1d-cnn-ialo-svm的化工过程故障诊断方法，包括以下步骤：
3、步骤1：获取化工过程的
4、步骤2：构建1d-cnn作为特征提取模块，将训练集输入到模块中进行训练，并通过全连接层接收数据特征进行输出，完成特征提取；
5、步骤3：训练svm模型，先将提取好的数据特征输入到svm中，再通过改进蚁狮算法(ialo)对svm参数(惩罚因子c和核参数g)进行优化；
6、步骤4：将测试集输入至优化好的svm模型，完成对化工过程的故障诊断。
7、进一步的，所述步骤1中，对故障数据进行预处理是指对于故障数据存在的异常值，采用3σ法进行剔除并通过均值法进行填补；对于故障数据存在随机误差，采用均值滤波进行平滑处理；为统一量纲，对样本数据进行标准化处理，具体的表达式为：
8、
9、式中：x为待标准化的实际值；xmax和xmin分别为该类数据中的最大值
10、与最小值；为x对应的标准化后的值。最后，从数据集中随机选取1000组数据作为训练集，600组数据作为测试集。
11、进一步的，所述步骤2中1d-cnn特征提取模块包括卷积层、池化层、全连接层、dropout层和softmax层。其中，卷积层的数学模型为：
12、
13、其中，为第l层输出的第j个特征向量；和分别为第l层卷积核权值和偏置；m为第l-1层输出特征向量的个数；f为激活函数，采用relu函数。
14、全连接层对卷积池化层提取的特征进行信息整合，便于输出层进行分类操作。全连接层采用全连接结构将前一层的神经元连接到下一层的神经元。全连接层一般采用relu激活函数来提升性能，全连接层的输出可以表示为：
15、
16、式中，表示第l-1层第i个神经元到第l层的第j个神经元的权重；为第l层第j个神经元的偏置；为第l层第j个神经元的输入；m代表第l-1的神经元数量；n表示第l层神经元数量。
17、进一步的，所述步骤3中svm的数学模型为：
18、
19、s.t.(wtxi+b)≥1-ξi,ξ≥0
20、i＝1,2.3...n
21、
22、k(x,xi)＝exp(-g||x-xi||2)
23、其中，w为权重向量；b为偏置；ξi为松弛变量，c为惩罚因子；k(x,xi)为核函数，采用rbf核函数；g为核参数，一般为大于0的正数。
24、进一步的，所述步骤3中，改进蚁狮算法(ialo)优化svm核参数c和g的具体过程包括：参数和种群初始化、计算适应度值确定精英蚁狮、轮盘赌选择一只蚁狮、随机游走更新位置以及根据改进型位置公式更新蚂蚁位置。
25、参数初始化包括迭代次数、种群数量、维数，上下边界采用tent混沌映射在解空间进行蚂蚁和蚁狮种群的初始化；维数为svm待优化参数的c和g之和，边界为c和g的取值范围；其中tent混沌映射表达式为：
26、
27、式中，zn和zn+1分别表示迭代序列的第n个值和第n+1个值。
28、确定适应度值最高的为精英蚁狮，根据轮盘赌选取随机选取一只蚁狮，蚂蚁围绕轮盘赌蚁狮和精英蚁狮随机游走实现位置的更新；
29、
30、式中，表示第t次迭代蚂蚁的位置；表示第t次迭代蚁狮的位置；f是目标函数。
31、受精英蚁狮和轮盘赌蚁狮的影响，蚂蚁随机游走的位置更新公式如下：
32、
33、其中，为第t次迭代时，蚂蚁围绕轮盘赌选择的蚁狮产生的随机游走；为第t次迭代时，蚂蚁围绕精英蚁狮产生的随机游走。
34、借鉴pso算法中粒子位置移动的思想，对蚂蚁位置公式进行改进并采用改进型位置公式更新蚂蚁位置，计算更新后蚂蚁的适应度值，并保存最优的个体为精英蚁狮；在原有公式中引入精英蚁狮的位置，来加强蚂蚁与蚁狮种群中优秀个体间的信息交流：
35、
36、其中，为第t代第n只蚂蚁的位置；和为第t代蚂蚁围绕轮盘赌蚁狮和精英蚁狮随机游走；r1、r2为控制参数；elite为精英蚁狮的位置。
37、有益效果：
38、本专利技术1d-cnn中的交替卷积层和池化层可以自动提取隐藏在原始数据中的非线性特征，自适应特征学习在全连接层完成。通过这种方式，1d-cnn算法消除了传统算法中的手动特征提取过程，可以提高模型对故障模式的识别能力，从而提高故障诊断的准确性。
39、本专利技术通过引入改进的蚁狮算法优化支持向量机(svm)的惩罚因子c和核参数g，改进的蚁狮算法在对蚂蚁位置更新时，借鉴pso算法中粒子位置移动的思想，并且原本粒子群算法中的更新公式是带有惯性权重w，但是本专利技术舍弃掉惯性权重，具体表现为无惯性的运动形式，从而帮助算法避免陷入局部最优的情况，可以有效地在参数空间搜索最优解，从而提高svm模型在故障诊断任务上的泛化能力和准确性。
40、本专利技术将深度学习(1d-cnn)和传统的机器学习方法(svm)结合起来，充分发挥两者的优势。1d-cnn用于特征提取和表征学习，svm用于最后的决策分类，通过这种方式，可以克服单一方法的局限性，提高故障诊断的全面性和准确性。综上所述，本方法通过1d-cnn特征提取、改进蚁狮算法(ialo)优化svm参数以及深度学习和机器学习方法的整合，能够显著提高化工过程故障诊断的准确性和可靠性，为实际工业应用带来了重要的创新本文档来自技高网...
【技术保护点】
1.一种基于1D-CNN-IALO-SVM的化工过程故障诊断方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于1D-CNN-IALO-SVM的化工过程故障诊断方法，其特征在于，所述步骤1具体步骤为：
3.根据权利要求1所述的一种基于1D-CNN-IALO-SVM的化工过程故障诊断方法，其特征在于，所述步骤2中1D-CNN特征提取模块包括卷积层、池化层、全连接层、Dropout层和Softmax层，其中，卷积层的数学模型为：
4.根据权利要求1所述的一种基于1D-CNN-IALO-SVM的化工过程故障诊断方法，其特征在于，所述步骤3中SVM的数学模型为：
5.根据权利要求4所述的一种基于1D-CNN-IALO-SVM的化工过程故障诊断方法，其特征在于，所述步骤3中改进蚁狮算法IALO优化SVM核参数C和g的具体过程为：
6.根据权利要求5所述的一种基于1D-CNN-IALO-SVM的化工过程故障诊断方法，其特征在于，所述步骤4.1中Tent混沌映射表达式为：
【技术特征摘要】
1.一种基于1d-cnn-ialo-svm的化工过程故障诊断方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于1d-cnn-ialo-svm的化工过程故障诊断方法，其特征在于，所述步骤1具体步骤为：
3.根据权利要求1所述的一种基于1d-cnn-ialo-svm的化工过程故障诊断方法，其特征在于，所述步骤2中1d-cnn特征提取模块包括卷积层、池化层、全连接层、dropout层和softmax层，其中，卷积层的数学模型为：
【专利技术属性】
技术研发人员：戴悦，胡宇，张文治，范媛媛，桑英军，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。