免疫文化运算在化工工业故障诊断的应用

第1章绪论

1-1 引言
工程技术与科学研究中的许多问题的本质实际上是优化问题，是一个寻找最优解的问题，研宄出能准确、快速找到最优解的方法具有重要的实际意义。
然而伴随着科学技术进步带来的现代化生产发展，实际生产过程中出现的问题往往更加的复杂，模型建立也越来越困难，同时越来越多的非线性、多极值的优化问题产生，用传统方法求解这些问题难度极高而且难以获得最优解，于是科研人员将目光投向智能进化算法，寻找用其解决复杂优化问题的方法。
进化算法来源于自然界，是依据生物体的进化过程和机制演化与提炼出来的人工智能技术。生物进化是一个从低级到高级、从简单到复杂的过程⑴，由于环境的不断变化导致每一代都需要通过优胜劣汰以及遗传变异，从而才能适应并生存下去，只有这样，进化才有意义。而进化算法就是根据这种思想产生的，它根据问题的条件选定初始解，在迭代中通过类似于自然选择的方式来修正初始解，最终获得最优解。迄今为止，科研人员己经获得了许多根据生物进化的机制而产生的方法，并用在了复杂优化问题上，诸如遗传算法进化规划、进化策略遗传编程等。然而传统的进化算法并不完美，总是有一些缺陷，对于种群的个体经验只能提供有限的知识表示和保存的机制，甚至有时候这种机制是完全隐性存在，如果有一种显性的机制可以保存种群的进化时产生的知识以及经验，那么对于优化复杂问题的解决有着很好的帮助。
文化算法正是基于人类文化进化的思想，它具备一种显性机制，可以用来提取、存储和融合微观群体在进化过程中出现的问题的知识和经验，并将这些知识和经验用于指导种群的进化的一种新型进化算法。
众所周知，任何智能算法的产生其根本原因是因为实际生产过程的需要，其最终目的是要解决实际工程问题，因此，它被应用到工业生产的许多领域。在化学工业过程中，大型石油化工设备的故障诊断一直是关键问题，智能算法的一大实际应用就是在故障诊断上。
故障诊断方法的作用就是对生产过程中已出现的故障迅速诊断，确定故障类型，迅速发出警报，第一时间作出反应，并为决策提供依据，从而保证生产过程快速的恢复正常安全的运行。而对于生产过程的控制来说，依靠某种手段，诸如计算机系统的监测，找出故障、判断类型、发现源头，这是控制所要达到的目标。经过几十年的发展，研究人员不断的提出新的故障诊断方法，故障诊断技术亦取得了长足的进步，它从早先的对简单机械或设备进行故障诊断开始，逐步发展为今天的对工业过程中巨型生产装置的故障诊断。.................
....................

第2章免疫文化算法

因为没有依赖具体问题的需要，而且对求解问题需要的知识量也没有很高的要求，因此各种优化问题都开始大量使用进化算法。同时在实际的生产过程中，许多领域也运用到了进化算法，并且取得良好的实用价值。
目前应用较多的四大进化算法：遗传算法、进化规划、进化策略、遗传编码，它们的共有的局限处在于知识的表示与保存规则，这种规则只能供给有限的或者隐性的种群个体经验，而对于隐藏信息则无法获得。而研宄人员对其研究也仅集中在生物自然选择或者是对某一自然现象的模仿层面上。因此如何寻找到一种显性机制来提取进化过程中的隐含信息，同时加以利用，成为了目前的研宄热点。

2.1文化算法的基本理论

2.1.1文化算法思想的产生
上一章已经说过，文化实际上是信息的载体，其存在目的是为人类社会每一代的发展提供信息，并指导他们适应环境，没有文化的存在，人类社会的进化与自然界其他进化无异，文化就是人类社会进化发展优越性的体现。如果将这些思想运用到智能进化计算中，必定可以减少进化耗时，提高进化效率。受到这种思想的启发，1994年，Reynolds于底特律提出了文化算法（Cultural Algorithms)。他通过这种算法阐述了这样的思想，建立一个知识库，用来储存信息，当种群进化的时候，从知识库中提取信息，用于指导迭代进化，同时将进化过程中产生的新的知识储存到知识库，从而实现知识库的更新。通过这样的方法就可以提高种群进化的性能。

2.1.2文化算法的基本框架
Reynolds于1994年提出了文化算法(Cultural Algorithm, CA)的概念。文化算法是一种基于种群的多进化过程的计算模型,能够对进化算法的搜索机制与知识储存的方法进行结合。这是一种双层同时进化的体系，其主要组成部分包括：种群空间、信念空间、通讯函数。
种群空间（Population Space)内的工作内容本质上就是对进化算法的使用，当然这种算法是基于种群实现的。它一般有两方面的任务：（1)评价个体，并且将选择、交叉、变异等进化操作作用于整个种群中；（2)将优良个体送入信念空间，作为更新的知识。
信念空间（Belief Space)利用接受函数，从己经评价的各代种群中选取所需的样本，然后再通过信念空间中的知识更新规则获取样本所包含的隐藏信息，通过提炼，最后形成知识。反过来再通过影响函数对种群空间内的进化进行指导，从而提高进化速度与适应度。............
......................

第3章基于免疫文化算法的故障诊断方法研究.......................26
3.1 支持向量机概述......................................................................26
3.2 TE过程概述...............................................................................28
3.3基于免疫文化算法的支持向量机参数优化及故障诊断..............31
3.3.1 参数优化方法.........................................................................31
3.3.2免疫文化算法在TE过程故障诊断中的应用.......................32
3.4基于免疫文化算法的故障特征选择方法..........................38
3.4.1 特征选择方法概述.........................................................38
3.4.2基于免疫文化算法的特征选择方法研究....................39
3.4.3 仿真实验与结果分析.....................................................40
3.5 本章小结 .............................................................................45
第4章免疫文化算法在乙烯裂解炉故障诊断中的应用...............46
4.1弓丨言...................................................................................46
4.2 乙烯裂解炉生产工艺..........................................46
4.3 乙烯裂解炉故障诊断...................................48
4.3.1进行乙烯裂解炉故障诊断的原因............48
4.3.2数据采集与预处理.................................48
4.3.3 故障特征选择......................................50
4.3.4故障诊断及结果分析..................51
4.4 本章小结.....................................54

总结
本文主要研宄的是化工工业的故障诊断方法，由于随着化工工业系统发展的越来越大型、复杂、智能、，系统一旦出现故障必将给企业、社会、人员带来巨大损失，因此无论是从科学的角度还是从现实的意义上说，对化工工业故障诊断的研宄都是十分必要且很有价值的。而另一方面，新型的智能优化算法的提出以及诸如神经网络、朴素贝叶斯、支持向量机等一系列模型方法的提出给化工工业故障诊断方法的更新与改进提供了可能。新一代的故障诊断方法不断的被研宄出来，种类繁多，层出不穷。
在这样一个大环境下，本文重点研宄了新型智能优化算法一一克隆选择算法与文化算法，根据文化算法种群空间可以纳入任何智能进化算法的特点，创造性的将免疫克隆选择算法融合到了文化算法的种群框架中，提出了新型免疫文化算法，并对文化算法的信念空间及影响函数做了相应的改进，并研宄了基于该免疫文化算法的故障特征选择方法以及支持向量机参数优化方法，将这些方法应用到了TE过程和乙烯裂解炉故障诊断中，通过实例验证了这些故障诊断方法的性能。本文所做的主要工作如下：
(1) 通过对大量文献资料的阅读，本文对文化算法、故障诊断方法、支持向量机以及特征选择方法进行了详尽的概述，介绍了文化算法的原理、发展历程与研宄展望；同时详细描述了故障诊断方法的分类，并对每一类的故障诊断方法进行了一定的介绍；对于支持向量机，概述了其理论形成的过程，并且简要介绍了目前所发展的几种支持向量机算法；同样的对于特征选择方法，本文介绍了特征选择方法的分类与发展，通过这些概述，对所要研究的内容有个明确具体的了解，而本文主要研究的就是文化算法、特征选择方法以及支持向量机在故障诊断中的应用。...........

参考文献
[1]刘静.协同进化算法及其应用研宄[D].西安电子科技大学博士学位论文.2004:5-9
[2] Booker L B, http://sblunwen.com/ssbylw/  Goldberg D E. Classifer systems and genetic algorithm[J]. ArtificialIntelligence. 1989,40(3):235-282
[3] 席裕庚，柴天佑,恽为民.遗传算法综述[J].控制理论与应用.1996,13(6):697-708
[4] Yao X, Liu Y，Lin G. Evolutionary programming made faster[C]. IEEE Transactions onEvolutionary Computation. 1999,3(2):82-102
[5] Fogel D B. Evolutionary computation: toward a new philosophy of machineintelligence[C]. IEEE Press.1995
[6] Koza J R. Genetic programming: on the programming of computers by means of natureselection[C]. Cambridge, MA: MIT Press. 1992
[7]宋辰,黄海燕.免疫文化算法及其在乙烯裂解炉故障诊断中的应用[J].化工学报.2012,63(12):3996-4002
[8]刘波，王凌,金以慧.差分进化算法研究进展[J].控制与决策.2007,22(7):721-729
[9] Shao L，He M S, Gao X Z. Dynamic Process of Internet Culture Evolution Based onComplex Network[C]. IEEE press.2011
[10] Wang Y，Li B, Lai X L. Variance Priority based Cooperative Co-evolution DifferentialEvolution for Large Scale Global Optimization[C]. IEEE Congress on EvolutionaryComputation. 2009