故障诊断presentation.pptVIP

基于自联想神经网络的谷氨酸发酵故障诊断 马程川 王晓东 主要内容 自联想神经网络简介 谷氨酸发酵过程与故障简介 自联想神经网络在谷氨酸发酵过程故障诊断应用 结果及分析 一.自联想神经网络 自联想神经网络是在1987年由Ballard针对编码/解码问题首先提出，其网络原型是一种具有对称拓扑结构的五层前馈传递网络，如右图所示。AANN应用到数据检测问题时，首先通过输入层，映射层以及瓶颈层实现了输入数据信息的压缩。从网络输入的高维数空间中提取了反应系统结构的最具有代表性的低维子空间，同时有效地滤去了测量数据中的噪声和测量误差，再通过瓶颈层，解映射层和输出层实现数据的解压缩，i将前面压缩的信息还原到个参数值，从而实现各测量数据的重构。 一.自联想神经网络 在这个网络结构中输入向量等于输出向量： in(m) = out(m) 为了达到信息压缩的目的AANN 网络瓶颈层节点数目明显小于输入层，又为了防止形成输入输出之间的简单单一映射，除了输出层激励函数采用线形函数外，其它各层均采用非线形的激励函数. 自联想神经网络学习的是输入参数间的相关性，一般认为测量数据中的噪声是不相关的，因此可以直接将带有噪声的测量数据同时作为网络的输入和训练目标值. 二.谷氨酸发酵故障简介 谷氨酸发酵过程故障变量的选择： 在线测量数据： 温度（T）；PH值；搅拌转速（RPM）;溶氧（DO）； 氧气消耗速度（OUR）;二氧化碳生产速率（CER）； 氨水流加量； 离线方式测量： 发酵过程中的菌体浓度（OD）；菌体干重（DCW）和 谷氨酸浓度 在上面的十个变量中，由于温度和PH值与谷氨酸发酵中菌体生长有关，所以可以用具体浓度来表示，菌体浓度和菌体干重又存在线性关系，所以上述四个变量可以菌体浓度一个变量表达其它三个测量的有效信息。 在线测量数据： 温度（T）；PH值；搅拌转速（RPM）;溶氧（DO）； 氧气消耗速度（OUR）;二氧化碳生产速率（CER）； 氨水流加量； 离线方式测量： 发酵过程中的菌体浓度（OD）；菌体干重（DCW）和 谷氨酸浓度 我们基于谷氨酸最终浓度，将谷氨酸发酵划分两类： 正常发酵和非正常发酵 上图为七批谷氨酸发酵过程的浓度对发酵时间曲线 （1）（2）为非正常过程 （1）的故障来源，搅拌电机突然出现故障停止转动，导致谷氨酸不能正常发酵生长。微生物在生长过程中长时间缺氧，导致谷氨酸发酵产生菌大量死亡。 （2）的故障来源，由于氨水供应出现问题，用NaOH代替氨水继续发酵不能正常发酵 三.基于自联想神经网络进行故障诊断 我们采用5-6-2-6-5的结构，我们选择5个测量变量，输入输出各五个神经元； 采用正常（1）（2）（3）共三批数据进行去除噪声的滤波平滑及相关冗余信息的剔除，然后进行数据归一化处理。产生1000组训练样本.通过网络的学习和训练经过300多次训练可以达到收敛。 在利用自联想神经网络对谷氨酸进行故障诊断时，我们引入了评价指标J： K 为自联想神经网络所选择的训练变量数目，在本文中K=5.正常情况下自联想神经网络的输入与输出应该保持一致，因此J值很小，接近于零。而在非正常发酵中，J远大于零。本文中取J=0.006作为控制极限。 实验所得J值曲线图：其中（4）（5）为正常过程； （1）（2）为非正常过程 四.结论 在谷氨酸发酵过成中，通过选择RPM,OUR.CER.OD和氨水5个测量变量构建了5-6-2-6-5自联想神经网络。通过评价指标J,利用子联想神经网络对谷氨酸发酵进行故障诊断。 自联想神经网络与主成份分析模型相比，对谷氨酸发酵故障判断更加准确及时。