遗传算法在ANNPetri网故障诊断中的应用

1、遗传算法在ANN-Petri网故障诊断中的应用摘要本文针对ANN-Petri网在故障诊断中存在部分极小点、收敛慢的缺点，将遗传算法引入到ANN-Petri网中，克制和改良神经网络算法的缺乏，并以甲醇合成过程为例，对此过程中的故障诊断进展建模，通过仿真分析说明该方法的可行性。关键词Petri网；神经网络；遗传算法；故障诊断1引言Petri网与神经网络相结合已经在故障诊断过程中得到了应用，但是存在部分极小点、收敛慢的缺点，该缺点严重制约了ANN-Petri网在各个领域的应用，所以将遗传算法引入到ANN-Petri网中，建立基于遗传算法的故障诊断ANN-Petri网模型，进步了故障诊断系统的精度。本

2、文以甲醇合成过程为例，利用此方法对该过程中的故障诊断进展建模。甲醇合成工艺是一个构造非常复杂的消费过程，有较多的消费设备且分布在相当地域上，消费工况变化很快，消费工艺变量众多，而且之间关联耦合严重。开发甲醇合成过程监控与故障诊断系统的目的就是进步甲醇的产量，并减少整个消费过程能量、原料的消耗，保证产品的质量12。2ANN-Petri网模型2.1ANN-Petri网定义3ANN-Petri网模型可以定义为一个七元组，即，其中为有限库所集，连续库所用表示，离散库所用表示。为有限变迁集，连续变迁用表示，离散变迁用表示|，受控变迁用|表示，当满足其条件时激发。为有向弧集。为神经网络权值；为隐含和输出层

3、库所的活动状态集。为变迁集T到规那么集的一一映射；为初始标识。2.2ANN-Petri网模型人工神经网络与Petri网两种技术相交融：将神经网络的模拟结果作为Petri网模型的输入信息，即建立学习型的Petri网模型。在模型构造中使连接库所p和变迁t的权值可以按神经网络调整误差进展修正，使Petri模型具有神经网络的学习性，实现两种技术的相交融。神经网络的Petri网模型如图1所示。由图1可以看出，Petri网和神经网络两者在形式上有着惊人的相似。神经网络的信号采集和阈值功能由Petri网的库所、变迁对(Pi和Ti实现，集成库所Pi根据f转换函数来计算输出，同时当超出阈值Hii时，阈值变迁Ti

4、将被激活。图1ANN-Petri网模型输入库所(Pi)从外界得到托肯(tken)，作为Petri网的初始标识。输入变迁(ti)为普通变迁，不具有阈值功能，阈值变迁Ti通过权值为Hii的弧与整合隐含库所Pi连接。3遗传算法优化神经网络遗传算法是一种求解最优化问题的有效方法，是一种高效的并行全局搜索算法，该算法对于多峰值的问题具有最优的全局把握才能，为了克制和改良传统的神经网络的缺乏，将遗传算法应用于ANN-Petri网模型中ANN的权值训练中，是一种比拟有效的方法。遗传算法优化神经网络主要是用遗传算法学习神经网络的权重和学习神经网络的拓扑构造，而最主要的是学习神经网络的权重，也就是用遗传算法来取

5、代一些传统的学习算法(如BP算法)4。在神经网络构造固定的前提下，由遗传算法进展网络权系的训练，优化其权系值。当前主要用于多层前馈网络，将BP学习算法由遗传算法来替代，网络权系的遗传进化训练步骤如下：对神经网络的权重和隐含层节点个数进展编码；产生适应度值的评价函数，该函数以神经网络的最后输出值作为目的；运用两两竞争的选择方法，选出下一代要进展穿插和变异的个体；穿插和变异，产生新个体；计算新一代的种群的评价函数的适应值。假如不满足要求，那么重新进展选择，穿插和变异等过程，直到适应值不再有效地增加为止。4故障诊断的ANN-Petri网模型4.1应用实例Lurgi甲醇合成工艺中是一个构造非常复杂的消

6、费过程，其合成工艺流程图如图2所示。图2Lurgi甲醇合成工艺流程图转贴于论文联盟.ll.4.2故障诊断的ANN-Petri网模型甲醇合成过程中可能发生的系统级故障一般有：合成塔压力异常、合成塔温度异常、饱和蒸汽压力异常、催化剂管间温差过大和催化剂低选择性等，以合成塔压力异常和温度异常为例，建立该过程故障诊断的ANN-Petri网模型如图3所示。P1合成塔压力异常；P2原发性故障；P3引发性故障；P4进气异常；P5蒸汽异常；P6新颖气异常；P7循环气异常；P8蒸汽锅炉故障；P9蒸汽管道故障；P10管道泄漏；P11阀门失效；P12离析器故障；P13漏气故障。图3故障诊断的ANN-Petri网模型

7、5仿真分析优化问题的数学模型参见文献2，仿真程序采用atlab语言编制，在神经网络中用遗传算法优化网络的拓扑构造和权值，使得程序寻优的过程大为缩短，节省了计算时间。有效地进步了程序运行效率56。在甲醇合成工艺过程的故障诊断中。BP算法训练的目的函数如图4所示。图4BP网络训练后的目的函数当用遗传算法训练神经网络时，它的目的函数如图5所示，由图可见，网络构造一样，由遗传算法优化网络，t20代后，目的函数J接近零；用BP算法训练，训练次数300代之后，目的函数J才接近0.001，可见由遗传算法训练神经网络优于BP算法，所以在ANN-Petri网故障诊断中应用遗传算法比利用BP算法优化神经网络的权值更好。图5遗传神经网络训练后的目的函数6结论本文将人工神经网络与模糊Petri网相结合，将其用于Lurgi甲醇合成过程的故障诊断中，建立了该过程的神经网络模糊Petri网模型，通过分析说明了该方法的可行性。参考文献1胡志刚等，基于模糊神经Petri网的故障诊断模型J.小型微型计算机系统，2022，11(26)2王磊等，甲醇合成过程中基于AS的故障诊断方法J.华东理工大学学报，2022，1(32)3李宏光，赵立雄.基于混合ANN-Petri网的过程控制建模J.系统仿真学报，200