基于混合模型的Tennessee Eastman过程故障预测辅助程序（CPL1.0）的开源Matlab代码

SoftwareX 10（2019）100309原始软件出版物基于混合模型的Tennessee Eastman过程故障预测辅助程序（CPL1.0）Mihiran Galagedarage Don，FaisalKhan加拿大纽芬兰纪念大学工程应用科学学院风险、完整性和安全工程中心（C-RISE），A1 B3X 5ar t i cl e i nf o文章历史记录：收到2018年收到修订版2019年7月16日接受2019年保留字：条件概率先验概率似然证据贝叶斯网络a b st ra ctCPL1.0是基于Kevin Murphy于2005年开发的开源工具箱，可以生成Tennessee Eastman（TE）过程故障预测的Matlab代码。它便于计算先验概率（PP）、条件概率（CP）和似然证据（LE）。这些是使用隐马尔可夫模型（HMM）和贝叶斯网络（BN）混合模型进行故障预测所需的基本特征。CP、PP和LE的测定是上述过程中最耗时的所提出的代码有可能大大减少重复计算时间，从而使研究人员能够专注于主要的目标导向的结果。CPL1.0实现为一个促进者之间的BN和HMM的混合故障预测和预后系统的通信该混合系统可以预测十个选定的故障，可以准确地排除十个故障中的八个©2019作者由爱思唯尔公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）中找到。代码元数据当前代码版本CPL 1.0此代码版本使用的代码/存储库的永久链接https://github.com/ElsevierSoftwareX/SOFTX_2018_162法律代码许可证MIT许可证使用的代码版本控制系统无使用Matlab R2018a的软件代码语言、工具和服务编译要求、运行环境和依赖关系Matlab R2015及以后版本如果可用，链接到开发人员文档/手册https://github.com/mihiranpathmika/CPL1.0问题支持电子邮件官方：gdmpathmika@mun.ca个人：mihiranpathmika@gmail.com1. 动机和意义混合系统的使用已经显示出在故障预测和预报方面的增强的性能。贝叶斯网络（BN）与其他机器学习技术相结合是当前的趋势，许多组合仍有待探索。Cai等人[1]的研究表明，基于贝叶斯网络的多源信息融合故障诊断模型具有更高的诊断精度。Amin et al.[2]提出了一种故障检测与诊断方法∗通讯作者。电子邮件地址：fikhan@mun.ca（F. Khan）。https://doi.org/10.1016/j.softx.2019.100309一种基于混合系统的方法由具有T2统计量的主成分分析（PCA）和贝叶斯网络（BN）组成，而Mallick和Imtiaz [3]介绍了一种基于主成分分析（PCA）和贝叶斯信念网络（BBN）的实时混合方法除此之外，Yu等人[4]还介绍了一种由改进的独立分量分析和贝叶斯网络组成的两阶段故障诊断技术文献中介绍了多种类型的混合技术，通过Cai等人的综述[5]，他们建议未来的研究应侧重于BN和其他融合技术的混合方法。因此，可以预测当前代码在未来应用中的潜力处于非常高的水平。2352-7110/©2019作者。 由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表SoftwareX期刊主页：www.elsevier.com/locate/softx2M. Galagedarage Don和F. Khan / SoftwareX 10（2019）100309图1.一、使用CPL1.0 的程序。基于其他机器学习技术的输出来建立BN是一个挑战，因为涉及大量的编码。这主要是因为要在BN中建立条件概率表一个系统的方法可以简化编码的问题，这可以节省大量宝贵的时间，学者可以有效地利用，使他们的原始贡献。当前代码的重要性在于它可以基于隐马尔可夫模型（HMM）的输出生成建立BN所需的信息，如[6，7]所示。该代码是专门编写的预测和预测的潜在故障在田纳西伊士曼（TE）过程的基础上的混合方法的HMM和BN。然而，它可以很容易地改变，以适应任何类型的BN通过使用Matlab软件中的基本功能因此，该代码将有助于科学发现的过程中，在未来的桥梁BN与其他机器学习技术2. 软件描述CPL1.0是一个确定BN基本输入的工具，它是100%基于Matlab的代码。它有助于将BN与其他机器学习技术相结合。整个代码在GitHub存储库中可用，因此可以克隆或分叉。该软件的主要概念可以介绍如下。在传入的数据串中，有22个变量（即传感器读数）。对于每个值，定义安全区域的窗口，如图1所示。3 .第三章。在以下情况下更有可能出现故障：各个参数在该范围之外，并且当其在该范围内时被分类为它在图1中用图形表示。通过这种分类，可以在相应的22个传感器读数中生成不同的状态组合。例如，如果有2个传感器读数，则此步骤的输出将为：危险危险，危险安全;安全危险，安全安全。在代码中下一个问题是确定每个状态组合的概率。为此，LL值被转换为概率值使用分析方法。这是一种归一化技术，在[7]中进一步解释。除了上述主要概念外，该代码还具有预测田纳西伊士曼过程中潜在故障的特殊功能。如代码的STEP_4中所述，软件为每种类型的故障创建LL值的历史记录，这类似于人的记忆或知识。当过程在当前时间运行时，软件动态地检查输入测试数据串的相应LL值，并与创建的历史进行比较。它将三个相邻的当前时间数据串与历史中的三个相邻数据点进行比较，并识别历史中与当前情况“相似”的最匹配点。从那里开始，软件在另一个“n”秒的时间内预测过程的未来条件2.1. 软件构架为了使用所提出的代码，用户应该能够访问由Kevin Murphy开 发 的 Matlab 软 件 和 HMM工 具 箱 一 旦 HMM 工 具 箱 加 载到Matlab中，按照[ 8 ]中提到的方法，可以根据图1所示的过程使用CPL 1.0代码。1.一、CPL1.0负责图中阴影框中提到的操作。1.一、用户可以输入过程正常操作条件（NOC）数据来训练HMM。输入数据矩阵的格式如图2所示。训练的HMM和不同的NOC数据集用于生成数据历史以及相应的对数似然（LL）值。然后，数据历史和LL值用于生成条件概率表（CPT），并且相应的数据串（即数据历史）用于生成先验概率。另一方面，实时过程数据和训练好的HMM用于故障预测和似然证据的生成之后，所有三种类型的信息都需要手动馈送到BN，BN具有使用GeNIe开发的结构用户只需复制和粘贴相应的数据字符串M. Galagedarage Don和F. Khan / SoftwareX 10（2019）1003093图二. 输入数据格式。到BN的CPT中。完成此步骤有助于对潜在故障的根本原因做出决策。从Matlab到GeNIe的手动数据传输可以通过使用Murphy的BayesNet工具箱来消除[9]。2.2. 输入数据格式HMM的输入数据采用2D矩阵的形式。每行表示传感器读数，而每列表示在给定时间捕获的数据串。对于当前应用，第3维度（即nex）取为1。这在图中以图形方式说明。 二、2.3. 示例代码段分析使用HMM工具箱中的mhmm_logprob函数开发对数似然值（即loglikeALL）的历史。接下来，使用等式（1）和（2）中给出的代码定义安全区的下限和上限，分别用aNL和aNH表示。这里N代表节点的编号。这里PH表示NOC数据和相应LL的历史，而r表示可以改变以获得适当状态波动的常数。如果参数处于危险区，则将其视为潜在故障，因此指定为F。如果不是，则给出指定Na1L=平均值（PH（：，1））+（min（PH（：，1））-平均值（PH（：，1）/r（1）a1H=平均值（PH（：，1））+（最大值（PH（：，1））-平均值（PH（：，1）/r（2）在BN中，对于具有六个父节点的给定节点，将存在26要确定的条件概率值的数量。换句话说，组合将从FFFFFF到NNNNNN变化。每个可能的组合的概率是使用代码确定的。此外，计算先验概率对于根节点，考虑历史。最重要的是，当计算似然证据时，CPL 1.0从检测到异常的点向后考虑50这样做是为了确定检测点处的最可能状态组合。在预测中，代码扫描LL值的历史，其显示与最近的三个LL值非常相似的三个相邻情况。然后，假设与LL历史类似的模式噪声被添加到每个参数在原始数据集的10− 2%至10− 8%范围内，各自的价值观。然后测试了该系统在不同噪声水平下的预测性能。图3.第三章。每 个 参 数 读 数 的 安全区 和危险区。3. 说明性实例图图4示出了使用NOC数据的HMM的训练曲线。LL值在10次迭代后近似变为常数。在这个过程中，HMM的参数得到调整，以便它对训练数据集给出最好的解释最初，使用代码确定条件概率和先验概率，然后用于建立BN。该组件是根据输入CPL 1.0的数据进行的计算。建议用户使用Matlab软件和Kevin Murphy的HMM来运行代码输出是一个有点大的数据矩阵，其中包含条件和先验概率值。用户只需将值复制并粘贴这并不是一项困难的任务，因为值处于GeNIe CPT表格单元格的相同模式中。一旦新的数据串被提供给训练的HMM，它相应地计算LL并绘制类似于图1所示的曲线。五、它示出了系统识别异常的点（即1130 s）。另一方面，图6示出了在995 ° C附近发生的异常的预测。S. 对于一个添加了10− 2%噪声的测试数据集，这是一个不错的故障预测预测的故障然后用于确定可能性证据，其随后被馈送到BN。 这导致确定每个节点中故障概率的百分比变化。详细的程序在[6，7]中解释4. 影响CPL1.0的出现为利用神经网络进行故障预测预报提供了方便。在这一领域，其他机器学习技术与BN的许多不同组合BN的结构将根据所考虑的工艺进行变更。（例如：Tennessee EastmanProcess）。因此，需要相应地修改代码。但是，如果与BN的每个节点相关的代码被写入单独的.mat文件中，则可以很容易地做到这一点。“查找和替换”工具可以有效地用于此步骤。这意味着没有必要输入所有内容，只要4M. Galagedarage Don和F. Khan / SoftwareX 10（2019）100309图四、HMM 的训练曲线图五、故障的实际LL变化。图 6.在10− 2%噪声下预测的故障LL变化。遵循该模式。另一方面，任何机器学习技术都可以用来代替HMM，只要它们以传感器读数的不同状态以及它们各自的概率的形式提供输出。通过CPL1.0代码所做的改进可以被认为是对BN相关研究人员所面临的一个共同问题的解决方案。未来的研究人员可以将CPL1.0开发成基于Matlab的独立软件。它可以灵活地基于同伴机器学习技术的输出来训练任何给定的BN。另一方面，那些只使用HMM进行预测的人也会受益，因为CPL 1.0的初始部分使用HMM处理故障预测这是基于“断层发生在过去”的假设很有可能再次发生，遵循相同的参数波动模式目前建立CPT的做法包括主观方法，如专家判断。尽管如此，建议的代码提供了一个更好的客观和透明的方法来确定条件概率值。因此，人们可以重用这些代码，而不是在已经解决的问题上分配时间，同时为它的开发做出贡献除了本代码的预期用户群外，在金融、天气预报、维修和医疗领域工作的研究人员也将从中受益。因此，拟议的守则将有广泛的用户。此外，本研究为如何应用HMMM. Galagedarage Don和F. Khan / SoftwareX 10（2019）1003095in a given给定problem问题.这将是有价值的HMM用户，因为有一个非常有限的文献中提供的应用程序5. 结论CPL1.0是一个基于Matlab的软件代码，可用于桥接BN与其他机器学习技术。它提供建立BN的CPT的透明和客观的技术，这对BN用户来说有点挑战性。另一方面，CPL 1.0通过使用KevinMurphy引入的HMM和贝叶斯网络工具箱，促进了故障预测和预后。它在几个不同的领域有广泛的应用，因此有大量的潜在用户。用CPL1.0实现的HMM-BN混合系统可以预测10个故障中的10个，并且可以准确地诊断出Tennessee Eastman过程的10个故障中的8个竞合利益我们确认，我们已充分考虑了与本作品相关的知识产权保护，并且在知识产权方面不存在出版障碍，包括出版时间。在此过程中，我们确认我们遵守了我们机构有关知识产权的规定致谢作者感谢加拿大自然科学和工程委员会通过发现补助金和加拿大研究主席（CRC）在海上安全和风险工程一级计划引用[1]蔡乙，刘毅，范清，张毅，刘正，于世，季荣。基于贝叶斯网络的多源信息融合地源热泵故障诊断。应用能源2014;114：1-9.http://dx.doi.org/10.1016/j.apenergy的网站。2013.09.043。[2] Amin MT，Imtiaz S，Khan F.使用混合技术的过程系统故障检测和诊断。ChemEngSci2018;189：191-211.http://dx.doi的网站。org/10.1016/j.ces.2018.05.045。[3]Mallick MR，Imtiaz SA.过程故障检测与诊断的一种混合方法。见：国际会计师 联 合 会 会 议 记 录 卷 （ IFAC-PapersOnline ） ， 第 10 卷 。 IFAC; 2013 年 ，http://dx.doi.org/10.3182/20131218-3-IN-2045.00099。[4]余华，汗F，Garaniya V.改进的独立元分析和贝叶斯网络为基础的两阶段故障诊 断 过 程 操 作 。 IndEngChemRes2015;54 （ 10 ） ： 2724-42.http://dx.doi.org/10.1021/ie503530v网站。[5]蔡宝，黄 丽，谢明.故障诊断中 的贝叶斯网络。 IEEE Trans Ind Inf 2017;13（5）：2227-40. http://dx.doi.org/10.1109/TII.2017.2695583网站。[6]Don MG，Khan F.使用混合模型的过程故障预测。工业&工程化学研究。圣约翰的。2019年。[7] Galagedarage Don M，Khan F.基于隐马尔可夫和贝叶斯网络模型组合方法的 动 态 过 程 故 障 检 测 与 化 学 与 工 程 科 学 2019;201 ： 82-96.http://dx.doi.org/10.1016/j.ces.2019的网站。一点零六分[8]墨菲·K隐马尔可夫模型（HMM）工具箱的Matlab。2005年，https：//www.cs.ubc.ca/~murphyk/Software/HMM/hmm.html 网 站 。 [2018 年 7 月 19日]。[9]墨 菲 凯 文 。 如 何 使 用 贝 叶 斯 网 络 工 具 箱 。 2001 年 ， http://www.cs.ubc 。ca/~murphyk/Bayes/usage.11dec01html。[2018年9月3日]。