基于脉冲神经膜系统的故障诊断模型研究

Biological intelligence provides rich sources in the development of artificial intelligence. Spiking neural P systems are a class of neural-like computing models inspired by the way of biological neurons communicating with each other by means of spikes. These neural-like computing systems have been applied to solve fault diagnosis problems and shown great potential in the area of fault diagnosis. Now, the core problems associated with this area are to develop effective spiking neural system based fault diagnosis models, fault diagnosis theory and analysis method. This project plans to solve the above problems, whose main research contents include: (1) constructing spiking neural P systems for fussy information processing, large-scale weights adaptive adjusting strategy and multiple-layers parallel fault diagnosing; (2) studying computational power theory, fault diagnosis theory and fault analysis methods of spiking neural P systems based fault diagnosis models; (3) developing simulation and analysis platform for fault diagnosis based on computers-cluster, and using fault diagnosis of the waste water treatment system of oil refining industry as an illustrative example to improve the proposed fault models. This project not only can provide novel and effective models and theories for fault diagnosis, but also can offer high-performance computing models for solving computational hard problems in computer science.

生物智能是人工智能发展的重要源泉，脉冲神经膜系统是受大脑中神经元之间通过脉冲传递信息启发而建立的一种具有良好并行性的高性能计算模型，在故障诊断领域有着重要的应用前景。发展高效的脉冲神经膜系统故障诊断模型并建立相关的故障诊断理论及分析方法是目前该模型在故障诊断领域的应用中面临的主要问题。本项目拟针对这些问题进行研究，主要研究内容包括：（1）建立基于脉冲神经膜系统的复杂模糊信息处理、大规模权值自适应及多层次并行故障诊断模型，（2）发展脉冲神经膜系统故障诊断模型的计算能力理论、故障诊断理论及故障诊断分析方法，（3）开发基于计算机集群的脉冲神经膜系统故障诊断仿真平台，并利用验证实例石油炼化工业过程中废水处理设备的故障诊断与分析对模型进一步修正完善。本项目的研究不仅为故障诊断领域引入新的高效故障诊断模型及相关的诊断理论和分析方法，同时也有望为计算机科学解决复杂问题提供一种新的高性能计算模型。

脉冲神经膜系统是受大脑中神经元之间通过脉冲传递信息启发而建立的一种高性能膜计算模型，在优化算法设计、故障诊断等领域展示了重要的应用潜力。本项目针对故障诊断领域，研究基于此系统的故障诊断模型、诊断理论及方法，主要研究内容包括基于脉冲神经膜系统的故障诊断模型、故障诊断理论和分析方法以及仿真平台开发三个方面。本项目在此三方面取得了丰富的研究成果，发表了50余篇论文，其中发表在《IEEE Transactions on Evolutionary Computation》、《IEEE Transactions on Cybernetics》、《IEEE Transactions on Fuzzy Systems》等IEEE及ACM汇刊的论文30篇，同时2篇论文分别获得IEEE Transactions on Evolutionary Computation的2018和2021年度唯一最佳论文奖，1篇论文获得IEEE Computational Intelligence Magazine的2020年度唯一最佳论文奖。在故障诊断模型方面，本项目分别建立了具有“黑洞”神经元的脉冲神经膜计算模型、脉冲“可着色”及具有权值的并行脉冲神经膜计算模型以及基于多目标进化算法大规模权值自适应的脉冲神经膜计算模型。在故障诊断理论及分析方法方面，证明了具有结构可塑性并行脉冲神经膜计算模型的计算能力，建立了基于“可着色”脉冲神经膜计算模型和基于二叉分区树非重访遗传算法的故障诊断方法。在仿真平台开发方面，开发了基于Matlab的多目标进化算法平台PlatEMO，该平台不仅为基于脉冲神经膜系统的故障诊断平台提供了有力的支撑，同时也成为进化计算领域目前最流行的平台，自2018年10月上线以来，来自世界各国的访问量近20余万次。通过本项目的研究，不仅为故障诊断领域建立了新的故障诊断模型与方法，同时也为解决复杂网络社区检测等其它领域的复杂问题提供了新的思路。