專利名稱：一種基于改進(jìn)支持向量機(jī)的化工過程故障診斷方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種機(jī)器學(xué)習(xí)和化工過程故障診斷方法，尤其涉及ー種化工過程故障的智能診斷方法。
背景技術(shù)：
近年來，伴隨著計(jì)算機(jī)技術(shù)和控制理論的迅速發(fā)展，現(xiàn)代設(shè)備的結(jié)構(gòu)越來越復(fù)雜， 自動(dòng)化系統(tǒng)的規(guī)模越來越大，使得企業(yè)的生產(chǎn)效率大大提高，并降低了生產(chǎn)成本。但是，與此同時(shí)，伴隨著生產(chǎn)過程復(fù)雜化、大型化而來的是系統(tǒng)內(nèi)部和系統(tǒng)之間的相互關(guān)聯(lián)，如果系統(tǒng)ー處發(fā)生故障，就有可能引起連鎖反應(yīng)，導(dǎo)致整個(gè)生產(chǎn)過程不能正常工作。這些故障不僅能夠破壞生產(chǎn)，而且可能危及人們的生命安全，帶來嚴(yán)重的環(huán)境污染，造成巨大的損失。對(duì)其進(jìn)行及時(shí)準(zhǔn)確地故障診斷以減少化工生產(chǎn)的停產(chǎn)時(shí)間，增加生產(chǎn)過程的安全性，無論從效益角度還是安全角度，都具有必要性和迫切性。主元分析(PCA)在化工過程故障診斷中受歡迎度極高并且應(yīng)用廣泛。PCA將エ業(yè)過程中采集的復(fù)雜信息數(shù)據(jù)壓縮集中到少數(shù)幾個(gè)主元特征信息，來描述整個(gè)過程的性能， 而且不需要基本過程的解析模型。但是PCA本身具有缺陷，在故障類型的識(shí)別方面存在不足。采用以神經(jīng)網(wǎng)絡(luò)等軟計(jì)算模型為主的軟測(cè)量方法，則容易出現(xiàn)收斂速度慢，極度依賴先驗(yàn)知識(shí)，參數(shù)調(diào)整困難等問題?；诟倪M(jìn)的支持向量機(jī)化工過程故障診斷方法能夠克服PCA 方法在能夠故障類型的識(shí)別方面存在不足，并且能很好的解決神經(jīng)網(wǎng)絡(luò)等傳統(tǒng)方法收斂速度慢，極度依賴先驗(yàn)知識(shí)等困難，具有良好的故障診斷能力。

發(fā)明內(nèi)容
本發(fā)明的目的是針對(duì)現(xiàn)有技術(shù)的不足，提供ー種基于改進(jìn)支持向量機(jī)的化工過程故障診斷方法。本發(fā)明的目的是通過以下技術(shù)方案來實(shí)現(xiàn)的ー種基于改進(jìn)支持向量機(jī)的化工過程故障診斷方法，包括以下步驟
(1)將以往化工過程的故障數(shù)據(jù)作為訓(xùn)練樣本集 D，按不同的故障類型進(jìn)行分類；
(2)設(shè)定構(gòu)造ト最近鄰的參數(shù)え，根據(jù)ぁ值，在訓(xùn)練樣本隼こ上杓建類內(nèi)圖も和類間
圖q ,分別計(jì)算權(quán)重矩陣κ和m,并根據(jù)孫:.和巧計(jì)算類內(nèi)散度和類間散度も和冬，獲
得訓(xùn)練樣本的局部判別信息；
(3)根據(jù)局部判別信息計(jì)算拉普拉斯矩陣ム，得到問題的正則化表達(dá)；
(4)構(gòu)造最優(yōu)化問題并求解；
(5)根據(jù)求解得到的最優(yōu)解構(gòu)造決策函數(shù)ブ=Σ‘ Χろ)，將現(xiàn)場(chǎng)采集到的實(shí)時(shí)數(shù)據(jù)輸入到該決策函數(shù)中，得到判別結(jié)果，根據(jù)判別結(jié)果獲得該實(shí)時(shí)數(shù)據(jù)所對(duì)應(yīng)的化工過程ェ作狀態(tài)，以此來完成化工故障診斷。本發(fā)明的有益效果是，本發(fā)明基于改進(jìn)支持向量機(jī)的化工過程故障診斷方法能夠克服PCA方法在能夠故障類型的識(shí)別方面存在不足，并且能很好的解決神經(jīng)網(wǎng)絡(luò)等傳統(tǒng)方法收斂速度慢，極度依賴先驗(yàn)知識(shí)等困難，具有良好的故障診斷能力。


圖1是改進(jìn)支持向量機(jī)化工過程故障檢測(cè)方法流程圖； 圖2連續(xù)攪拌釜式反應(yīng)器CSTR的化工過程圖。
具體實(shí)施例方式本發(fā)明基于改進(jìn)支持向量機(jī)的化工過程故障診斷方法，步驟如下
1、將以往化工過程的故障數(shù)據(jù)作為訓(xùn)練樣本集Γι,按不同的故障類型進(jìn)行分類。2、設(shè)定構(gòu)造レ最近鄰的參數(shù)え，根據(jù)λ值，在訓(xùn)練樣本隼‘上構(gòu)建類內(nèi)圖Gw和類
間圖G ,分別計(jì)算權(quán)重矩陣に和兩，井根據(jù)和,6計(jì)算類內(nèi)散度和類間散度^和禺， 獲得訓(xùn)練樣本的局部判別信息。通過以下3個(gè)子步驟獲得訓(xùn)練樣本的局部判別信息
2.1、對(duì)于訓(xùn)練樣本集￡)中的任意樣本點(diǎn)ろ，可以找到它的!:個(gè)最近鄰居，并且在ろ和
這些鄰居之間設(shè)置帶權(quán)重的邊，這樣便構(gòu)成了圖，用が( ) = {ホ.··，め表示ろ的ぁ個(gè)最近鄰居。 2. 2、在訓(xùn)練樣本集D上構(gòu)建類內(nèi)圖Gw和類間圖fj,,分別計(jì)算權(quán)重矩陣和巧
。用《ろ)表示樣本ろ的類標(biāo)記，^ )可以分為禮(ろ)和％(ろ)；其中AUろ)表示ぎ(ろ)
中類標(biāo)記與ろ相同的訓(xùn)練樣本，在ろ與這些樣本之間設(shè)置帶權(quán)值的邊，便得到類內(nèi)圖Gw ;
KjO表示が( )中類標(biāo)記與ろ不同的訓(xùn)練樣本，在ろ與這些樣本之間設(shè)置帶權(quán)值的邊，
便得到類間圖Q。計(jì)算圖Gw和^的權(quán)重矩陣 和巧，定義為
權(quán)利要求
1.一種基于改進(jìn)支持向量機(jī)的化工過程故障診斷方法，其特征在于，包括以下步驟(1)將以往化工過程的故障數(shù)據(jù)作為訓(xùn)練樣本集 O，按不同的故障類型進(jìn)行分類；(2)設(shè)定構(gòu)造t最近鄰的參數(shù)t,根據(jù)A值，在訓(xùn)練樣本集D上構(gòu)建類內(nèi)圖σ .和類間圖q ,分別計(jì)算權(quán)重矩陣(和丐，并根據(jù)和m計(jì)算類內(nèi)散度和類間散度sw和高，獲得訓(xùn)練樣本的局部判別信息；(3)根據(jù)局部判別信息計(jì)算拉普拉斯矩陣Z,得到問題的正則化表達(dá)；(4)構(gòu)造最優(yōu)化問題并求解；(5)根據(jù)求解得到的最優(yōu)解構(gòu)造決策函數(shù)
2.一種基于改進(jìn)支持向量機(jī)的化工過程故障診斷方法，其特征在于，所述步驟(2)通過以下三個(gè)子步驟獲得訓(xùn)練樣本的局部判別信息(2. 1)對(duì)于訓(xùn)練樣本集D中的任意樣本點(diǎn)巧，可以找到它的A個(gè)最近鄰居，并且在和這些鄰居之間設(shè)置帶權(quán)重的邊，這樣便構(gòu)成了圖,用表示&的I個(gè)最近鄰居；(2.2)在訓(xùn)練樣本集D上構(gòu)建類內(nèi)圖Gw和類間圖( ，分別計(jì)算權(quán)重矩陣和％ ;用《巧)表示樣本的類標(biāo)記，-V(Xi)可以分為AZw(Zi)和巧化)；其中YwOi)表示W(wǎng)h)中類標(biāo)記與^相同的訓(xùn)練樣本，在與這些樣本之間設(shè)置帶權(quán)值的邊，便得到類內(nèi)圖σ . ； Ni(Xi)表示喝中類標(biāo)記與^不同的訓(xùn)練樣本，在A與這些樣本之間設(shè)置帶權(quán)值的邊，便得到類間圖Q ;計(jì)算圖Gw和Gb的權(quán)重矩陣Ww和Wb，定義為
3.一種基于改進(jìn)支持向量機(jī)的化工過程故障診斷方法，其特征在于，所述步驟(3)通過以下兩個(gè)子步驟來實(shí)現(xiàn)(3.1)計(jì)算拉普拉斯矩陣I，計(jì)算方式如下
4. 一種基于改進(jìn)支持向量機(jī)的化工過程故障診斷方法，其特征在于，所述步驟(4)通過以下兩個(gè)子步驟來實(shí)現(xiàn)(4. 1)問題的正則表達(dá)式利用Lagrange乘子，我們引入岸和P這兩個(gè)乘子，得到
全文摘要
本發(fā)明公開了一種基于改進(jìn)支持向量機(jī)的化工過程故障診斷方法，該方法將改進(jìn)的支持向量機(jī)應(yīng)用于化工過程故障診斷，判斷化工過程是否發(fā)生故障，如果發(fā)生故障，對(duì)故障的類型進(jìn)行診斷。本發(fā)明簡(jiǎn)單易實(shí)現(xiàn)，具有良好的故障診斷效果。
文檔編號(hào)G05B23/02GK102541050SQ201210001539
公開日2012年7月4日 申請(qǐng)日期2012年1月5日 優(yōu)先權(quán)日2012年1月5日
發(fā)明者葉海山, 王寧 申請(qǐng)人:浙江大學(xué)