用于非線性過程監(jiān)控的核函數(shù)參數(shù)的獲取方法和系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了一種用于非線性過程監(jiān)控的核函數(shù)參數(shù)的獲取方法和系統(tǒng)，該方法包括：獲取正常樣本數(shù)據(jù)并將其劃分為s個(gè)子集，確定待獲取參數(shù)的核函數(shù)；依次選取s個(gè)子集中的每個(gè)子集，將每次選取的不同子集作為測試數(shù)據(jù)，其余所有子集作為訓(xùn)練數(shù)據(jù)，基于訓(xùn)練數(shù)據(jù)以及對應(yīng)的得分訓(xùn)練神經(jīng)網(wǎng)絡(luò)，將測試數(shù)據(jù)的得分矩陣的行向量輸入至神經(jīng)網(wǎng)絡(luò)，將其輸出作為測試數(shù)據(jù)的重構(gòu)值；基于各個(gè)重構(gòu)值和測試數(shù)據(jù)獲取相對重構(gòu)誤差和最終相對重構(gòu)誤差；計(jì)算核函數(shù)參數(shù)取不同數(shù)值時(shí)的最終相對重構(gòu)誤差，使其值最小的數(shù)值確定為核函數(shù)參數(shù)的值。本發(fā)明對測試數(shù)據(jù)進(jìn)行樣本重構(gòu)，對各個(gè)相對重構(gòu)誤差取平均值，避免了樣本特殊性對最終獲取核函數(shù)參數(shù)的影響，對過程監(jiān)控具有指導(dǎo)意義。
【專利說明】用于非線性過程監(jiān)控的核函數(shù)參數(shù)的獲取方法和系統(tǒng)
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及過程監(jiān)控領(lǐng)域，尤其涉及一種用于非線性過程監(jiān)控的核函數(shù)參數(shù)的獲取方法和系統(tǒng)。
【背景技術(shù)】
[0002]在過程監(jiān)控和故障診斷領(lǐng)域，基于解析模型和基于數(shù)據(jù)的故障診斷技術(shù)是被廣泛應(yīng)用的兩類方法。隨著現(xiàn)代工業(yè)過程的日益復(fù)雜化，由于很難獲取系統(tǒng)的精確數(shù)學(xué)模型，數(shù)據(jù)驅(qū)動的過程監(jiān)控和故障診斷技術(shù)得到了長足發(fā)展并成功應(yīng)用于很多實(shí)際的工業(yè)過程。多元統(tǒng)計(jì)過程監(jiān)控是數(shù)據(jù)驅(qū)動過程監(jiān)控技術(shù)中卓有成效的一個(gè)分支，其中主成分分析(PCA)為最基本的模型。考慮到實(shí)際工業(yè)過程具有較強(qiáng)的非線性，主成分分析方法的監(jiān)控性能大打折扣，其擴(kuò)展方法核主成分分析(KPCA)更適用于非線性過程的監(jiān)控與故障診斷。
[0003]相比其他的非線性模型，如主元曲線模型和基于神經(jīng)網(wǎng)絡(luò)的模型，核主成分分析方法具有如下幾點(diǎn)優(yōu)勢:核主成分分析是主成分分析的自然擴(kuò)展，具有相對清晰的物理意義；建模過程無需求解非線性優(yōu)化問題，計(jì)算上幾乎和主成分分析一樣簡單；無需事先確定主元個(gè)數(shù)。在過去的幾年里，基于核主成分分析的過程監(jiān)控和故障診斷方法也得到了很多改進(jìn),例如自適應(yīng)核主成分分析和多尺度核主成分分析。此外,核方法與其他多元統(tǒng)計(jì)過程監(jiān)控方法相結(jié)合，也衍生出了一些其他方法，例如核偏最小二乘(KPLS)以及核獨(dú)立元素分析(KICA)方法。在這些基于核方法的多元統(tǒng)計(jì)過程監(jiān)控和故障診斷方法中，核函數(shù)及其參數(shù)的選擇至關(guān)重要，對于非線性過程建模和監(jiān)控都具有重要意義。
[0004]然而，現(xiàn)有的核函數(shù)參數(shù)選取大都根據(jù)經(jīng)驗(yàn)或者多次試驗(yàn)，具有很大盲目性，且有的方法在計(jì)算過程中依賴故障樣本數(shù)據(jù)，造成核函數(shù)及其參數(shù)只對特定的一類故障敏感。因此，針對非線性過程監(jiān)控和故障診斷，亟需一種獲取的核函數(shù)參數(shù)的有效方法。

【發(fā)明內(nèi)容】

[0005]本發(fā)明所要解決的技術(shù)問題之一是需要提供一種用于非線性過程監(jiān)控的核函數(shù)參數(shù)的獲取方法，該方法能夠有效地獲取核函數(shù)參數(shù)。另外，還提供了一種用于非線性過程監(jiān)控的核函數(shù)參數(shù)的獲取系統(tǒng)。
[0006]為了解決上述技術(shù)問題，本發(fā)明提供了一種用于非線性過程監(jiān)控的核函數(shù)參數(shù)的獲取方法，包括:初始化步驟，對非線性過程監(jiān)控中正常工況下的多個(gè)正常樣本數(shù)據(jù)進(jìn)行采集，并將所有正常樣本數(shù)據(jù)劃分為s個(gè)子集，確定待獲取參數(shù)的核函數(shù)；樣本重構(gòu)步驟，基于交叉驗(yàn)證法依次選取s個(gè)子集中的每個(gè)子集，并將每次選取的不同的子集作為測試數(shù)據(jù)，將其余所有子集作為訓(xùn)練數(shù)據(jù)，然后利用核主成分分析法分別獲取所述訓(xùn)練數(shù)據(jù)的得分矩陣和所述測試數(shù)據(jù)的得分矩陣，基于所述訓(xùn)練數(shù)據(jù)及其得分矩陣的行向量對所選取的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并將所述測試數(shù)據(jù)的得分矩陣的行向量輸入至訓(xùn)練完成后的神經(jīng)網(wǎng)絡(luò)，將輸出得到的數(shù)據(jù)作為所述測試數(shù)據(jù)的重構(gòu)值；相對重構(gòu)誤差計(jì)算步驟，在獲取了 S個(gè)關(guān)于作為測試數(shù)據(jù)的每個(gè)子集的重構(gòu)值后，基于各個(gè)重構(gòu)值和其對應(yīng)的測試數(shù)據(jù)獲取相對重構(gòu)誤差，并對所獲取的S個(gè)相對重構(gòu)誤差取平均值以得到最終相對重構(gòu)誤差；參數(shù)獲取步驟，計(jì)算在核函數(shù)參數(shù)取所設(shè)定的不同數(shù)值時(shí)對應(yīng)的各個(gè)最終相對重構(gòu)誤差，將使得最終相對重構(gòu)誤差最小的數(shù)值確定為核函數(shù)參數(shù)的值。
[0007]在一個(gè)實(shí)施例中，還包括:驗(yàn)證步驟，基于累計(jì)方差貢獻(xiàn)率確定不同核函數(shù)參數(shù)值下的主元個(gè)數(shù)，構(gòu)造包含故障的測試樣本數(shù)據(jù)，通過蒙塔卡羅試驗(yàn)統(tǒng)計(jì)對應(yīng)不同核函數(shù)參數(shù)值的誤報(bào)率和漏報(bào)率，基于所述主元個(gè)數(shù)、誤報(bào)率和漏報(bào)率對各個(gè)核函數(shù)參數(shù)值進(jìn)行分析，以對所確定的核函數(shù)參數(shù)值進(jìn)行驗(yàn)證。
[0008]在一個(gè)實(shí)施例中，通過如下表達(dá)式計(jì)算所述相對重構(gòu)誤差RRE:
[0009]
【權(quán)利要求】
1.一種用于非線性過程監(jiān)控的核函數(shù)參數(shù)的獲取方法，包括: 初始化步驟，對非線性過程監(jiān)控中正常工況下的多個(gè)正常樣本數(shù)據(jù)進(jìn)行采集，并將所有正常樣本數(shù)據(jù)劃分為S個(gè)子集,確定待獲取參數(shù)的核函數(shù)； 樣本重構(gòu)步驟，基于交叉驗(yàn)證法依次選取s個(gè)子集中的每個(gè)子集，并將每次選取的不同的子集作為測試數(shù)據(jù)，將其余所有子集作為訓(xùn)練數(shù)據(jù)，然后利用核主成分分析法分別獲取所述訓(xùn)練數(shù)據(jù)的得分矩陣和所述測試數(shù)據(jù)的得分矩陣， 基于所述訓(xùn)練數(shù)據(jù)及其得分矩陣的行向量對所選取的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并將所述測試數(shù)據(jù)的得分矩陣的行向量輸入至訓(xùn)練完成后的神經(jīng)網(wǎng)絡(luò)，將輸出得到的數(shù)據(jù)作為所述測試數(shù)據(jù)的重構(gòu)值； 相對重構(gòu)誤差計(jì)算步驟，在獲取了 S個(gè)關(guān)于作為測試數(shù)據(jù)的每個(gè)子集的重構(gòu)值后，基于各個(gè)重構(gòu)值和其對應(yīng)的測試數(shù)據(jù)獲取相對重構(gòu)誤差，并對所獲取的S個(gè)相對重構(gòu)誤差取平均值以得到最終相對重構(gòu)誤差； 參數(shù)獲取步驟，計(jì)算在核函數(shù)參數(shù)取所設(shè)定的不同數(shù)值時(shí)對應(yīng)的各個(gè)最終相對重構(gòu)誤差，將使得最終相對重構(gòu)誤差最小的數(shù)值確定為核函數(shù)參數(shù)的值。
2.根據(jù)權(quán)利要求1所述的獲取方法，其特征在于，還包括: 驗(yàn)證步驟，基于累計(jì)方差貢獻(xiàn)率確定不同核函數(shù)參數(shù)值下的主元個(gè)數(shù)，構(gòu)造包含故障的測試樣本數(shù)據(jù)，通過蒙塔卡羅試驗(yàn)統(tǒng)計(jì)對應(yīng)不同核函數(shù)參數(shù)值的誤報(bào)率和漏報(bào)率，基于所述主元個(gè)數(shù)、誤報(bào)率和漏報(bào)率對各個(gè)核函數(shù)參數(shù)值進(jìn)行分析，以對所確定的核函數(shù)參數(shù)值進(jìn)行驗(yàn)證。
3.根據(jù)權(quán)利要求1所述的獲取方法，其特征在于，通過如下表達(dá)式計(jì)算所述相對重構(gòu)誤差RRE:

4.根據(jù)權(quán)利要求1所述的獲取方法，其特征在于，所述神經(jīng)網(wǎng)絡(luò)為兩層前饋神經(jīng)網(wǎng)絡(luò)，進(jìn)一步基于所述訓(xùn)練數(shù)據(jù)及其得分矩陣的行向量利用LM反向傳播方法對所選取的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。
5.根據(jù)權(quán)利要求4所述的獲取方法，其特征在于，在對所述神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，將所述訓(xùn)練數(shù)據(jù)的得分矩陣的行向量進(jìn)一步劃分為用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的行向量和用于驗(yàn)證所訓(xùn)練的神經(jīng)網(wǎng)絡(luò)的行向量，在所述神經(jīng)網(wǎng)絡(luò)經(jīng)過驗(yàn)證達(dá)到所需要求時(shí)，停止對所述神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。
6.一種用于非線性過程監(jiān)控的核函數(shù)參數(shù)的獲取系統(tǒng)，包括: 初始化模塊，其用于對非線性過程監(jiān)控中正常工況下的多個(gè)正常樣本數(shù)據(jù)進(jìn)行采集，并將所有正常樣本數(shù)據(jù)劃分為s個(gè)子集，確定待獲取參數(shù)的核函數(shù)； 樣本重構(gòu)模塊，其基于交叉驗(yàn)證法依次選取s個(gè)子集中的每個(gè)子集，并將每次選取的不同的子集作為測試數(shù)據(jù)，將其余所有子集作為訓(xùn)練數(shù)據(jù)，然后利用核主成分分析法分別獲取所述訓(xùn)練數(shù)據(jù)的得分矩陣和所述測試數(shù)據(jù)的得分矩陣， 基于所述訓(xùn)練數(shù)據(jù)及其得分矩陣的行向量對所選取的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并將所述測試數(shù)據(jù)的得分矩陣的行向量輸入至訓(xùn)練完成后的神經(jīng)網(wǎng)絡(luò)，將輸出得到的數(shù)據(jù)作為所述測試數(shù)據(jù)的重構(gòu)值； 相對重構(gòu)誤差計(jì)算模塊，其用于在獲取了 S個(gè)關(guān)于作為測試數(shù)據(jù)的每個(gè)子集的重構(gòu)值后，基于各個(gè)重構(gòu)值和其對應(yīng)的測試數(shù)據(jù)獲取相對重構(gòu)誤差，并對所獲取的S個(gè)相對重構(gòu)誤差取平均值以得到最終相對重構(gòu)誤差； 參數(shù)獲取模塊，其用于計(jì)算在核函數(shù)參數(shù)取所設(shè)定的不同數(shù)值時(shí)對應(yīng)的各個(gè)最終相對重構(gòu)誤差，將使得最終相對重構(gòu)誤差最小的數(shù)值確定為核函數(shù)參數(shù)的值。
7.根據(jù)權(quán)利要求6所述的獲取系統(tǒng)，其特征在于，還包括: 驗(yàn)證模塊，其基于累計(jì)方差貢獻(xiàn)率確定不同核函數(shù)參數(shù)值下的主元個(gè)數(shù)，構(gòu)造包含故障的測試樣本數(shù)據(jù)，通過蒙塔卡羅試驗(yàn)統(tǒng)計(jì)對應(yīng)不同核函數(shù)參數(shù)值的誤報(bào)率和漏報(bào)率，基于所述主元個(gè)數(shù)、誤報(bào)率和漏報(bào)率對各個(gè)核函數(shù)參數(shù)值進(jìn)行分析，以對所確定的核函數(shù)參數(shù)值進(jìn)行驗(yàn)證。
8.根據(jù)權(quán)利要求6所述的獲取系統(tǒng)，其特征在于，所述相對重構(gòu)誤差計(jì)算模塊通過如下表達(dá)式計(jì)算所述相對重構(gòu)誤差:
9.根據(jù)權(quán)利要求6所取系統(tǒng)，其特征在于， 在對所述神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，所述樣本重構(gòu)模塊用于將所述訓(xùn)練數(shù)據(jù)的得分矩陣的行向量劃分為用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的行向量和用于驗(yàn)證所訓(xùn)練的神經(jīng)網(wǎng)絡(luò)的行向量，在所述神經(jīng)網(wǎng)絡(luò)經(jīng)過驗(yàn)證達(dá)到所需要求時(shí)，停止對所述神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。
【文檔編號】G05B23/02GK104035431SQ201410218816
【公開日】2014年9月10日 申請日期:2014年5月22日 優(yōu)先權(quán)日:2014年5月22日
【發(fā)明者】周東華, 何瀟, 李鋼, 紀(jì)洪泉 申請人:清華大學(xué)