一種應用ocsvm的生產(chǎn)過程自適應監(jiān)控系統(tǒng)及方法
【專利摘要】本發(fā)明涉及一種應用OCSVM的生產(chǎn)過程自適應監(jiān)控系統(tǒng)及方法，其特征在于：監(jiān)控系統(tǒng)包括數(shù)據(jù)采集模塊、過程監(jiān)控模塊、OCSVM模型在線更新模塊和報警模塊；數(shù)據(jù)采集模塊將工業(yè)生產(chǎn)過程中的歷史過程變量和實時過程變量數(shù)字化為歷史過程數(shù)據(jù)和實時過程數(shù)據(jù)，并傳送給過程監(jiān)控模塊；過程監(jiān)控模塊利用歷史過程數(shù)據(jù)建立原始OCSVM監(jiān)控模型，并通過處理實時過程數(shù)據(jù)得到有效更新樣本，有效更新樣本和OCSVM監(jiān)控模型一起傳送給OCSVM模型在線更新模塊；OCSVM模型在線更新模塊對OCSVM監(jiān)控模型進行更新后，傳送給過程監(jiān)控模塊；過程監(jiān)控模塊得到異常樣本時產(chǎn)生報警信號，并傳送給報警模塊進行報警。本發(fā)明可以廣泛用于實際工業(yè)生產(chǎn)過程的監(jiān)控中。
【專利說明】—種應用OCSVM的生產(chǎn)過程自適應監(jiān)控系統(tǒng)及方法
【技術領域】
[0001]本發(fā)明涉及一種生產(chǎn)過程的自適應監(jiān)控系統(tǒng)及方法，特別是關于一種應用OCSVM(One-ClassSupport Vector Machine,單類支持向量機)的生產(chǎn)過程自適應監(jiān)控系統(tǒng)及方法。
【背景技術】
[0002]基于OCSVM的多變量統(tǒng)計過程監(jiān)控方法已經(jīng)在復雜工業(yè)過程生產(chǎn)中取得了廣泛而成功的應用。該方法基于Vapnik提出的支持向量機理論，以切平面的形式將特征空間中的樣本投影點與特征空間的原點以最大間隔分開，從而使用決策邊界將原始空間中絕大多數(shù)樣本所在的正常樣本分布區(qū)域與可能存在異常樣本的無樣本分布區(qū)域分隔開。OCSVM監(jiān)控模型判定落入模型決策邊界以內的新樣本為正常樣本，判定落入模型決策邊界以外的新樣本為異常樣本并針對該異常樣本產(chǎn)生報警，從而提醒工程師及時地更正過程參數(shù)以減少產(chǎn)品質量的波動，最終達到保質增產(chǎn)的目的。OCSVM監(jiān)控模型的決策函數(shù)f(x)可以用以下公式表述:
【權利要求】
1.一種應用OCSVM的生產(chǎn)過程自適應監(jiān)控系統(tǒng)，其特征在于:它包括一數(shù)據(jù)采集模塊、一過程監(jiān)控模塊、一 OCSVM模型在線更新模塊和一報警模塊；所述數(shù)據(jù)采集模塊將工業(yè)生產(chǎn)過程中的歷史過程變量和實時過程變量數(shù)字化為歷史過程數(shù)據(jù)和實時過程數(shù)據(jù)，并傳送給所述過程監(jiān)控模塊；所述過程監(jiān)控模塊利用歷史過程數(shù)據(jù)建立原始OCSVM監(jiān)控模型，并通過處理實時過程數(shù)據(jù)得到有效更新樣本，有效更新樣本和OCSVM監(jiān)控模型一起傳送給所述OCSVM模型在線更新模塊；所述OCSVM模型在線更新模塊對OCSVM監(jiān)控模型進行更新后，傳送給所述過程監(jiān)控模塊；所述過程監(jiān)控模塊得到異常樣本時產(chǎn)生報警信號，并傳送給所述報警模塊進行報警。
2.如權利要求1所述的一種應用OCSVM的生產(chǎn)過程自適應監(jiān)控系統(tǒng)，其特征在于:所述過程監(jiān)控模塊內預置有一原始模型建立子模塊，一漂移趨勢預測子模塊，一模型在線監(jiān)控子模塊和一漂移參數(shù)更新子模塊；所述原始模型建立子模塊將原始OCSVM監(jiān)控模型和代表正常工況的歷史過程數(shù)據(jù)發(fā)送給所述漂移趨勢預測子模塊；所述漂移趨勢預測子模塊將更新得到初始OCSVM監(jiān)控模型和收集的漂移趨勢信息發(fā)送給所述模型在線監(jiān)控子模塊；所述模型在線監(jiān)控子模塊將有效更新樣本、當前OCSVM監(jiān)控模型、正常漂移樣本偏離距離集合Fshift和漂移速率L發(fā)送給所述漂移參數(shù)更新子模塊；所述漂移參數(shù)更新子模塊將更新后的漂移速率L返回至所述模型在線監(jiān)控子模塊。
3.一種采用如權利要求1或2所述監(jiān)控系統(tǒng)的應用OCSVM的生產(chǎn)過程自適應監(jiān)控方法，其包括以下步驟: 1)數(shù)據(jù)采集模塊采集工業(yè)生產(chǎn)過程中的歷史過程變量和實時過程變量，并將歷史過程變量和實時過程變量數(shù)字化為歷史過程數(shù)據(jù)和實時過程數(shù)據(jù)，歷史過程數(shù)據(jù)發(fā)送給原始模型建立子模塊，實時過程數(shù)據(jù)發(fā)送給模型在線監(jiān)控子模塊； 2)原始模型建立子模塊選用能夠代表正常工況的歷史過程數(shù)據(jù)確定建模數(shù)據(jù)集合D、樣本集合A和樣本集合B，使用樣本集合A中的樣本建立原始OCSVM監(jiān)控模型，并將樣本集合B和建立的原始OCSVM監(jiān)控模型輸入給漂移趨勢預測子模塊； 3)漂移趨勢預測子模塊按照數(shù)據(jù)采集的時間順序依次使用樣本集合B中的樣本對原始OCSVM監(jiān)控模型進行逐次更新，得到初始OCSVM監(jiān)控模型；漂移趨勢預測子模塊在對原始OCSVM監(jiān)控模型進行逐次更新的過程中采集用于故障檢測的正常漂移樣本偏離距離集合Fshift、漂移速率L和當前OCSVM監(jiān)控模型的外層報警邊界判別函數(shù)票移趨勢信息，并將初始OCSVM監(jiān)控模型和收集到的漂移趨勢信息發(fā)送給模型在線監(jiān)控子模塊； 4)模型在線監(jiān)控子模塊接收到初始OCSVM監(jiān)控模型、正常漂移樣本偏離距離集合Fshift、漂移速率L和當前OCSVM監(jiān)控模型的外層報警邊界判別函數(shù)j 后，監(jiān)控系統(tǒng)正式進入在線監(jiān)控階段，原始模型建立子模塊和漂移趨勢預測子模塊處于休眠狀態(tài)，不再參與監(jiān)控工作； 5)模型在線監(jiān)控子模塊對接收到的實時過程數(shù)據(jù)是否為具有更新意義且符合生產(chǎn)過程的正常漂移趨勢的正常樣本進行判斷，并將具有更新意義且符合生產(chǎn)過程的正常漂移趨勢的正常樣本作為有效更新樣本與當前OCSVM監(jiān)控模型、正常漂移樣本偏離距離集合Fshift和漂移速率L均發(fā)送給漂移參數(shù)更新子模塊，將有效更新樣本和當前OCSVM監(jiān)控模型發(fā)送給OCSVM模型在線更新模塊；6)漂移參數(shù)更新子模塊用接收到的有效更新樣本和當前OCSVM監(jiān)控模型，依次更新正常漂移樣本偏離距離集合Fshift和漂移速率L，并將更新后的漂移速率L返回至模型在線監(jiān)控子模塊； 7)OCSVM模型在線更新模塊采用滑動窗方法對當前OCSVM監(jiān)控模型進行在線更新，并將更新后的OCSVM監(jiān)控模型發(fā)送給模型在線監(jiān)控子模塊，返回步驟5)。
4.如權利要求3所述的一種應用OCSVM的生產(chǎn)過程自適應監(jiān)控方法，其特征在于:所述步驟2)中原始模型建立子模塊建立原始OCSVM監(jiān)控模型的具體步驟包括: ①根據(jù)工業(yè)生產(chǎn)現(xiàn)場經(jīng)驗，從歷史過程數(shù)據(jù)中選擇若干能夠代表正常生產(chǎn)過程特征的數(shù)據(jù)作為建模樣本； ②按照數(shù)據(jù)采集的時間順序對建模樣本進行排序，生成建模數(shù)據(jù)集合D，建模數(shù)據(jù)集合D中的前W個建模樣本構成樣本集合A，其余所有建模樣本構成樣本集合B ； ③采用序列最小優(yōu)化算法，使用樣本集合A中的樣本建立原始OCSVM監(jiān)控模型。
5.如權利要求3所述的一種應用OCSVM的生產(chǎn)過程自適應監(jiān)控方法，其特征在于:所述步驟3)中采用以下步驟獲得初始OCSVM監(jiān)控模型: ①假設原始OCSVM監(jiān)控模型為當前OCSVM監(jiān)控模型； ②依次將樣本集合B中的樣本輸入到當前OCSVM監(jiān)控模型中進行判別，如果輸入的樣本被判別 為正常樣本，則進行下一個樣本的判別；如果輸入的樣本被判別為“異常”樣本，則將該“異?！睒颖炯尤氲綐颖炯螦中，生成新的樣本集合A后，重新建立OCSVM監(jiān)控模型，并將重新建立的OCSVM監(jiān)控模型設為當前OCSVM監(jiān)控模型，然后進行下一個樣本的判別； ③將樣本集合B中的所有樣本依次完成判別后得到的當前OCSVM監(jiān)控模型作為初始OCSVM監(jiān)控模型。
6.如權利要求4所述的一種應用OCSVM的生產(chǎn)過程自適應監(jiān)控方法，其特征在于:所述步驟3)中采用以下步驟獲得初始OCSVM監(jiān)控模型: ①假設原始OCSVM監(jiān)控模型為當前OCSVM監(jiān)控模型； ②依次將樣本集合B中的樣本輸入到當前OCSVM監(jiān)控模型中進行判別，如果輸入的樣本被判別為正常樣本，則進行下一個樣本的判別；如果輸入的樣本被判別為“異常”樣本，則將該“異常”樣本加入到樣本集合A中，生成新的樣本集合A后，重新建立OCSVM監(jiān)控模型，并將重新建立的OCSVM監(jiān)控模型設為當前OCSVM監(jiān)控模型，然后進行下一個樣本的判別； ③將樣本集合B中的所有樣本依次完成判別后得到的當前OCSVM監(jiān)控模型作為初始OCSVM監(jiān)控模型。
7.如權利要求4或5或6所述的一種應用OCSVM的生產(chǎn)過程自適應監(jiān)控方法，其特征在于:所述步驟3)中漂移趨勢預測子模塊按照以下步驟收集歷史生產(chǎn)過程中的用于故障檢測的漂移趨勢信息: ①假定初始OCSVM監(jiān)控模型的外層報警邊界的置信度閾值δ，δ的取值范圍為δ e (0.7，I)； ②在使用訓練樣本集合B中單個訓練樣本對原始OCSVM監(jiān)控模型進行逐次更新的過程中，收集所有被當前OCSVM監(jiān)控模型判斷為“異?！钡臉颖荆⒂嬎忝總€被判別為“異?！睒颖镜腇值:
F = f (X) / P ,X代表每個被判斷為“異?！钡臉颖荆琭 (X)為當前OCSVM監(jiān)控模對應的決策函數(shù)，P為當前OCSVM監(jiān)控模型在特征空間中的切平面偏置值； ③將步驟②中每個被判別為“異?！睒颖镜腇值按照數(shù)據(jù)采集的時間順序依次加入正常漂移樣本偏離距離集合Fshift中，將正常漂移樣本偏離距離集合Fshift中的所有m個F值按照大小進行排序，得到序列F(1) <F(2)〈…<F(m)，將該序列中的第[πιΧ(Ι-δ)]個F值設定為漂移速率L ； ④根據(jù)漂移速率L計算得到當前OCSVM監(jiān)控模型的外層報警邊界的判別函數(shù)TXv)為:
8.如權利要求4或5或6所述的一種應用OCSVM的生產(chǎn)過程自適應監(jiān)控方法，其特征在于:所述步驟5)中采用以下步驟判斷新樣本數(shù)據(jù)Xk是否為具有更新意義且符合生產(chǎn)過程正常漂移趨勢的正常樣本: ①模型在線監(jiān)控子模塊根據(jù)當前OCSVM監(jiān)控模型信息，由公式
【文檔編號】G06Q50/04GK103439933SQ201310350588
【公開日】2013年12月11日 申請日期:2013年8月13日 優(yōu)先權日:2013年8月13日
【發(fā)明者】王煥鋼, 侯冉冉, 徐文立, 肖志博 申請人:清華大學