[发明专利]一种基于改进支持向量机的化工过程故障诊断方法

说明书

技术领域

本发明涉及一种机器学习和化工过程故障诊断方法，尤其涉及一种化工过程故障的智能诊断方法。 

背景技术

近年来，伴随着计算机技术和控制理论的迅速发展，现代设备的结构越来越复杂，自动化系统的规模越来越大，使得企业的生产效率大大提高，并降低了生产成本。但是，与此同时，伴随着生产过程复杂化、大型化而来的是系统内部和系统之间的相互关联，如果系统一处发生故障，就有可能引起连锁反应，导致整个生产过程不能正常工作。这些故障不仅能够破坏生产，而且可能危及人们的生命安全，带来严重的环境污染，造成巨大的损失。对其进行及时准确地故障诊断以减少化工生产的停产时间，增加生产过程的安全性，无论从效益角度还是安全角度，都具有必要性和迫切性。

主元分析(PCA)在化工过程故障诊断中受欢迎度极高并且应用广泛。PCA将工业过程中采集的复杂信息数据压缩集中到少数几个主元特征信息，来描述整个过程的性能，而且不需要基本过程的解析模型。但是PCA本身具有缺陷，在故障类型的识别方面存在不足。采用以神经网络等软计算模型为主的软测量方法，则容易出现收敛速度慢，极度依赖先验知识，参数调整困难等问题。基于改进的支持向量机化工过程故障诊断方法能够克服PCA方法在能够故障类型的识别方面存在不足，并且能很好的解决神经网络等传统方法收敛速度慢，极度依赖先验知识等困难，具有良好的故障诊断能力。 

发明内容

本发明的目的是针对现有技术的不足，提供一种基于改进支持向量机的化工过程故障诊断方法。

本发明的目的是通过以下技术方案来实现的：一种基于改进支持向量机的化工过程故障诊断方法，包括以下步骤：

（1）将以往化工过程的故障数据作为训练样本集                                                ，按不同的故障类型进行分类；

（2）设定构造最近邻的参数，根据值，在训练样本集上构建类内图和类间图，分别计算权重矩阵和，并根据和计算类内散度和类间散度和，获得训练样本的局部判别信息；

（3）根据局部判别信息计算拉普拉斯矩阵，得到问题的正则化表达；

（4）构造最优化问题并求解；

（5）根据求解得到的最优解构造决策函数，将现场采集到的实时数据输入到该决策函数中，得到判别结果，根据判别结果获得该实时数据所对应的化工过程工作状态，以此来完成化工故障诊断。

本发明的有益效果是，本发明基于改进支持向量机的化工过程故障诊断方法能够克服PCA方法在能够故障类型的识别方面存在不足，并且能很好的解决神经网络等传统方法收敛速度慢，极度依赖先验知识等困难，具有良好的故障诊断能力。

附图说明

图1是改进支持向量机化工过程故障检测方法流程图；

图2连续搅拌釜式反应器CSTR的化工过程图。

具体实施方式

本发明基于改进支持向量机的化工过程故障诊断方法，步骤如下：

1、将以往化工过程的故障数据作为训练样本集，按不同的故障类型进行分类。

2、设定构造最近邻的参数，根据值，在训练样本集上构建类内图和类间图，分别计算权重矩阵和，并根据和计算类内散度和类间散度和，获得训练样本的局部判别信息。

通过以下3个子步骤获得训练样本的局部判别信息：

2.1、对于训练样本集中的任意样本点，可以找到它的个最近邻居，并且在和这些邻居之间设置带权重的边，这样便构成了图，用表示的个最近邻居。

2.2、在训练样本集上构建类内图和类间图，分别计算权重矩阵和。用表示样本的类标记，可以分为和；其中表示中类标记与相同的训练样本，在与这些样本之间设置带权值的边，便得到类内图；表示中类标记与不同的训练样本，在与这些样本之间设置带权值的边，便得到类间图。计算图和的权重矩阵和，定义为：

  ；

  。

2.3、通过下式计算类内散度和类间散度，获得训练样本的局部判别信息：

         ；

         。

其中，是决策函数。

3、根据局部判别信息计算拉普拉斯矩阵，得到问题的正则化表达。

该步骤通过以下两个子步骤来实现：

3.1、计算拉普拉斯矩阵，计算方式如下：

           ；

          ；

其中，和是一个对角矩阵，矩阵的元分别是和的列的和（或者是行的和，因为和是对称矩阵）。即，；，。