[发明专利]一种基于核学习的化工过程故障分类方法

说明书

技术领域

本发明属于化工过程控制领域，特别涉及一种基于核学习的化工过程故障分类方法。

背景技术

工业生产过程复杂，对产品的质量要求高，其生产过程的监测问题作正在得到越来越广泛的重视。一方面，实际的工业生产过程因为其过程复杂，操作变量多，传统的化工过程监测方法效果不理想；另一方面，工业界对过程监测工具有着迫切的现实需求，如果没有很好的监测与诊断，轻则造成产品质量波动、降低企业利润，重则将会造成生命的损失。因此，找到效果更好的过程监测方法，为过程操作人员提供及时、准确的过程运行信息，已经成为工业生产过程的研究热点和迫切需要解决的问题之一。本专利主要着眼于过程监测中的故障分类问题。

由于分布式控制系统的大量应用，如今可以很轻易地收集大量的高维度的过程数据。然而由于质量平衡和能量平衡，这些数据往往存在严重的变量冗余的现象，这也就意味着高维数据是嵌入在低维流形的。基于这些特征，学者们提出了传统的化工过程监测方法。最常见的传统的化工过程监测方法是主成分分析方法(PCA)，然而它的使用受到线性假设的约束。实际的化工过程因为其过程复杂，变量间的关系往往是非线性的。核主成分分析(KPCA)是主成分分析的非线性形式，然而由于在实际使用过程中缺少有效的选取核函数类型与参数的方法，核主成分分析的效果不能得到有效保证。在这种背景下，有学者提出了最大方差展开，这已经被证明是一种在过程监测领域非常有效的非线性数据降维方法。它最大的特点是自主从建模数据中学习出来一个核来更好地适应特定数据，而不是像核主成分分析那样由使用者人为地指定一个核。这个核学习的过程是通过半正定优化求解的，并且是全局最优的。

传统的最大方差展开算法拥有优异的非线性数据处理能力，并且能够准确得到高维数据的内嵌维度、保持流形的边界特征。然而它是一个无监督算法，无法利用数据的类别特征；并且由于没有显式的核函数，对于每一笔新数据都要重新建模；这两点很大程度上限制了其应用。

发明内容

针对现有化工过程故障分类的应用局限，本发明提供一种基于核学习的化工过程故障分类方法，该方法包括以下步骤：

一种基于核学习的化工过程故障分类方法，包括以下步骤：

步骤一：收集化工过程正常工况下的数据与各类型的故障工况下的数据，得到建模用的训练样本集其中x_n∈R^D，N为训练样本总数，D为过程变量数，R为实数集；

步骤二：对训练样本集X进行预处理和归一化；

步骤三：采用监督最大方差展开算法处理归一化后的训练样本集，得到相应的目标函数与约束，并通过半正定规划得到一个核矩阵K，所述的监督最大方差展开算法具体如下：

(1)分别计算正常工况和各类型的故障工况的目标函数Γ_c，

其中，c为工况类别信息，c＝1,2,…,C，N_c表示c工况的数据点数，Φ(x_i)表示建模数据x_i在核空间的投影、Φ(x_j)表示建模数据x_j在核空间的投影，k_ii、k_jj、k_ij为核矩阵K中的元素，G_c为c类工况建模数据点的集合；

(2)将所得到的Γ₁,…,Γ_C按照如下方式组合，得到总的目标函数Γ，

(3)总的目标函数Γ需要满足四个约束条件，

①半正定约束为：K≥0；

②零均值约束

③等距性约束

||Φ(x_i)-Φ(x_j)||²＝||x_i-x_j||² (3)

其中x_i,x_j本身为k-相邻点，或者x_i,x_j为另一点的k-相邻点，并且它们属于同一工况类别；

④类间距约束

工况1:

工况2:

工况C: