CN102541050A - 一种基于改进支持向量机的化工过程故障诊断方法 - Google Patents
一种基于改进支持向量机的化工过程故障诊断方法 Download PDFInfo
- Publication number
- CN102541050A CN102541050A CN201210001539XA CN201210001539A CN102541050A CN 102541050 A CN102541050 A CN 102541050A CN 201210001539X A CN201210001539X A CN 201210001539XA CN 201210001539 A CN201210001539 A CN 201210001539A CN 102541050 A CN102541050 A CN 102541050A
- Authority
- CN
- China
- Prior art keywords
- matrix
- training sample
- chemical process
- class
- type
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Automatic Analysis And Handling Materials Therefor (AREA)
Abstract
本发明公开了一种基于改进支持向量机的化工过程故障诊断方法,该方法将改进的支持向量机应用于化工过程故障诊断,判断化工过程是否发生故障,如果发生故障,对故障的类型进行诊断。本发明简单易实现,具有良好的故障诊断效果。
Description
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:
(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:
通过以下3个子步骤获得训练样本的局部判别信息:
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:
该步骤通过以下两个子步骤来实现:
4、构造最优化问题并求解。
并对上式进行求导和化简,得到问题的对偶表达式:
;
下面根据实施例对本发明作进一步说明。
实施例
连续搅拌釜式反应器CSTR( Continuous Stired-Tank Reactor)是化工过程中常见的开环渐进稳定系统。CSTR内进行的是一个不可逆的一阶放热反应。考虑该CSTR可能会发生的主要故障有进料浓度偏高或偏低,进料温度偏高或偏低,其中偏离稳态值10%~20%被认为是小故障,偏离稳态值20%以上被认为是大故障,0~10%之间被认为是许可的正常情况,包括稳态,共有9种系统状态。
4)选取适当的核函数和参数,构造最优化问题并求解;
Claims (4)
2.一种基于改进支持向量机的化工过程故障诊断方法,其特征在于,所述步骤(2)通过以下三个子步骤获得训练样本的局部判别信息:
(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:
;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210001539XA CN102541050A (zh) | 2012-01-05 | 2012-01-05 | 一种基于改进支持向量机的化工过程故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210001539XA CN102541050A (zh) | 2012-01-05 | 2012-01-05 | 一种基于改进支持向量机的化工过程故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102541050A true CN102541050A (zh) | 2012-07-04 |
Family
ID=46348141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210001539XA Pending CN102541050A (zh) | 2012-01-05 | 2012-01-05 | 一种基于改进支持向量机的化工过程故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102541050A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106545A (zh) * | 2013-02-06 | 2013-05-15 | 浙江工业大学 | 散堆填料塔液泛气速预测的集成方法 |
CN103616889A (zh) * | 2013-11-29 | 2014-03-05 | 渤海大学 | 一种重构样本中心的化工过程故障分类方法 |
CN104731056A (zh) * | 2015-01-28 | 2015-06-24 | 蓝星(北京)技术中心有限公司 | 快速判断化工生产装置的运行稳定性的方法及装置 |
CN105116872A (zh) * | 2015-07-13 | 2015-12-02 | 哈尔滨工业大学 | 一种工业过程中基于度量学习与时间序列的故障诊断方法 |
CN105389595A (zh) * | 2015-12-02 | 2016-03-09 | 中国石油大学(北京) | 一种化工装备长周期运行安全风险雷达监测方法及装置 |
CN106095928A (zh) * | 2016-06-12 | 2016-11-09 | 国家计算机网络与信息安全管理中心 | 一种事件类型识别方法及装置 |
CN106384130A (zh) * | 2016-09-22 | 2017-02-08 | 宁波大学 | 基于数据多近邻局部特征嵌入的故障检测方法 |
CN106485286A (zh) * | 2016-10-29 | 2017-03-08 | 华东理工大学 | 一种基于局部敏感判别的矩阵分类模型 |
CN110262447A (zh) * | 2019-05-24 | 2019-09-20 | 南京航空航天大学 | 一种基于ann的acs闭环系统故障定位方法 |
CN111639304A (zh) * | 2020-06-02 | 2020-09-08 | 江南大学 | 基于Xgboost回归模型的CSTR故障定位方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464964A (zh) * | 2007-12-18 | 2009-06-24 | 同济大学 | 一种设备故障诊断的支持向量机模式识别方法 |
CN101587155A (zh) * | 2009-06-08 | 2009-11-25 | 浙江大学 | 一种油浸式变压器的故障诊断方法 |
WO2010149935A1 (fr) * | 2009-06-25 | 2010-12-29 | Electricite De France | Détection de défaut dans un dispositif électrochimique |
-
2012
- 2012-01-05 CN CN201210001539XA patent/CN102541050A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464964A (zh) * | 2007-12-18 | 2009-06-24 | 同济大学 | 一种设备故障诊断的支持向量机模式识别方法 |
CN101587155A (zh) * | 2009-06-08 | 2009-11-25 | 浙江大学 | 一种油浸式变压器的故障诊断方法 |
WO2010149935A1 (fr) * | 2009-06-25 | 2010-12-29 | Electricite De France | Détection de défaut dans un dispositif électrochimique |
Non-Patent Citations (2)
Title |
---|
曹冲锋: "《改进支持向量机模型的旋转机械故障诊断方法》", 《振动、测试与诊断》, vol. 03, no. 03, 15 September 2009 (2009-09-15) * |
陈剑雪: "基于支持向量机的化工过程故障诊断", 《华东理工大学学报》, vol. 03, no. 03, 30 June 2004 (2004-06-30) * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106545A (zh) * | 2013-02-06 | 2013-05-15 | 浙江工业大学 | 散堆填料塔液泛气速预测的集成方法 |
CN103616889A (zh) * | 2013-11-29 | 2014-03-05 | 渤海大学 | 一种重构样本中心的化工过程故障分类方法 |
CN103616889B (zh) * | 2013-11-29 | 2015-12-09 | 渤海大学 | 一种重构样本中心的化工过程故障分类方法 |
CN104731056A (zh) * | 2015-01-28 | 2015-06-24 | 蓝星(北京)技术中心有限公司 | 快速判断化工生产装置的运行稳定性的方法及装置 |
CN105116872A (zh) * | 2015-07-13 | 2015-12-02 | 哈尔滨工业大学 | 一种工业过程中基于度量学习与时间序列的故障诊断方法 |
CN105389595A (zh) * | 2015-12-02 | 2016-03-09 | 中国石油大学(北京) | 一种化工装备长周期运行安全风险雷达监测方法及装置 |
CN106095928A (zh) * | 2016-06-12 | 2016-11-09 | 国家计算机网络与信息安全管理中心 | 一种事件类型识别方法及装置 |
CN106384130A (zh) * | 2016-09-22 | 2017-02-08 | 宁波大学 | 基于数据多近邻局部特征嵌入的故障检测方法 |
CN106485286A (zh) * | 2016-10-29 | 2017-03-08 | 华东理工大学 | 一种基于局部敏感判别的矩阵分类模型 |
CN110262447A (zh) * | 2019-05-24 | 2019-09-20 | 南京航空航天大学 | 一种基于ann的acs闭环系统故障定位方法 |
CN110262447B (zh) * | 2019-05-24 | 2020-07-28 | 南京航空航天大学 | 一种基于ann的acs闭环系统故障定位方法 |
CN111639304A (zh) * | 2020-06-02 | 2020-09-08 | 江南大学 | 基于Xgboost回归模型的CSTR故障定位方法 |
CN111639304B (zh) * | 2020-06-02 | 2023-02-21 | 江南大学 | 基于Xgboost回归模型的CSTR故障定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102541050A (zh) | 一种基于改进支持向量机的化工过程故障诊断方法 | |
CN105260279B (zh) | 基于smart数据动态诊断硬盘故障的方法和装置 | |
CN106844161B (zh) | 一种带状态流计算系统中的异常监控及预测方法和系统 | |
Gao et al. | An improved SVM integrated GS-PCA fault diagnosis approach of Tennessee Eastman process | |
Shang et al. | Slow feature analysis for monitoring and diagnosis of control performance | |
Li et al. | Rolling element bearing fault detection using support vector machine with improved ant colony optimization | |
KR20180123951A (ko) | 기계학습 기반 실시간 태양광 셀 또는 어레이 상태 진단/예측 장치 및 방법 | |
Ji et al. | A review on data-driven process monitoring methods: Characterization and mining of industrial data | |
CN110530650B (zh) | 基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法 | |
Gaddam et al. | Anomaly detection models for detecting sensor faults and outliers in the IoT-a survey | |
CN101738998B (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
Yélamos et al. | Simultaneous fault diagnosis in chemical plants using a multilabel approach | |
Qin et al. | IIoT-enabled health monitoring for integrated heat pump system using mixture slow feature analysis | |
CN104699077A (zh) | 一种基于嵌套迭代费舍尔判别分析的故障变量隔离方法 | |
EP4148523A1 (en) | Intelligent asset anomaly prediction via feature generation | |
CN111652310A (zh) | 基于Bagging框架SVM继电器贮存寿命预测方法 | |
Li et al. | Fault diagnostic method based on deep learning and multimodel feature fusion for complex industrial processes | |
Kazemi et al. | A practical framework for implementing multivariate monitoring techniques into distributed control system | |
CN114169254A (zh) | 基于短期建筑能耗预测模型的异常能耗诊断方法及系统 | |
He et al. | Novel pattern recognition using bootstrap-based discriminant locality-preserving projection and its application to fault diagnosis | |
Yan et al. | Quality-driven autoencoder for nonlinear quality-related and process-related fault detection based on least-squares regularization and enhanced statistics | |
Tong et al. | A novel ellipsoidal semisupervised extreme learning machine algorithm and its application in wind turbine blade icing fault detection | |
CN110298385A (zh) | 一种基于*信息与增量svdd在线早期故障检测方法 | |
CN107544447A (zh) | 一种基于核学习的化工过程故障分类方法 | |
CN106195247A (zh) | 一种基于大数据管理模式的变速器控制系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120704 |