CN109144035A

CN109144035A - 一种基于支持向量的化工过程监测方法

Info

Publication number: CN109144035A
Application number: CN201811135141.9A
Authority: CN
Inventors: 张日东; 李翔
Original assignee: Hangzhou Dianzi University
Current assignee: Hangzhou Dianzi University
Priority date: 2018-09-27
Filing date: 2018-09-27
Publication date: 2019-01-04

Abstract

本发明公开了一种基于支持向量的化工过程监测方法，包括如下步骤：步骤1：收集化工过程中传感器数据，进行整理并执行偏最小二乘算法，计算得到相应的参数；步骤2：使用步骤1中得到的支持向量对化工过程进行监测，判断是否出现故障。本发明提出了一种新型的基于支持向量的化工过程监测方法。该方法通过采集化工过程中的数据建立过程的预测模型，然后基于支持向量创建一种新的过程监测指标。改进了传统过程监测指标不能很好地监测非线性过程的缺点，改善了监测的灵敏性。

Description

一种基于支持向量的化工过程监测方法

技术领域

本发明属于自动化技术领域，涉及一种基于支持向量的化工过程监测方法。

背景技术

作为现代工业过程的重要组成部分，过程监控发挥着重要作用。已经出现了大量的过程监测方法来检测故障。作为最常用的多变量过程监测方法之一，偏最小二乘已被广泛用于过程监测。传统的偏最小二乘方法是假设过程数据符合高斯分布，并且这些变量之间的关系是线性的，这并不符合实际情况。然而偏最小二乘仍然是一种有效且简单的数据提取方法，因此，应当构建新的统计监测指标来充分发挥偏最小二乘的优势。

发明内容

本发明的目的是针对传统的过程监测技术不能很好的监测非高斯过程数据的不足之处，提出了一种新型的基于支持向量的化工过程监测方法。该方法将原始数据投影到更高维的特征空间来解决非线性问题，引入拉格朗日方法来减小计算复杂度。基于支持向量创建新的过程监测指标，加强了过程监测系统的灵敏度，提高了故障诊断率。其具体技术方案如下：

步骤1：收集化工过程中传感器数据，进行整理并执行偏最小二乘算法，计算得到相应的参数。具体步骤是：

1.1收集化工过程中产生的数据，数据分为两类，过程数据X和质量数据Y，包含N个样本。

X＝[x₁,x₂...x_m],x₁,x₂...x_m∈R^N×1

Y＝[y₁,y₂...y_p],x₁,x₂...x_p∈R^N×1

其中，x₁,x₂...x_m等分别表示化工过程中的反应物浓度，压力，温度…阀门开度等变量，y₁,y₂...y_p等分别表示产物浓度，产物纯度…产物温度等与质量相关的变量。m表示过程变量的个数，p表示质量变量的个数。

1.2由于过程中采集到的数据可能存在单位不一致，数值相差过大等情况，因此对步骤1.1中采集的数据进行标准化。

其中，表示过程数据的均值，表示质量数据的均值。表示标准化后的过程数据，表示标准化后的质量数据。

1.3计算标准化过程变量的潜在变量t和标准化质量变量的潜在变量u,首先初始化u为Y的任意一列，

其中，w表示标准化过程变量与潜在变量u对应的权重向量，u表示标准化质量变量对应的潜在变量,‘表示转置符号。

1.4重复步骤1.3，直到潜在变量t收敛，然后缩减标准化过程变量和标准化质量变量

1.5根据步骤1.3和1.4，计算需要的参数。

B＝W(P'W)^-1C'

其中，W表示权重矩阵，P和C表示负载向量，B表示回归系数矩阵。T表示标准化过程变量的支持向量。U表示u的聚合矩阵。

1.6经过步骤1.2-步骤1.5，标准化过程变量和标准化质量变量分别可以被分解为：

其中，E表示标准化过程变量的残差矩阵，F表示标准化质量变量的残差矩阵。

1.7经过以上步骤，可以得到标准化质量变量的预测模型。

其中，表示质量变量Y的预测值。

步骤2：使用步骤一中得到的支持向量对化工过程进行监测，判断是否出现故障。具体步骤为：

2.1将每个样本映射到特征空间中的更高维的超球面，超球面的中心a和半径R，则超球体的最小体积可以得到：

其中，y_i表示第i个样本映射到高维特征空间后的值，V表示超球面体积与误差之间的折衷参数。ζ_i表示松弛变量。

2.2上面的问题可以使用另一种更容易计算的方法，即引入拉格朗日乘子的方式。

其中，x_i,x_j分别表示第i，j个样本的过程变量；K(x_i,x_j)表示第i，j个样本对应的核函数。α_i,α_j均表示拉格朗日乘子。

2.3计算超球面的半径。

其中，x_s表示任意的一个支持向量。

2.4计算新的数据样本到中心的距离，构建新的监测统计量。

其中，x_new表示新的样本数据。D表示x_new到超球面中心的距离。

有益效果

本发明提出了一种新型的基于支持向量的化工过程监测方法。该方法通过采集化工过程中的数据建立过程的预测模型，然后基于支持向量创建一种新的过程监测指标。改进了传统过程监测指标不能很好地监测非线性过程的缺点，改善了监测的灵敏性。

具体实施方式

下面对本发明作进一步说明。

以田纳西-伊斯曼过程为例：

田纳西-伊斯曼过程由反应器，冷凝器，分离器，压缩机和汽提塔五部分组成，包含12个操作变量和41个测量变量。有21个故障变量。

X＝[x₁,x₂...x_m],x₁,x₂...x_m∈R^N×1

Y＝[y₁,y₂...y_p],x₁,x₂...x_p∈R^N×1

其中，x₁,x₂...x_m等分别表示化工过程中的反应物浓度，压力，温度…阀门开度等变量，y₁,y₂...y_p等分别表示产物浓度，产物纯度…产物温度等与质量相关的变量。

其中，w表示标准化过程变量与潜在变量u对应的权重向量，u表示标准化质量变量与潜在变量t对应的权重向量,‘表示转置符号。

1.5根据步骤1.3和1.4，计算需要的参数。

B＝W(P'W)^-1C'

其中，W表示权重矩阵，P和C表示负载向量，B表示回归系数矩阵。T表示标准化过程变量的支持向量。

1.7经过以上步骤，可以得到标准化质量变量的预测模型。

其中，表示质量变量Y的预测值。

步骤二：使用步骤一中得到的支持向量对化工过程进行监测，判断是否出现故障。具体步骤为：

其中，y_i表示第i个样本映射到高维特征空间后的值，C表示超球面体积与误差之间的折衷参数。ζ_i表示松弛变量。

2.3计算超球面的半径。

其中，x_s表示任意的一个支持向量。

2.4计算新的数据样本到中心的距离，构建新的监测统计量。

Claims

1.一种基于支持向量的化工过程监测方法，包括如下步骤：

步骤1：收集化工过程中传感器数据，进行整理并执行偏最小二乘算法，计算得到相应的参数；

步骤2：使用步骤1中得到的支持向量对化工过程进行监测，判断是否出现故障。

2.如权利要求1所述基于支持向量的化工过程监测方法，其特征在于：

所述步骤1具体如下：

X＝[x₁,x₂...x_m],x₁,x₂...x_m∈R^N×1

Y＝[y₁,y₂...y_p],x₁,x₂...x_p∈R^N×1

其中，x₁,x₂...x_m等分别表示化工过程中的反应物浓度，压力，温度…阀门开度等变量，y₁,y₂...y_p等分别表示产物浓度，产物纯度…产物温度等与质量相关的变量。m表示过程变量的个数，p表示质量变量的个数；

1.2对步骤1.1中采集的数据进行标准化：

其中，表示过程数据的均值，表示质量数据的均值。表示标准化后的过程数据，表示标准化后的质量数据；

其中，w表示标准化过程变量与潜在变量u对应的权重向量，u表示标准化质量变量对应的潜在变量，‘表示转置符号；

1.5根据步骤1.3和1.4，计算需要的参数：

B＝W(P'W)^-1C'

其中，W表示权重矩阵，P和C表示负载向量，B表示回归系数矩阵。T表示标准化过程变量的支持向量。U表示u的聚合矩阵；

其中，E表示标准化过程变量的残差矩阵，F表示标准化质量变量的残差矩阵；

1.7经过以上步骤，可以得到标准化质量变量的预测模型：

其中，表示质量变量Y的预测值。

3.如权利要求2所述基于支持向量的化工过程监测方法，其特征在于：

所述步骤2具体为：

其中，y_i表示第i个样本映射到高维特征空间后的值，V表示超球面体积与误差之间的折衷参数，ζ_i表示松弛变量；

2.2引入拉格朗日乘子的方式：

其中，x_i,x_j分别表示第i，j个样本的过程变量；K(x_i,x_j)表示第i，j个样本对应的核函数。α_i,α_j均表示拉格朗日乘子；

2.3计算超球面的半径：

其中，x_s表示任意的一个支持向量；

2.4计算新的数据样本到中心的距离，构建新的监测统计量：

其中，x_new表示新的样本数据，D表示x_new到超球面中心的距离。