CN109657847A - 基于粒子群优化支持向量回归的工业生产中故障预测方法 - Google Patents
基于粒子群优化支持向量回归的工业生产中故障预测方法 Download PDFInfo
- Publication number
- CN109657847A CN109657847A CN201811487393.8A CN201811487393A CN109657847A CN 109657847 A CN109657847 A CN 109657847A CN 201811487393 A CN201811487393 A CN 201811487393A CN 109657847 A CN109657847 A CN 109657847A
- Authority
- CN
- China
- Prior art keywords
- particle
- value
- support vector
- industrial processes
- vector regression
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000009776 industrial production Methods 0.000 title claims description 8
- 238000004519 manufacturing process Methods 0.000 claims abstract description 61
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 9
- 230000007257 malfunction Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000008929 regeneration Effects 0.000 claims description 3
- 238000011069 regeneration method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- -1 specifically Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Abstract
本发明公开了一种基于粒子群优化支持向量回归的工业生产过程故障预测方法,包括:计算平均偏差和方差,对工业生产过程中的多维数据进行特征提取,得到原始输入样本集的特征数据;构建原始输入样本集的特征数据的时间序列,从中选取前h个连续的特征数据,按照设定的映射维数m,建立行数为h‑m+1,列数为m的输入样本;利用输入样本,使用训练好的支持向量回归模型对工业生产过程进行故障预测。本发明采用粒子群算法,同时优化支持向量回归模型的3个关键参数,为支持向量回归模型参数的优化提供了一种可行、高效的方法,并提高了利用支持向量回归算法进行工业生产过程故障预测的准确性。
Description
技术领域
本发明属于工业生产过程故障预测领域,更具体地,涉及一种基于粒子群优化支持向量回归的工业生产过程故障预测方法。
背景技术
工业生产过程系统越来越复杂,各个流程工序相互关联、相互影响,一旦其中任何一个工业生产过程或环节出现故障,轻则导致系统功能失效,影响正常的生产,造成企业重大经济损失,严重时会造成人员安全事故,给国家和人民带来损失。因此,从安全生产和企业经济效益的角度来说,通过对工业生产关键工业生产过程的运行数据进行故障预测是十分必要的。
故障预测是根据历史运行数据和当前运行状态对未来一段时间将要发生的故障进行预测。现有的故障预测方法可以分为基于模型的预测方法、基于概率统计的预测方法和基于数据驱动的预测方法。基于模型的预测方法是依据相关的专业理论和知识得到对象系统的精确数学模型,对故障机理进行分析后评估系统部件的剩余寿命,这种方法要求系统模型相对精确,一旦模型不合理,那么预测状态结果就会偏差很大。基于概率统计的预测方法是运用数理统计原理,以少样本推测整体的特性,通过分析工业生产过程或系统的特性变化,实现对故障的预测,该方法实现较为简单,但对于复杂多变的系统预测精度相对较低。基于数据驱动的预测方法对系统模型精度要求不高,通过数据挖掘算法进行故障预测,但预测精度依赖于数据挖掘算法的参数优化,不同的参数训练出来的模型会有差异,如果参数不进行优化或优化效果不好,则预测精度也不准确。同时,预测算法的参数优化方法也存在效率低的问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于粒子群优化支持向量回归的工业生产过程故障预测方法,由此解决现有的故障预测方法预测结果偏差大、预测精度相对较低以及预测算法的参数优化效率低的技术问题。
为实现上述目的,本发明提供了一种基于粒子群优化支持向量回归的工业生产过程故障预测方法,包括:
(1)计算工业生产过程中的多维数据的平均偏差和方差,以对多维数据进行特征提取,得到原始输入样本集的特征数据;
(2)按照所述原始输入样本集的特征数据的时间顺序,从所述原始输入样本集的特征数据中选取前h个连续的特征数据构成时间序列,按照预设的映射维数m,将所述时间序列构建成行数为h-m+1,列数为m的待预测输入样本;
(3)根据所述待预测输入样本,使用训练好的支持向量回归模型对工业生产过程进行故障预测,以判断所述工业生产过程是否会发生故障。
优选地,步骤(1)包括:
选取工业生产过程中的变量Ak从t时刻开始的连续n个值,计算这n个值与该变量Ak的偏差,然后将这些偏差的平均值作为特征值et,k,另外再计算这n个值与该变量Ak的方差,并将这些方差的平均值作为另一个特征值由此,对于工业生产过程中的r个变量,能够构造出包含2*r的特征向量:将特征向量经归一化处理后,得到原始输入样本集的特征数据。
优选地,步骤(2)包括:
按照所述原始输入样本集的特征数据的时间顺序,从所述原始输入样本集的特征数据中选取前h个连续的特征数据构成时间序列{x1,x2,...,xh},按照预设的映射维数m,依次建立行向量:{x1,x2,...,xm},...,{xh-m+1,xh-m+2,...,xh},进而建立行数为h-m+1,列数为m的输入样本X:其中,X中的元素表示特征数据。
优选地,对于工业生产过程故障预测问题,根据输入样本X,通过预测未来工业生产过程中的数据判断工业生产过程是否会发生故障。
优选地,所述训练好的支持向量回归模型的训练过程为:
计算经过标记的工业生产数据的平均偏差和方差,得到特征数据,按照时间顺序,从特征数据中选取前h个连续的特征数据构成时间序列,按照预设的映射维数m,建立行数为h-m+1,列数为m的训练数据集;
利用训练数据集训练支持向量回归SVR模型,采用粒子群PSO算法优化SVR的关键参数,SVR的关键参数包括核函数的惩罚系数C、高斯核带宽σ和不敏感系数ε,将使得训练数据集分类准确率最高的SVR模型参数作为SVR模型的最优参数组合,得到训练好的支持向量回归SVR模型,以通过训练好的支持向量回归SVR模型对工业生产过程进行故障预测。
优选地,所述标记的工业生产过程数据是指已知工业生产过程状态是正常状态的数据还是故障状态的数据,以及是属于哪一种故障状态。
优选地,支持向量回归SVR模型的核函数为高斯径向基核函数,以空间向量(C,σ,ε)作为粒子群算法中的粒子,C表示SVR的核函数的惩罚系数,σ表示高斯核带宽,ε表示不敏感系数,通过粒子群优化算法选取出最优的粒子,得到支持向量回归模型的惩罚系数、高斯核带宽及不敏感系数的最优组合,包括:
S1:随机为粒子种群中的每个粒子指定初始位置和速度参数,设定预设最大迭代次数、粒子位置的限定范围、粒子速度的限定范围及粒子种群规模,粒子i的位置为(xi,C,xi,σ,xi,ε),其中xi,C代表惩罚系数C值大小,xi,σ代表高斯核带宽σ值大小,xi,ε代表不敏感参数ε值大小,粒子i的速度为(vi,C,vi,σ,vi,ε);
S2:将粒子的位置(xi,C,xi,σ,xi,ε)作为参数训练SVR模型,用均方误差的倒数衡量粒子的适应度;
S3:更新各粒子的速度和位置,若粒子速度及位置超出了各自的限定范围,则取边界值,限制粒子速度和位置,对于更新后的每个粒子,若该粒子当前位置对应的适应度高于其历史最佳位置对应的适应度,则将当前位置作为该粒子的最佳位置;
S4:更新种群位置,将每个粒子的当前最佳位置对应的适应度与种群历史最佳位置对应的适应度进行比较,若某个粒子当前最佳位置对应的适应度值更高,则将该粒子当前最佳位置作为种群最佳位置;
S5:若迭代次数小于预设最大迭代次数,且最佳适应度值小于给定阈值,则返回步骤S2继续迭代,否则结束迭代,将得到的种群最佳位置作为SVR模型的惩罚系数、高斯核带宽及不敏感系数的最优组合。
优选地,所述粒子的适应度值为均方误差的倒数,均方误差的计算公式为:其中,MSE表示均方误差,w为粒子样本数,yi表示已知的生产数据的实际特征量,表示用SVR模型计算出来的生产数据的预测特征量,MSE值越小,粒子的适应度值越高,说明预测与实际值之间差别越小,预测精度越高。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)本发明可以实现基于数据驱动的工业生产中的关键工业生产过程故障预测,采用粒子群优化(Particle Swarm Optimization,PSO)算法优化支持向量回归(SupportVector Regression,SVR)模型关键参数,利用支持向量回归模型,根据工业生产过程历史数据和当前实时数据,进行工业生产过程故障预测分析,提高了预测精度。
(2)支持向量回归模型参数的选取一般是根据数据样本统计信息与核函数参数间的关系,依据经验确定核函数参数的取值,这种方式确定参数后,在SVR构造过程中不再进行更改,不能适应多类型的数据,而且根据经验给定值并不能确保是最优的,手动调节参数效率也不高。因此,本发明采用粒子群算法对支持向量回归的SVR模型核函数参数进行优化,提供了一种可行、有效的SVR模型参数优化方法。
(3)本发明使用粒子群算法对支持向量回归模型的3个关键参数:惩罚系数C、高斯核带宽σ和不敏感系数ε进行优化,同时得到最优的3个关键参数,而不是逐个参数进行优化,提高了优化效率。
附图说明
图1是本发明实施例提供的一种基于粒子群优化支持向量回归的工业生产过程故障预测方法的流程示意图;
图2是本发明实施例1提供的动态平均偏差与方差处理流程示意图;
图3是本发明实施例1提供的基于粒子群算法进行支持向量回归模型参数优化的流程示意图;
图4是本发明实施例1提供的一种基于粒子群优化支持向量回归的工业生产过程故障预测方法结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,一种基于粒子群优化支持向量回归的工业生产过程故障预测方法,包括:
(1)计算工业生产过程中的多维数据的平均偏差和方差,以对多维数据进行特征提取,得到原始输入样本集的特征数据;
(2)按照所述原始输入样本集的特征数据的时间顺序,从所述原始输入样本集的特征数据中选取前h个连续的特征数据构成时间序列,按照预设的映射维数m,将所述时间序列构建成行数为h-m+1,列数为m的待预测输入样本;
(3)根据所述待预测输入样本,使用训练好的支持向量回归模型对工业生产过程进行故障预测,以判断所述工业生产过程是否会发生故障。
实施例1
本发明实施例1的数据集来自流程工业的某化工公司工业生产过程数据,经过以下步骤,进行工业生产过程故障预测:
步骤(1)计算平均偏差和方差,对工业生产过程中的多维数据进行特征提取,得到原始输入样本集的特征数据。图2给出了动态平均偏差与方差方法的处理流程图。具体包括以下步骤:
(1.1)首先计算正常状态时的样本均值与方差,计算公式如下所示:
其中,Mk和Sk分别代表工业生产过程中的第k个变量的均值和方差,vi,k代表第i个样本的第k个变量值,N代表样本总数,经过计算得到正常状态时的样本均值与方差Fnormal=(M1,M2,...,S1,S2,...)。
(1.2)假设t时刻样本的数据为dt=(vt,1,vt,2,...,vt,52),窗口为n时的连续样本依次是dt-1,dt-2,...,dt-n,计算这些数据与正常状态时的平均偏差和方差,计算公式如下所示:
其中,et,k代表变量Ak从t时刻开始的连续n个样本值与正常状态时的变量Ak均值的平均偏差,和分别代表变量Ak从t时刻开始的连续n个样本值的均值和方差。
进一步地,对于变量Ak,经过上述处理后得到2个特征值:et,k和这样,对于工业生产过程中的r个变量,可以构造出包含2*r的特征向量:
(1.3)为了将不同量纲的变量归一化,将(S2)中得到的Ft与(S1)中正常状态时的样本特征Fnormal进行比值处理,最终得到处理后t时刻的特征向量:
将特征向量FFt作为原始输入样本集PS。
步骤(2):按照原始输入样本集PS的特征数据的时间顺序,从特征数据从选取前h个连续的特征数据构成时间序列{x1,x2,...,xh},按照预设的映射维数m,依次建立行向量:{x1,x2,...,xm},...,{xh-m+1,xh-m+2,...,xh},进而建立行数为h-m+1,列数为m的输入样本X:
进一步地,对于工业生产过程故障预测问题,根据输入样本X,通过预测未来工业生产过程中的数据判断工业生产过程是否会发生故障。
进一步地,步骤(3)是使用训练好的支持向量回归模型对工业生产过程进行故障预测。
进一步地,训练过程包括:使用步骤(1)和(2),将经过标记的工业生产过程数据作为训练数据集,训练SVR(Support Vector Regression,支持向量回归)模型,采用PSO(Particle Swarm Optimization,粒子群优化)算法优化SVR的关键参数,SVR的关键参数包括核函数的惩罚系数C、高斯核带宽σ和不敏感系数ε,将使得训练数据集分类准确率最高的SVR的模型参数作为SVR模型的最优参数组合,得到训练好的支持向量回归SVR模型,以通过训练好的支持向量回归SVR模型对工业生产过程进行故障预测。
进一步地,标记的工业生产过程数据是指已知工业生产过程是正常状态的数据还是故障状态的数据,以及是属于哪一种故障状态。
进一步地,选取支持向量回归算法的核函数为高斯径向基核函数,以空间向量(C,σ,ε)作为粒子群算法中的一个粒子,C表示SVR的核函数的惩罚系数,σ表示高斯核带宽,ε表示不敏感系数,通过粒子群优化算法选取出最优的粒子,得到支持向量回归模型的惩罚系数、高斯核带宽及不敏感系数的最优组合。
进一步地,用粒子群算法对支持向量回归SVR模型参数进行优化的流程如图3所示,具体步骤如下:
S1:初始化参数,设定最大迭代次数Gmax,粒子位置、速度的限定范围分别为[Xmin,C,Xmax,C][Xmin,σ,Xmax,σ][Xmin,ε,Xmax,ε]和[-Vmax,C,Vmax,C][-Vmax,σ,Vmax,σ][-Vmax,ε,Vmax,ε],粒子种群规模N,随机给定粒子速度和位置,粒子i的位置为(xi,C,xi,σ,xi,ε),其中xi,C代表惩罚系数C值大小,xi,σ代表高斯核带宽σ值大小,xi,ε代表不敏感参数ε值大小,粒子i的速度为(vi,C,vi,σ,vi,ε),vi,C表示粒子i的惩罚系数C分量的飞行速度矢量,vi,σ表示粒子i的高斯核带宽σ分量的飞行速度矢量,vi,ε表示粒子i的不敏感参数ε分量的飞行速度矢量;
S2:将粒子的位置(xi,C,xi,σ,xi,ε)作为参数训练SVR模型,用均方误差的倒数衡量粒子的适应度值,均方误差的计算公式为:
其中,MSE表示均方误差,w为粒子样本数,yi表示已知的生产数据的实际特征量,表示用SVR模型计算出来的生产数据的预测特征量,MSE值越小,粒子的适应度值越高,说明预测与实际值之间差别越小,预测精度越高;
S3:更新各粒子的速度和位置,若粒子速度及位置超出了各自的限定范围,则取边界值,限制粒子速度和位置,对于更新后的每个粒子,若该粒子当前位置对应的适应度高于其历史最佳位置对应的适应度,则将当前位置作为该粒子的最佳位置,具体地,粒子i个体的最佳位置pbesti=(pi,C,pi,σ,pi,ε),pbesti用于记录粒子i的适应度值最高的位置信息,
依据下面两个公式更新各粒子的vi与xi,假如粒子位置、速度超出了设定区间,则取边界值,限制粒子速度和位置:
其中,表示第k次迭代中,粒子i的惩罚系数C分量的飞行速度矢量;w表示惯性权重(本实施例中,优选取值为0.8);表示第k-1次迭代中,粒子i的惩罚系数C分量的飞行速度矢量;c1和c2表示加速度常数(本实施例中,优选取值为1.5),用于调整更新步长;r1和r2是范围在0到1的随机数,用以增强搜索随机性;pi,C表示粒子i个体经过的最佳位置pbesti=(pi,C,pi,σ,pi,ε)中的惩罚系数C分量的最佳位置;表示第k-1次迭代中,粒子i的惩罚系数C分量的位置矢量;gC表示种群经过的最佳位置gbest=(gC,gσ,gε)中的惩罚系数C分量的最佳位置;
表示第k次迭代中,粒子i的高斯核带宽σ分量的飞行速度矢量;表示第k-1次迭代中,粒子i的高斯核带宽σ分量的飞行速度矢量,pi,σ表示粒子i个体经过的最佳位置pbesti=(pi,C,pi,σ,pi,ε)中高斯核带宽σ分量的最佳位置;表示第k-1次迭代中,粒子i的高斯核带宽σ分量的位置矢量;gσ表示种群经过的最佳位置gbest=(gC,gσ,gε)中的高斯核带宽σ分量的最佳位置;
表示第k次迭代中,粒子i的不敏感参数ε分量的飞行速度矢量;表示第k-1次迭代中,粒子i的不敏感参数ε分量的飞行速度矢量;pi,ε表示粒子i个体经过的最佳位置pbesti=(pi,C,pi,σ,pi,ε)中的不敏感参数ε分量的最佳位置;表示第k-1次迭代中,粒子i的不敏感参数ε分量的位置矢量;gε表示种群经过的最佳位置gbest=(gC,gσ,gε)中的不敏感参数ε分量的最佳位置。
表示第k次迭代中,粒子i的惩罚系数C分量的位置矢量;
表示第k次迭代中,粒子i的高斯核带宽σ分量的位置矢量;
表示第k次迭代中,粒子i的不敏感参数ε分量的位置矢量。
S4:更新种群位置,将每个粒子的当前最佳位置对应的适应度与种群历史最佳位置对应的适应度进行比较,若某个粒子当前最佳位置对应的适应度值更高,则将该粒子当前最佳位置作为种群最佳位置;
具体地,种群的最佳位置gbest=(gC,gσ,gε),gbest用于记录群体中所有粒子在迭代过程中的最高适应度值所对应的位置信息;
S5:若迭代次数k小于预设最大迭代次数Gmax,即k<Gmax,且最佳适应度值小于给定阈值,则返回步骤S2继续迭代,否则结束迭代,将得到的种群最佳位置作为SVR模型的惩罚系数、高斯核带宽及不敏感系数的最优组合。
训练完成后,使得训练数据集分类准确率最高的种群最佳位置即是所述SVR模型的最优参数解,包含惩罚系数C、高斯核带宽σ和不敏感参数ε最优组合。本实施例中,训练完成后的最优参数:惩罚系数C=169、高斯核带宽σ=0.325873和不敏感参数ε=0.001788。
如图4所示,本发明所述一种基于粒子群优化支持向量回归的工业生产过程故障预测方法结构图,实现基于数据驱动的工业生产过程故障预测。首先对生产过程数据,计算正常状态时的样本均值与方差,再计算这些数据与正常状态时的平均偏差和方差,将不同量纲的变量归一化,然后构造输入样本,使用支持向量回归模型,对工业生产过程进行故障预测。
利用PSO算法,同时优化支持向量回归模型的3个关键参数,为支持向量回归模型参数的优化提供了一种可行、高效的方法,并提高了利用支持向量回归算法进行工业生产过程故障预测的准确性。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于粒子群优化支持向量回归的工业生产过程故障预测方法,其特征在于,包括:
(1)计算工业生产过程中的多维数据的平均偏差和方差,以对多维数据进行特征提取,得到原始输入样本集的特征数据;
(2)按照所述原始输入样本集的特征数据的时间顺序,从所述原始输入样本集的特征数据中选取前h个连续的特征数据构成时间序列,按照预设的映射维数m,将所述时间序列构建成行数为h-m+1,列数为m的待预测输入样本;
(3)根据所述待预测输入样本,使用训练好的支持向量回归模型对工业生产过程进行故障预测,以判断所述工业生产过程是否会发生故障。
2.根据权利要求1所述的方法,其特征在于,步骤(1)包括:
选取工业生产过程中的变量Ak从t时刻开始的连续n个值,计算这n个值与该变量Ak的偏差,然后将这些偏差的平均值作为特征值et,k,另外再计算这n个值与该变量Ak的方差,并将这些方差的平均值作为另一个特征值由此,对于工业生产过程中的r个变量,能够构造出包含2*r的特征向量:将特征向量经归一化处理后,得到原始输入样本集的特征数据。
3.根据权利要求1所述的方法,其特征在于,步骤(2)包括:
按照所述原始输入样本集的特征数据的时间顺序,从所述原始输入样本集的特征数据中选取前h个连续的特征数据构成时间序列{x1,x2,...,xh},按照预设的映射维数m,依次建立行向量:{x1,x2,...,xm},...,{xh-m+1,xh-m+2,...,xh},进而建立行数为h-m+1,列数为m的输入样本X:其中,X中的元素表示特征数据。
4.根据权利要求1或3所述的方法,其特征在于,对于工业生产过程故障预测问题,根据输入样本X,通过预测未来工业生产过程中的数据判断工业生产过程是否会发生故障。
5.根据权利要求1所述的方法,其特征在于,所述步骤(3)的支持向量回归模型为训练好的支持向量回归模型,训练过程包括:
计算经过标记的工业生产数据的平均偏差和方差,得到特征数据,按照时间顺序,从特征数据中选取前h个连续的特征数据构成时间序列,按照预设的映射维数m,建立行数为h-m+1,列数为m的训练数据集;
利用训练数据集训练支持向量回归SVR模型,采用粒子群PSO算法优化SVR的关键参数,SVR的关键参数包括核函数的惩罚系数C、高斯核带宽σ和不敏感系数ε,将使得训练数据集分类准确率最高的SVR模型参数作为SVR模型的最优参数组合,得到训练好的支持向量回归SVR模型,以通过训练好的支持向量回归SVR模型对工业生产过程进行故障预测。
6.根据权利要求5所述的方法,其特征在于,所述标记的工业生产过程数据是指已知工业生产过程状态是正常状态的数据还是故障状态的数据,以及是属于哪一种故障状态。
7.根据权利要求1或5所述的方法,其特征在于,支持向量回归SVR模型的核函数为高斯径向基核函数,以空间向量(C,σ,ε)作为粒子群算法中的粒子,C表示SVR的核函数的惩罚系数,σ表示高斯核带宽,ε表示不敏感系数,通过粒子群优化算法选取出最优的粒子,得到支持向量回归模型的惩罚系数、高斯核带宽及不敏感系数的最优组合,包括:
S1:随机为粒子种群中的每个粒子指定初始位置和速度参数,设定预设最大迭代次数、粒子位置的限定范围、粒子速度的限定范围及粒子种群规模,粒子i的位置为(xi,C,xi,σ,xi,ε),其中xi,C代表惩罚系数C值大小,xi,σ代表高斯核带宽σ值大小,xi,ε代表不敏感参数ε值大小,粒子i的速度为(vi,C,vi,σ,vi,ε);
S2:将粒子的位置(xi,C,xi,σ,xi,ε)作为参数训练SVR模型,用均方误差的倒数衡量粒子的适应度;
S3:更新各粒子的速度和位置,若粒子速度及位置超出了各自的限定范围,则取边界值,限制粒子速度和位置,对于更新后的每个粒子,若该粒子当前位置对应的适应度高于其历史最佳位置对应的适应度,则将当前位置作为该粒子的最佳位置;
S4:更新种群位置,将每个粒子的当前最佳位置对应的适应度与种群历史最佳位置对应的适应度进行比较,若某个粒子当前最佳位置对应的适应度值更高,则将该粒子当前最佳位置作为种群最佳位置;
S5:若迭代次数小于预设最大迭代次数,且最佳适应度值小于给定阈值,则返回步骤S2继续迭代,否则结束迭代,将得到的种群最佳位置作为SVR模型的惩罚系数、高斯核带宽及不敏感系数的最优组合。
8.根据权利要求7所述的方法,其特征在于,所述粒子的适应度值为均方误差的倒数,均方误差的计算公式为:其中,MSE表示均方误差,w为粒子样本数,yi表示已知的生产数据的实际特征量,表示用SVR模型计算出来的生产数据的预测特征量,MSE值越小,粒子的适应度值越高,说明预测与实际值之间差别越小,预测精度越高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811487393.8A CN109657847A (zh) | 2018-12-06 | 2018-12-06 | 基于粒子群优化支持向量回归的工业生产中故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811487393.8A CN109657847A (zh) | 2018-12-06 | 2018-12-06 | 基于粒子群优化支持向量回归的工业生产中故障预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109657847A true CN109657847A (zh) | 2019-04-19 |
Family
ID=66112479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811487393.8A Pending CN109657847A (zh) | 2018-12-06 | 2018-12-06 | 基于粒子群优化支持向量回归的工业生产中故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109657847A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110322048A (zh) * | 2019-05-31 | 2019-10-11 | 南京航空航天大学 | 一种生产物流输送装备故障预警方法 |
CN110346160A (zh) * | 2019-06-24 | 2019-10-18 | 浙江大学 | 一种基于svr的磨煤机效率异常检测与诊断方法 |
CN111444953A (zh) * | 2020-03-24 | 2020-07-24 | 东南大学 | 一种基于改进粒子群优化算法的传感器故障监测方法 |
CN111546035A (zh) * | 2020-04-07 | 2020-08-18 | 大连理工大学 | 一种基于学习与预测的齿轮在线快速装配方法 |
CN111553114A (zh) * | 2020-04-11 | 2020-08-18 | 东华大学 | 一种基于数据驱动的纺织印染智能配色方法 |
CN111595401A (zh) * | 2020-04-23 | 2020-08-28 | 广州能源检测研究院 | 管道气体测量系统、方法和存储介质 |
CN111639715A (zh) * | 2020-06-01 | 2020-09-08 | 重庆大学 | 基于ls-svm的汽车仪表组装质量预测方法与系统 |
CN111753890A (zh) * | 2020-06-11 | 2020-10-09 | 苏州浪潮智能科技有限公司 | 一种基于逻辑回归的两地三中心故障预测方法及系统 |
CN112785003A (zh) * | 2021-01-28 | 2021-05-11 | 武汉市博畅软件开发有限公司 | 一种电调滤波器控制方法及装置 |
CN113792754A (zh) * | 2021-08-12 | 2021-12-14 | 国网江西省电力有限公司电力科学研究院 | 一种先除异后修复的换流变dga在线监测数据处理方法 |
CN114637212A (zh) * | 2022-05-17 | 2022-06-17 | 浙江浩普智能科技有限公司 | 一种氧含量预测控制方法及系统 |
CN115099496A (zh) * | 2022-06-27 | 2022-09-23 | 无锡物联网创新中心有限公司 | 一种基于小样本学习的纱线质量预测方法及相关装置 |
CN116664015A (zh) * | 2023-07-26 | 2023-08-29 | 深圳市森树强电子科技有限公司 | 一种智能充电桩管理系统及其方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682814A (zh) * | 2016-11-28 | 2017-05-17 | 华北电力大学 | 一种基于故障知识库的风电机组故障智能诊断方法 |
-
2018
- 2018-12-06 CN CN201811487393.8A patent/CN109657847A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682814A (zh) * | 2016-11-28 | 2017-05-17 | 华北电力大学 | 一种基于故障知识库的风电机组故障智能诊断方法 |
Non-Patent Citations (2)
Title |
---|
刘玉茹等: "基于AR和PSO_SVR的故障趋势预测", 《计算机测量与控制》 * |
王琳等: "基于人工蜂群优化的支持向量回归预测方法", 《系统工程与电子技术》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110322048B (zh) * | 2019-05-31 | 2023-09-26 | 南京航空航天大学 | 一种生产物流输送装备故障预警方法 |
US11740619B2 (en) | 2019-05-31 | 2023-08-29 | Nanjing University Of Aeronautics And Astronautics | Malfunction early-warning method for production logistics delivery equipment |
WO2020140560A1 (zh) * | 2019-05-31 | 2020-07-09 | 南京航空航天大学 | 一种生产物流输送装备故障预警方法 |
CN110322048A (zh) * | 2019-05-31 | 2019-10-11 | 南京航空航天大学 | 一种生产物流输送装备故障预警方法 |
CN110346160B (zh) * | 2019-06-24 | 2020-07-10 | 浙江大学 | 一种基于svr的磨煤机效率异常检测与诊断方法 |
CN110346160A (zh) * | 2019-06-24 | 2019-10-18 | 浙江大学 | 一种基于svr的磨煤机效率异常检测与诊断方法 |
CN111444953A (zh) * | 2020-03-24 | 2020-07-24 | 东南大学 | 一种基于改进粒子群优化算法的传感器故障监测方法 |
CN111444953B (zh) * | 2020-03-24 | 2022-04-29 | 东南大学 | 一种基于改进粒子群优化算法的传感器故障监测方法 |
CN111546035A (zh) * | 2020-04-07 | 2020-08-18 | 大连理工大学 | 一种基于学习与预测的齿轮在线快速装配方法 |
CN111546035B (zh) * | 2020-04-07 | 2021-07-02 | 大连理工大学 | 一种基于学习与预测的齿轮在线快速装配方法 |
CN111553114A (zh) * | 2020-04-11 | 2020-08-18 | 东华大学 | 一种基于数据驱动的纺织印染智能配色方法 |
CN111553114B (zh) * | 2020-04-11 | 2022-10-11 | 东华大学 | 一种基于数据驱动的纺织印染智能配色方法 |
CN111595401A (zh) * | 2020-04-23 | 2020-08-28 | 广州能源检测研究院 | 管道气体测量系统、方法和存储介质 |
CN111595401B (zh) * | 2020-04-23 | 2021-09-28 | 广州能源检测研究院 | 管道气体测量系统、方法和存储介质 |
CN111639715A (zh) * | 2020-06-01 | 2020-09-08 | 重庆大学 | 基于ls-svm的汽车仪表组装质量预测方法与系统 |
CN111753890B (zh) * | 2020-06-11 | 2022-05-31 | 苏州浪潮智能科技有限公司 | 一种基于逻辑回归的两地三中心故障预测方法及系统 |
CN111753890A (zh) * | 2020-06-11 | 2020-10-09 | 苏州浪潮智能科技有限公司 | 一种基于逻辑回归的两地三中心故障预测方法及系统 |
CN112785003B (zh) * | 2021-01-28 | 2022-08-26 | 武汉市博畅软件开发有限公司 | 一种电调滤波器控制方法及装置 |
CN112785003A (zh) * | 2021-01-28 | 2021-05-11 | 武汉市博畅软件开发有限公司 | 一种电调滤波器控制方法及装置 |
CN113792754A (zh) * | 2021-08-12 | 2021-12-14 | 国网江西省电力有限公司电力科学研究院 | 一种先除异后修复的换流变dga在线监测数据处理方法 |
CN114637212A (zh) * | 2022-05-17 | 2022-06-17 | 浙江浩普智能科技有限公司 | 一种氧含量预测控制方法及系统 |
CN115099496A (zh) * | 2022-06-27 | 2022-09-23 | 无锡物联网创新中心有限公司 | 一种基于小样本学习的纱线质量预测方法及相关装置 |
CN116664015A (zh) * | 2023-07-26 | 2023-08-29 | 深圳市森树强电子科技有限公司 | 一种智能充电桩管理系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109657847A (zh) | 基于粒子群优化支持向量回归的工业生产中故障预测方法 | |
CN109657709A (zh) | 一种基于粒子群优化支持向量回归的设备故障预测方法 | |
CN103927412B (zh) | 基于高斯混合模型的即时学习脱丁烷塔软测量建模方法 | |
CN111814871A (zh) | 一种基于可靠权重最优传输的图像分类方法 | |
CN109191922B (zh) | 一种大规模四维航迹动态预测方法及装置 | |
CN109002845A (zh) | 基于深度卷积神经网络的细粒度图像分类方法 | |
CN104899135B (zh) | 软件缺陷预测方法和系统 | |
CN108346293B (zh) | 一种实时交通流短时预测方法 | |
CN109657945A (zh) | 一种基于数据驱动的工业生产过程故障诊断方法 | |
CN109492748B (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
CN106934722A (zh) | 基于k节点更新与相似度矩阵的多目标社区检测方法 | |
CN111650472B (zh) | 一种电压暂降源定位的方法 | |
CN108491766A (zh) | 一种端到端的基于深度决策森林的人群计数方法 | |
CN113095550A (zh) | 基于变分递归网络和自注意力机制的空气质量预测方法 | |
CN111079978B (zh) | 基于逻辑回归和增强学习的煤与瓦斯突出预测的方法 | |
CN110224862A (zh) | 基于多层感知器的多智能体系统网络容侵能力评估方法 | |
CN112116002A (zh) | 一种检测模型的确定方法、验证方法和装置 | |
CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
CN105471647A (zh) | 一种电力通信网故障定位方法 | |
CN107092988B (zh) | 一种专用道公交车辆驻站时间预测方法 | |
CN104899507A (zh) | 一种网络高维大数据异常入侵的检测方法 | |
CN113204914A (zh) | 一种基于多架次飞行数据表征建模的飞行数据异常判读方法 | |
CN112766548A (zh) | 基于gasa-bp神经网络的订单完工时间预测方法 | |
CN117216713A (zh) | 故障定界方法、装置、电子设备和存储介质 | |
CN110648023A (zh) | 基于二次指数平滑改进gm(1,1)的数据预测模型的建立方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190419 |
|
RJ01 | Rejection of invention patent application after publication |