CN110750756A - 通过最优支持向量机算法即时在线仪表校验和诊断方法 - Google Patents

通过最优支持向量机算法即时在线仪表校验和诊断方法 Download PDF

Info

Publication number
CN110750756A
CN110750756A CN201910946059.2A CN201910946059A CN110750756A CN 110750756 A CN110750756 A CN 110750756A CN 201910946059 A CN201910946059 A CN 201910946059A CN 110750756 A CN110750756 A CN 110750756A
Authority
CN
China
Prior art keywords
support vector
vector machine
fuzzy
equation
particle
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.)
Granted
Application number
CN201910946059.2A
Other languages
English (en)
Other versions
CN110750756B (zh
Inventor
郝富强
陈珺逸
戴旺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Xingjian Software Co Ltd
SHENZHEN WELLREACH AUTOMATION ENGINEERING Co Ltd
Original Assignee
Shenzhen Xingjian Software Co Ltd
SHENZHEN WELLREACH AUTOMATION ENGINEERING Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Xingjian Software Co Ltd, SHENZHEN WELLREACH AUTOMATION ENGINEERING Co Ltd filed Critical Shenzhen Xingjian Software Co Ltd
Priority to CN201910946059.2A priority Critical patent/CN110750756B/zh
Publication of CN110750756A publication Critical patent/CN110750756A/zh
Application granted granted Critical
Publication of CN110750756B publication Critical patent/CN110750756B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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]

Abstract

一种通过最优支持向量机算法即时在线仪表校验和诊断方法，包括以下步骤：S1、搭建流网模型；S2、由现场实际测量数据迭代，通过最优支持向量机算法计算确定模型中的参数，使模型可用；S3、定期重启上述步骤，对参数进行优化；S4、利用模型在稳定流场状态下，对采样的变量进行逐一校验；S5、排除掉疑似失效点后利用其余数据进行逆迭代运算，反向推导出疑似失效点的理论计算值；S6、排除工艺条件变化，用上述理论计算值对实际仪表信号进行比较分析，实现校验与故障诊断，确定信号健康水平；S7、按照测量时间，记录采样信号和计算信号，并按照确定性故障诊断条件报警及定位故障。本发明能做到仪表故障早发现，早报告，智能校正结果，提高工作效率。

Description

通过最优支持向量机算法即时在线仪表校验和诊断方法
技术领域
本发明涉及即时在线仪表校验和诊断方法。
背景技术
近些年来，工业生产的智能化、自动化越来越受到重视。在智能制造过程中，仪表的智能化是其中重要的组成部分。目前主流的仪表多采用人工周期性逐个检测进行判断，工作人员无法及时准确判断仪表测量值是否准确，从而贻误了进行处理的时机，进而影响整个生产活动。仪表工作时，传统仪表或者电子设备的智能诊断都仅针对仪表自身，只能进行开环自我校验，无法验证数据的准确性以及流网系统是否正常运行。
发明内容
本发明的目的于提供一种通过最优支持向量机算法即时在线仪表校验和诊断方法
本发明的目的可以这样实现，设计一种通过最优支持向量机算法即时在线仪表校验和诊断方法，包括以下步骤：
S1、通过流体力学连续性方程、动量方程和能量方程，搭建流网模型，包括流道模型和设备组件模型；
S2、由现场实际测量数据迭代，通过最优支持向量机算法计算确定模型中的参数，使模型可用；
S3、定期重启上述步骤，对模型参数进行优化，从而重新适应新的工况条件，使模型自主学习与维护；
S4、利用上面步骤得到的模型，在稳定流场状态下，对采样的变量进行逐一校验；
S5、排除掉疑似失效点后利用其余数据进行逆迭代运算，反向推导出疑似失效点的理论计算值；
S6、排除工艺条件变化，用上述理论计算值对实际仪表信号进行比较分析，采用预定义故障模式和偏差评价，得出实际信号的偏离参量，通过阀值判断、模糊逻辑、故障假设校验，实现校验与故障诊断，确定信号健康水平；
S7、按照测量时间，记录采样信号和计算信号，并按照流网知识库、仪表故障特征库的诊断条件实现报警及定位故障。
进一步地，首先流动方程简化为F＝(1-K0)*a1*(P1-P2-KZ)+K0*F1p
其中，
Figure BDA0002224155740000021
其中，是来自上次迭代的压力，KZ＝ρg(Z2-Z1)，式中，ρ为流体密度，g为重力加速度，Z1为点1处的标高，Z2为点2处的标高；F1p＝上次迭代得到的值F；K0为用户可选择的常数，可通过调整K0获得数值求解的稳定性；
在上式中，F、P1和P2为未知量，高度差KZ是系统常数，其余项是上次迭代得到的值，可认为是已知量；
还设置质量平衡方程，式中流入节点为(+)号，流出节点为(-)号。
进一步地，根据步骤S1形成的矩阵方程组，将对F(F3)值的计算产生影响的因素作为模型输入，F值作为输出。
进一步地，对模糊方程隶属度进行确定；
设模糊方程系统有c*个模糊群，模糊群k，j的中心分别为vk、vj，则第i个训练样本Xi对于模糊群k的隶属度μik为：
Figure BDA0002224155740000023
式中，n为模糊分类过程中需要的分块矩阵指数，通常取作2；||·||为范数表达式；
使用以上隶属度值或者它的变形以获得新的输入矩阵；
对于模糊群k，其输入矩阵变形为：
φik(Xi，μik)＝[1 func(μik)Xi]
其中，func(μik)为隶属度值μik的变形函数，一般取φik(Xi，μik)表示第i个输入变量Xi及其模糊群k的隶属度μik所对应的新的输入矩阵。
进一步地，以加权最小二乘支持向量机作为模糊方程系统的局部方程，对每个模糊群进行优化拟合；设模型训练样本的第i个目标输出为Fi，加权重的支持向量机通过变换把拟合问题等价于二次规划问题；
Figure BDA0002224155740000032
Figure BDA0002224155740000034
其中，R(ω，ξ)是优化问题的目标函数，minR(ω，ξ)是优化问题的目标函数的最小值，
Figure BDA0002224155740000035
是非线性映射函数，N是训练样本数，ξ＝{ξ1，...，ξN}是松弛变量，ξi是松弛变量的第i个分量，ω是支持向量机超平面的法向量，b是相应的偏移量，而ωi和γ分别是最小二乘支持向量机的权重和惩罚因子，
Figure BDA0002224155740000036
是加权最小二乘支持向量机松弛变量的第i个分量ξi标准差的估计；c1是常数，这里取2.5；c2是常数，这里取3；上标T表示转置，μik表示训练样本Xi对于模糊群k的隶属度，φik(Xi，μik)表示第i个输入变量Xi及其模糊群k的隶属度μik所对应的新的输入矩阵；
由上可推导出模糊群k在训练样本i的输出为：
Figure BDA0002224155740000041
其中
Figure BDA0002224155740000042
为模糊群k在训练样本i的输出，K<·>是最小二乘支持向量机的核函数，这里K<·>取线性核函数，μmk表示第m个训练样本Xm对于模糊群k的隶属度，φmk(Xm，μmk)表示第m个输入变量Xm及其模糊群k的隶属度μmk所对应的新的输入矩阵，αm是对应的拉格朗日乘子的第m个分量。
进一步地，采用粒子群算法对模糊方程中加权最小二乘支持向量机局部方程的惩罚因子和误差容限值进行优化，优化步骤如下：
S201、确定粒子数的优化参数为加权最小二乘支持向量机局部方程的惩罚因子和误差容限值、粒子群个体数目popsize、最大循环寻优次数itermax、第p个粒子的初始位置rp、初始速度vp、局部最优值Lbestp以及整个粒子群的全局最优值Gbest；
S202、设定优化目标函数，将其转换为适应度，对每个局部模糊方程进行评价；通过相应的误差函数计算适应度函数，并认为误差大的粒子适应度小，粒子p的适应度函数表示为：
fp＝1/(Ep+1)
式中，Ep是模糊方程的误差函数，
Figure BDA0002224155740000043
式中，
Figure BDA0002224155740000044
是模糊方程系统的预测输出，Fi为模糊方程系统的目标输出；
S203、按照如下公式，循环更新每个粒子的速度和位置，
vp(iter+1)＝ω×vp(iter)+m1a1(Lbestp-rp(iter))+m2a2(Gbest-rpiter；
rp(iter+1)＝rp(iter)+vp(iter+1)；
式中，vp表示更新粒子p的速度，rp表示更新粒子p的位置，Lbest表示更新粒子p的个体最优值，Gbest表示整个粒子群的全局最优值，iter表示循环次数，ω是粒子群算法中的惯性权重，m1、m2是对应的加速系数，a1、a2是[0，1]之间的随机数；
S204、对于粒子p，如果新的适应度大于原来的个体最优值，则更新粒子的个体最优值：Lbestp＝fp；
S205、如果粒子p的个体最优值Lbestp大于原来的粒子群全局最优值Gbest，则Gbest＝Lbestp；
S206、判断是否满足性能要求，若是，结束寻优，得到一组优化的模糊方程的局部方程参数；否则返回步骤S203，继续迭代寻优，直至达到最大迭代次数itermax。
进一步地，步骤S3中的定期定义为每月或每季度或每年。
进一步地，步骤S4中的变量为测量仪表信号；记录测量时间，在运算出来的计算值与测量时间对应的测量值进行比对，得出偏差范围的百分比或方差或均方差；完整校验多次后，按照确定性故障诊断条件认为其可能有仪表失效。
进一步地，疑似失效点的理论计算值Pi的公式为，
Figure BDA0002224155740000051
其中，Pi、Pj表示第i、j个传感器测得压强，Zi、Zj表示第i、j处标高，Fij表示i、j之间的质量流动速率，ρ表示流体密度，g表示重力加速度，a是流量系数。
进一步地，预定义故障模式包括漂移、渗漏、堵塞、失效故障模式；流网知识库包括流网节点和支路的能量传递特性；仪表故障特征库包括数值漂移、变化率异常、开路、短路故障特征。
本发明采用算法和计算机智能分析相结合，取代了传统人工按月或季度逐个巡检，能做到仪表故障早发现，早报告，智能校正结果，极大的节约了人力物力，提高工作效率。同时在部分仪表因故障维修离线时，本发明可以利用建好的流网模型和正常工作的传感器读数计算出离线监测点的数值，不影响本系统的正常运转。
附图说明
图1是本发明较佳实施例的流程图；
图2是本发明较佳实施例的流体网络示意图。
具体实施方式
以下结合实施例对本发明作进一步的描述。
如图1所示，一种通过最优支持向量机算法即时在线仪表校验和诊断方法，包括以下步骤：
S1、通过流体力学连续性方程、动量方程和能量方程，搭建流网模型，包括流道模型和设备组件模型。
通过流体力学连续性方程、动量方程(纳维-斯托克斯方程)和能量方程，利用节点法搭建流网模型。对于大型流网，可以采用将大型流网或者系统简化为多个小的流网或者系统，简化建模流程。
为了得到易于计算的流体网络模型，假设流体仅沿着导管方向均匀流动，且对边界条件的变化响应非常迅速。针对可压缩流体，假设流入管道的质量不等于流出管道的质量，节点质量将根据实际运行条件增加或减少。可压缩性和质量平衡项被引入到方程中。
Figure BDA0002224155740000061
其中：F＝质量流动速率＝ρVA，ρ＝流体密度，V＝流速，A＝管道截面积，X＝管道流动长度，P＝节点压强，T＝节点绝对温度，α＝压缩系数。
动量守恒方程可以在管道长度L上写成：
Figure BDA0002224155740000062
其中：P1，P2＝点1，2处的压强，Z1，Z2＝点1，2处的标高，ρ＝流体密度，g＝重力加速度，HL＝管道长度L的水头损失，v＝流速，
水头损失项HL，即由于摩擦效应引起的所有主要水头损失和由于入口，配件，面积变化等引起的小水头损失的总和，通常可以表示为与流体的平方成比例：ρgHL＝F2/a2 (3)
式中：a是根据流体流速，压降和高度差异计算得出的。
将(3)代入(2)中可得
Figure BDA0002224155740000071
使用准稳定简化，略去最后一项，等式简化为
Figure BDA0002224155740000072
流动方程可表示为F＝a[P1-P2-KZ]1/2 (6)
其中：KZ＝ρg(Z2-Z1) (7)
等式(6)定义了管道流动速率和压强的关系。
如图2中所示的流体网络，可以假定为封闭管道的集合。为每个流动项写入如式(6)的等式，会得到一系列的二阶方程。为了获得网络中的压力和流量，必须同时求解这些方程以及节点质量平衡方程。为此，首先必须线性化二阶方程。
式(6)可以被线性化为F＝a1*[P1-P2-KZ] (8)
其中
Figure BDA0002224155740000073
其中
Figure BDA0002224155740000074
是来自上次迭代的压力
试图在数值上求解一组如方程(8)的联立方程，有时会导致迭代结果非收敛。为了引导数值解方案的稳定性，有必要在范围(
Figure BDA0002224155740000075
1)中引入弛豫因子Ko，并修改方程(8)如下：
F＝a1*(P1-P2-KZ)-K0[a1*(P1-P2-KZ)-F1p] (9)
其中：
F1p＝上次迭代得到的值F
简化上式，得到
F＝(1-K0)*a1*(P1-P2-KZ)+K0*F1p (10)
在实际应用中，K0变为用户可选择的常数，可通过调整K0获得数值求解的稳定性。减少K0在物理上可被视为在系统中引入惯性。
在式(10)中，F、P1和P2为未知量。高度差KZ是系统常数，其余项是上次迭代得到的值，可认为是已知量。为了简化计算通常忽略KZ。
如图2中的流网，式(10)可以化为下列等式：
Figure BDA0002224155740000081
Figure BDA0002224155740000082
Figure BDA0002224155740000083
Figure BDA0002224155740000084
除动量平衡外，还需要质量平衡方程。同样，对于图2中的示例问题，可以给出：
F1+F2-F3＝0 (16)
F3一F4-F5＝0 (17)
上式中流入节点为(+)号，流出节点为(-)号。
方程(11)到(17)为七个未知的自变量提供了一组完整的七个方程，即F1，F2，F3，F4，F5，P1和P2。在该问题中，假设给出边界压力PB已知。矩阵形式的方程组如下所示。
Figure BDA0002224155740000086
所有Flps都是上一次迭代传递值，在当前时间步中被认为是已知的。
S2、由现场实际测量数据迭代，通过最优支持向量机算法计算确定模型中的参数F，使模型可用。计算过程如下：
根据上面的矩阵方程组，将对F(F3)值的计算产生影响的各种因素(P1、P2、PB、PC、PD、PE六个建模变量)作为模型输入，F值作为输出。
建立此模糊模型包含以下3个部分：
(1)模糊方程隶属度确定：设模糊方程系统有c*个模糊群，模糊群k，j的中心分别为vk、vj，则第i个训练样本Xi对于模糊群k的隶属度μik为：
Figure BDA0002224155740000091
式中，n为模糊分类过程中需要的分块矩阵指数，通常取作2，||·||为范数表达式。
使用以上隶属度值或者它的变形以获得新的输入矩阵，对于模糊群k，其输入矩阵变形为：
φik(Xi，μik)＝[1func(μik)Xi] (18)
其中func(μik)为隶属度值μik的变形函数，一般取
Figure BDA0002224155740000092
等，φik(Xi，μik)表示第i个输入变量Xi及其模糊群k的隶属度μik所对应的新的输入矩阵。
(2)加权最小二乘支持向量机作为模糊方程的局部方程，对每个模糊群进行优化拟合。设模型训练样本的第i个目标输出为Fi，加权重的支持向量机通过变换把拟合问题等价于如下二次规划问题：
Figure BDA0002224155740000093
Figure BDA0002224155740000094
Figure BDA0002224155740000095
其中，R(ω，ξ)是优化问题的目标函数，minR(ω，ξ)是优化问题的目标函数的最小值，是非线性映射函数，N是训练样本数，ξ＝{ξ1，...，ξN}是松弛变量，ξi是松弛变量的第i个分量，ω是支持向量机超平面的法向量，b是相应的偏移量，而ωi和γ分别是最小二乘支持向量机的权重和惩罚因子，
Figure BDA0002224155740000097
是加权最小二乘支持向量机松弛变量的第i个分量ξi标准差的估计；c1是常数，这里取2.5；c2是常数，这里取3；上标T表示转置，μik表示训练样本Xi对于模糊群k的隶属度，φik(Xi，μik)表示第i个输入变量Xi及其模糊群k的隶属度μik所对应的新的输入矩阵。
由(19)(20)(21)式可推导出模糊群k在训练样本i的输出为：
Figure BDA0002224155740000101
其中
Figure BDA0002224155740000102
为模糊群k在训练样本i的输出，K<·>是最小二乘支持向量机的核函数，这里K<·>取线性核函数，μmk表示第m个训练样本Xm对于模糊群k的隶属度，φmk(Xm，μmk)表示第m个输入变量Xm及其模糊群k的隶属度μmk所对应的新的输入矩阵，αm是对应的拉格朗日乘子的第m个分量。
(3)粒子群算法优化模块，用于采用粒子群算法对模糊方程中最小二乘支持向量机局部方程的惩罚因子和误差容限值进行优化，具体实现步骤如下：
S201、确定粒子数的优化参数为最小二乘支持向量机局部方程的惩罚因子和误差容限值、粒子群个体数目popsize、最大循环寻优次数itermax、第p个粒子的初始位置rp、初始速度vp、局部最优值Lbestp以及整个粒子群的全局最优值Gbest。
S202、设定优化目标函数，将其转换为适应度，对每个局部模糊方程进行评价；通过相应的误差函数计算适应度函数，并认为误差大的粒子适应度小，粒子p的适应度函数表示为：
fp＝1/(Ep+1) (23)
式中，Ep是模糊方程的误差函数，表示为：
Figure BDA0002224155740000103
式中，是模糊方程系统的预测输出，Fi为模糊方程系统的目标输出；
S203、按照如下公式，循环更新每个粒子的速度和位置，
vp(iter+1)＝ω×vp(iter)+m1a1(Lbestp-rp(iter))+m2a2(Gbest-rpiter (25)
rp(iter+1)＝rp(iter)+vp(iter+1) (26)
式中，vp表示更新粒子p的速度，rp表示更新粒子p的位置，Lbest表示更新粒子p的个体最优值，Gbest表示整个粒子群的全局最优值，iter表示循环次数，ω是粒子群算法中的惯性权重，m1、m2是对应的加速系数，a1、a2是[0，1]之间的随机数；
S204、对于粒子p，如果新的适应度大于原来的个体最优值，更新粒子的个体最优值：
Lbestp＝fp (27)
S205、如果粒子p的个体最优值Lbestp大于原来的粒子群全局最优值Gbest：
Gbest＝Lbestp (28)
S206、判断是否满足性能要求，若是，结束寻优，得到一组优化的模糊方程的局部方程参数；否则返回步骤S203，继续迭代寻优，直至达到最大迭代次数itermax。
S3、定期(每月/季度/年)重启S1-S2步，对模型参数进行优化，从而重新适应新的工况条件，使模型自主学习与维护。
S4、利用上面步骤得到的模型，在稳定流场状态下，对采样的变量(测量仪表信号)进行逐一校验。记录测量时间，在运算出来的计算值与测量时间对应的测量值进行比对，得出偏差范围的百分比(或方差，均方差等)。完整校验多次后，按照确定性故障诊断条件认为其可能有仪表失效。
S5、排除掉疑似失效点后利用其余数据进行逆迭代运算，反向推导出疑似失效点的理论计算值。
由公式(5)可知：
Figure BDA0002224155740000111
其中Pi、Pj表示第i、j个传感器测得压强，Zi、Zj表示第i、j处标高，Fij表示i、j之间的质量流动速率。
S6、排除工艺条件变化，用上述理论计算值对实际仪表信号进行比较分析，采用预定义故障模式和偏差评价，得出实际信号的偏离参量，通过阀值判断、模糊逻辑、故障假设校验，实现校验与故障诊断，确定信号健康水平；预定义故障模式包括漂移、渗漏、堵塞、失效等故障模式。
S7、按照测量时间，记录采样信号和计算信号，并按照流网知识库、仪表故障特征库的诊断条件实现报警及定位故障。流网知识库包括流网节点和支路的能量传递特性。仪表故障特征库包括数值漂移、变化率异常、开路、短路等故障特征。
本发明采用算法和计算机智能分析相结合，取代了传统人工按月或季度逐个巡检，能做到仪表故障早发现，早报告，智能校正结果，极大的节约了人力物力，提高工作效率。同时在部分仪表因故障维修离线时，本发明可以利用建好的流网模型和正常工作的传感器读数计算出离线监测点的数值，不影响本系统的正常运转。

Claims (10)

1.一种通过最优支持向量机算法即时在线仪表校验和诊断方法，其特征在于包括以下步骤：
S1、通过流体力学连续性方程、动量方程和能量方程，搭建流网模型，包括流道模型和设备组件模型；
S2、由现场实际测量数据迭代，通过最优支持向量机算法计算确定模型中的参数，使模型可用；
S3、定期重启上述步骤，对模型参数进行优化，从而重新适应新的工况条件，使模型自主学习与维护；
S4、利用上面步骤得到的模型，在稳定流场状态下，对采样的变量进行逐一校验；
S5、排除掉疑似失效点后利用其余数据进行逆迭代运算，反向推导出疑似失效点的理论计算值；
S6、排除工艺条件变化，用上述理论计算值对实际仪表信号进行比较分析，采用预定义故障模式和偏差评价，得出实际信号的偏离参量，通过阀值判断、模糊逻辑、故障假设校验，实现校验与故障诊断，确定信号健康水平；
S7、按照测量时间，记录采样信号和计算信号，并按照流网知识库、仪表故障特征库的诊断条件实现报警及定位故障。
2.根据权利要求1所述的通过最优支持向量机算法即时在线仪表校验和诊断方法，其特征在于：首先流动方程简化为
F＝(1-K0)*a1*(P1-P2-KZ)+K0*F1p
其中，线性化系数
Figure FDA0002224155730000011
其中，
Figure FDA0002224155730000013
Figure FDA0002224155730000012
是来自上次迭代的压力，KZ＝ρg(Z2-Z1)，式中，ρ为流体密度，g为重力加速度，Z1为点1处的标高，Z2为点2处的标高；F1p＝上次迭代得到的值F；K0为用户可选择的常数，可通过调整K0获得数值求解的稳定性；
在上式中，F、P1和P2为未知量，高度差KZ是系统常数，其余项是上次迭代得到的值，可认为是已知量；
还设置质量平衡方程，式中流入节点为(+)号，流出节点为(-)号。
3.根据权利要求2所述的通过最优支持向量机算法即时在线仪表校验和诊断方法，其特征在于：根据步骤S1形成的矩阵方程组，将对F(F3)值的计算产生影响的六个因素P1、P2、PB、PC、PD、PE六个建模变量作为模型输入，F值作为输出。
4.根据权利要求3所述的通过最优支持向量机算法即时在线仪表校验和诊断方法，其特征在于：对模糊方程隶属度进行确定；
设模糊方程系统有c*个模糊群，模糊群k，j的中心分别为vk、vj，则第i个训练样本Xi对于模糊群k的隶属度μik为：
Figure FDA0002224155730000021
式中，n为模糊分类过程中需要的分块矩阵指数，通常取作2；||·||为范数表达式；
使用以上隶属度值或者它的变形以获得新的输入矩阵；
对于模糊群k，其输入矩阵变形为：
φik(Xi，μik)＝[1 func(μik)Xi]
其中，func(μik)为隶属度值μik的变形函数，一般取
Figure FDA0002224155730000022
φik(Xi，μik)表示第i个输入变量Xi及其模糊群k的隶属度μik所对应的新的输入矩阵。
5.根据权利要求4所述的通过最优支持向量机算法即时在线仪表校验和诊断方法，其特征在于：以加权最小二乘支持向量机作为模糊方程系统的局部方程，对每个模糊群进行优化拟合；设模型训练样本的第i个目标输出为Fi，加权重的支持向量机通过变换把拟合问题等价于二次规划问题；
Figure FDA0002224155730000023
Figure FDA0002224155730000032
其中，R(ω，ξ)是优化问题的目标函数，minR(ω，ξ)是优化问题的目标函数的最小值，
Figure FDA0002224155730000033
是非线性映射函数，N是训练样本数，ξ＝{ξ1，...，ξN}是松弛变量，ξi是松弛变量的第i个分量，ω是支持向量机超平面的法向量，b是相应的偏移量，而ωi和γ分别是最小二乘支持向量机的权重和惩罚因子，
Figure FDA0002224155730000036
是加权最小二乘支持向量机松弛变量的第i个分量ξi标准差的估计；c1是常数，这里取2.5；c2是常数，这里取3；上标T表示转置，μik表示训练样本Xi对于模糊群k的隶属度，φik(Xi，μik)表示第i个输入变量Xi及其模糊群k的隶属度μik所对应的新的输入矩阵；
由上可推导出模糊群k在训练样本i的输出为：
Figure FDA0002224155730000034
其中
Figure FDA0002224155730000035
为模糊群k在训练样本i的输出，K<·>是最小二乘支持向量机的核函数，这里K<·>取线性核函数，μmk表示第m个训练样本Xm对于模糊群k的隶属度，φmk(Xm，μmk)表示第m个输入变量Xm及其模糊群k的隶属度μmk所对应的新的输入矩阵，αm是对应的拉格朗日乘子的第m个分量。
6.根据权利要求5所述的通过最优支持向量机算法即时在线仪表校验和诊断方法，其特征在于，采用粒子群算法对模糊方程中加权最小二乘支持向量机局部方程的惩罚因子和误差容限值进行优化，优化步骤如下：
S201、确定粒子数的优化参数为加权最小二乘支持向量机局部方程的惩罚因子和误差容限值、粒子群个体数目popsize、最大循环寻优次数itermax、第p个粒子的初始位置rp、初始速度vp、局部最优值Lbestp以及整个粒子群的全局最优值Gbest；
S202、设定优化目标函数，将其转换为适应度，对每个局部模糊方程进行评价；通过相应的误差函数计算适应度函数，并认为误差大的粒子适应度小，粒子p的适应度函数表示为：
fp＝1/(Ep+1)
式中，Ep是模糊方程的误差函数，
式中，
Figure FDA0002224155730000042
是模糊方程系统的预测输出，Fi为模糊方程系统的目标输出；
S203、按照如下公式，循环更新每个粒子的速度和位置，
vp(iter+1)＝
ω×vp(iter)+m1a1(Lbestp-rp(iter))+m2a2(Gbest-rp(iter))；
rp(iter+1)＝rp(iter)+vp(iter+1)；
式中，vp表示更新粒子p的速度，rp表示更新粒子p的位置，Lbest表示更新粒子p的个体最优值，Gbest表示整个粒子群的全局最优值，iter表示循环次数，ω是粒子群算法中的惯性权重，m1、m2是对应的加速系数，a1、a2是[0，1]之间的随机数；
S204、对于粒子p，如果新的适应度大于原来的个体最优值，则更新粒子的个体最优值：Lbestp＝fp；
S205、如果粒子p的个体最优值Lbestp大于原来的粒子群全局最优值Gbest，则Gbest＝Lbestp；
S206、判断是否满足性能要求，若是，结束寻优，得到一组优化的模糊方程的局部方程参数；否则返回步骤S203，继续迭代寻优，直至达到最大迭代次数itermax。
7.根据权利要求1所述的通过最优支持向量机算法即时在线仪表校验和诊断方法，其特征在于：步骤S3中的定期定义为每月或每季度或每年。
8.根据权利要求1所述的通过最优支持向量机算法即时在线仪表校验和诊断方法，其特征在于：步骤S4中的变量为测量仪表信号；记录测量时间，在运算出来的计算值与测量时间对应的测量值进行比对，得出偏差范围的百分比或方差或均方差；完整校验多次后，按照确定性故障诊断条件认为其可能有仪表失效。
9.根据权利要求1所述的通过最优支持向量机算法即时在线仪表校验和诊断方法，其特征在于：疑似失效点的理论计算值Pi的公式为，
Figure FDA0002224155730000051
其中，Pi、Pj表示第i、j个传感器测得压强，Zi、Zj表示第i、j处标高，Fij表示i、j之间的质量流动速率，ρ表示流体密度，g表示重力加速度，a是流量系数。
10.根据权利要求1所述的通过自适应支持向量机算法即时在线仪表校验和诊断方法，其特征在于：预定义故障模式包括漂移、渗漏、堵塞、失效故障模式；流网知识库包括流网节点和支路的能量传递特性；仪表故障特征库包括数值漂移、变化率异常、开路、短路故障特征。
CN201910946059.2A 2019-10-01 2019-10-01 通过最优支持向量机算法即时在线仪表校验和诊断方法 Active CN110750756B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910946059.2A CN110750756B (zh) 2019-10-01 2019-10-01 通过最优支持向量机算法即时在线仪表校验和诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910946059.2A CN110750756B (zh) 2019-10-01 2019-10-01 通过最优支持向量机算法即时在线仪表校验和诊断方法

Publications (2)

Publication Number Publication Date
CN110750756A true CN110750756A (zh) 2020-02-04
CN110750756B CN110750756B (zh) 2023-06-20

Family

ID=69277637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910946059.2A Active CN110750756B (zh) 2019-10-01 2019-10-01 通过最优支持向量机算法即时在线仪表校验和诊断方法

Country Status (1)

Country Link
CN (1) CN110750756B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113778003A (zh) * 2021-10-08 2021-12-10 沈阳仪表科学研究院有限公司 智能运维平台数据采集器的调试方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103675011A (zh) * 2013-09-22 2014-03-26 浙江大学 最优支持向量机的工业熔融指数软测量仪表和方法
WO2018072351A1 (zh) * 2016-10-20 2018-04-26 北京工业大学 一种基于粒子群优化算法对支持向量机的优化方法
CN108764305A (zh) * 2018-05-14 2018-11-06 浙江大学 一种改进的群智能机器学习故障诊断系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103675011A (zh) * 2013-09-22 2014-03-26 浙江大学 最优支持向量机的工业熔融指数软测量仪表和方法
WO2018072351A1 (zh) * 2016-10-20 2018-04-26 北京工业大学 一种基于粒子群优化算法对支持向量机的优化方法
CN108764305A (zh) * 2018-05-14 2018-11-06 浙江大学 一种改进的群智能机器学习故障诊断系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113778003A (zh) * 2021-10-08 2021-12-10 沈阳仪表科学研究院有限公司 智能运维平台数据采集器的调试方法

Also Published As

Publication number Publication date
CN110750756B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
Kang et al. Concrete dam deformation prediction model for health monitoring based on extreme learning machine
Ranković et al. Modelling of dam behaviour based on neuro-fuzzy identification
CN105444923A (zh) 基于遗传算法优化最小二乘支持向量机的机械式温度仪表误差预测方法
KR100867938B1 (ko) 종속변수 유사도와 커널 회귀법을 이용한 발전소 계측기성능감시용 예측방법
CN111258297A (zh) 基于数据融合网络的设备健康指标构建及寿命预测方法
CN107292022A (zh) 一种基于时变温度响应的桥梁结构概率基准有限元模型构建方法
CN110533173B (zh) 一种基于多级注意力网络的仓储粮堆温度预测方法及装置
Zhou et al. Hidden behavior prediction of complex systems based on hybrid information
CN113551744A (zh) 一种超声流量计性能在线监测方法及系统
CN111860839A (zh) 基于多信号融合及Adam优化算法的岸桥故障监测方法
Kong et al. A remote estimation method of smart meter errors based on neural network filter and generalized damping recursive least square
CN113607601B (zh) 基于辨识模型与深度学习相结合的矿浆浓度智能检测方法
Jung et al. Systematic exploration of pipeline network calibration using transients
CN110705187B (zh) 通过最小二乘算法即时在线仪表校验和诊断方法
CN110750756B (zh) 通过最优支持向量机算法即时在线仪表校验和诊断方法
CN112096693B (zh) 水下生产液压控制系统在线诊断与校验方法、存储介质和控制终端
CN116562171B (zh) 一种温湿度在线计量的误差评估方法
CN110705186B (zh) 通过rbf粒子群优化算法即时在线仪表校验和诊断方法
CN117090831A (zh) 具有孪生应用层的液压系统故障诊断框架
Wang et al. Short-term prediction of power consumption for large-scale public buildings based on regression algorithm
WO2019147986A1 (en) Determination of virtual process parameters
CN115630582A (zh) 一种多滑窗模型融合的软岩隧道围岩变形预测方法及设备
CN109101759A (zh) 一种基于正逆响应面法的参数识别方法
CN110750884B (zh) 通过自适应支持向量机算法即时在线仪表校验和诊断方法
CN114462336A (zh) 一种核反应堆主管道冷却剂平均温度计算方法

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
GR01 Patent grant
GR01 Patent grant