CN110750884B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110750884B CN110750884B CN201910946066.2A CN201910946066A CN110750884B CN 110750884 B CN110750884 B CN 110750884B CN 201910946066 A CN201910946066 A CN 201910946066A CN 110750884 B CN110750884 B CN 110750884B
- Authority
- CN
- China
- Prior art keywords
- fuzzy rule
- fuzzy
- rule
- support vector
- vector machine
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 40
- 238000003745 diagnosis Methods 0.000 title claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 230000003044 adaptive effect Effects 0.000 claims abstract description 14
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000012795 verification Methods 0.000 claims abstract description 11
- 230000036541 health Effects 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 63
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 20
- 239000012530 fluid Substances 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 230000006978 adaptation Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000009795 derivation Methods 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 6
- 238000013138 pruning Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种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,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,通过自适应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
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自适应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,设计一种通过自适应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;
首先流动方程简化为
F=1-K0)*a1*(P1-P2-KZ)+K0*F1p
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;
S2、由现场实际测量数据迭代,通过自适应支持向量机算法计算确定模型中的参数,使模型可用;
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;
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,对模块传过来的输入变量,进行模糊推理和建立模糊规则;
首先对训练样本进行模糊分类,得到模糊规库中每个模糊聚类的中心和宽度;设第p个训练样本Xp=[Xp1,...,Xpn],其中n是输入变量的个数;
设模糊神经网络有R个模糊规则,对每个模糊规则i,i=1,...,R,都赋予一个权重值Di,用以表示规则i在模糊神经网络中的重要性;
为了求得每个模糊规则对于训练样本Xp的每个输入变量Xpj,j=1,...,n,下面的模糊化方程将求出第i个模糊规则的隶属度:
设训练样本Xp对模糊规则i的适应度为μ(i)(Xp),则μ(i)(Xp)的大小可由下式决定:
求得输入训练样本对于每个规则的适应度之后,模糊神经网络对模糊规则输出进行推导以后得到最后的解析解;
在常用的模糊神经网路结构中,每个模糊规则推导的过程都可以表示为如下:首先求得训练样本中所有输入变量的线性乘积和,然后用此线性乘积和与规则的适用度μ(i)(Xp)相乘,得到最终的每条模糊规则的输出;
模糊规则i的推导输出可以表示如下:
式中,f(i)为第i条模糊规则的输出,是模糊神经网络模型对第p个训练样本的预测输出,aij,j=1,2,...,n是第i条模糊规则中第j个变量的线性系数,ai0是第i条模糊规则中输入变量线性乘积和的常数项,b是输出偏置量。
进一步地,采用把模糊规则推导输出形式转换为支持向量机优化,使用支持向量机进行线性优化,实现过程如下:
其中Xp0为常数项且恒等于1;
其中,F1,F2,...FN是训练样本的目标输出,取S作为新的输入训练样本集合,可以转化为如下的支持向量机对偶优化:
其中Fp是输入样本Xp的目标输出,ω是支持向量机超平面的法向量,f(Xp)是对应于Xp的模型输出,γ是支持向量机的惩罚因子,上标T表示矩阵的转置,R(ω,b)是优化问题的目标函数,N是训练样本数,L∈(Fp,f(Xp))表达式如下:
其中∈是优化问题的误差容限,接下来使用支持向量机求得模糊神经网络的模糊规则最优推导线性参数和对偶优化问题的预报输出:
进一步地,通过设定模糊规则来增加阈值μth-add、模糊规则重要性减少阈值μth-d、模糊规则删减阈值μth-del,在对训练样本的处理过程中对模糊神经网络结构进行自适应调整;
在上面公式中,模糊规则i对于第p个训练样本Xp=[Xp1,...,Xpn]的适应度为μ(i)(Xp),而模糊规则中适应度值最大的模糊规则项为:
如果μ(I)<μth-add,即模糊规则适应度最大值小于设定的模糊规则增加阈值μth-add,则增加一条新规则;新增加的模糊规则的高斯成员函数的中心和宽度为:
在以上处理训练样本的过程中,Di会随着模糊神经网络在处理样本的过程中会发生变化,用以决定模糊规则的删除与否;
刚开始,每个模糊规则的Di,i=1,..,R值均设置为1,并且随着训练样本的输入做如下的变化,对第i条模糊规则的Di值:
其中常数τ的值决定了模糊规则重要性变化的快慢,如果第i条模糊规则对于第p个训练样本的适应值μ(i)(Xp)小于模糊规则重要性减少阈值μth-d,则其模糊规则重要性值就开始降低,反之增加;
如果第i条规则的Di值在对训练样本训练过程中减少至模糊规则删减阈值μth-del,则删去第i条模糊规则。
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,
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,一种通过自适应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。
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:
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
使用准稳定简化,略去最后一项,等式简化为
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)
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:
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-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。
所有F1ps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,通过自适应支持向量机算法计算确定模型中的参数,使模型可用。计算过程如下:
根据矩阵方程组,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)模糊神经网络模块:对模块传过来的输入变量,进行模糊推理和建立模糊规则。
首先对训练样本进行模糊分类,得到模糊规库中每个模糊聚类的中心和宽度;设第p个训练样本Xp=[Xp1,...,Xpn],其中n是输入变量的个数。
设模糊神经网络有R个模糊规则,对每个模糊规则i,i=1,...,R,都赋予一个权重值Di,用以表示规则i在模糊神经网络中的重要性。
为了求得每个模糊规则对于训练样本Xp的每个输入变量Xpj,j=1,...,n,下面的模糊化方程将求出第i个模糊规则的隶属度:
设训练样本Xp对模糊规则i的适应度为μ(i)(Xp),则μ(i)(Xp)的大小可由下式决定:
求得输入训练样本对于每个规则的适应度之后,模糊神经网络对模糊规则输出进行推导以后得到最后的解析解。
在常用的模糊神经网路结构中,每个模糊规则推导的过程都可以表示为如下:首先求得训练样本中所有输入变量的线性乘积和,然后用此线性乘积和与规则的适用度μ(i)(Xp)相乘,得到最终的每条模糊规则的输出。
模糊规则i的推导输出可以表示如下:
式中,f(i)为第i条模糊规则的输出,是模糊神经网络模型对第p个训练样本的预测输出,aij,j=1,2,...,n是第i条模糊规则中第j个变量的线性系数,ai0是第i条模糊规则中输入变量线性乘积和的常数项,b是输出偏置量。
(2)支持向量机优化模块:在式(20)中,输入变量线性乘积和中的参数确定是模糊神经网络使用中用到的一个主要问题,采用把模糊规则推导输出形式转换为支持向量机优化问题,使用支持向量机进行线性优化,实现过程如下:
其中Xp0为常数项且恒等于1;
其中,F1,F2,...FN是训练样本的目标输出,取S作为新的输入训练样本集合,那么原有问题可以转化为如下的支持向量机对偶优化问题:
其中,Fp是输入样本Xp的目标输出,ω是支持向量机超平面的法向量,f(Xp)是对应于Xp的模型输出,γ是支持向量机的惩罚因子,上标T表示矩阵的转置,R(ω,b)是优化问题的目标函数,N是训练样本数,L∈(Fp,f(Xp))表达式如下:
其中,∈是优化问题的误差容限,接下来使用支持向量机求得模糊神经网络的模糊规则最优推导线性参数和对偶优化问题的预报输出:
(3)自适应结构优化模块:由于在模糊神经网络的结构参数确定中,主要是靠人工经验来确定,而且一旦确定,整个模型结构不能自适应优化。通过设定模糊规则来增加阈值μth-add、模糊规则重要性减少阈值μth-d、模糊规则删减阈值μth-del,在对训练样本的处理过程中对模糊神经网络结构进行自适应调整。
在上面公式(19)中,模糊规则i对于第p个训练样本Xp=[Xp1,...,Xpn]的适应度为μ(i)(Xp),而模糊规则中适应度值最大的模糊规则项为:
如果μ(I)<μth-add,即模糊规则适应度最大值小于设定的模糊规则增加阈值μth-add,则增加一条新规则;新增加的模糊规则的高斯成员函数的中心和宽度为:
在以上处理训练样本的过程中,Di会随着模糊神经网络在处理样本的过程中会发生变化,用以决定模糊规则的删除与否。
刚开始,每个模糊规则的Di,i=1,..,R值均设置为1,并且随着训练样本的输入做如下的变化,对第i条模糊规则的Di值:
其中常数τ的值决定了模糊规则重要性变化的快慢,如果第i条模糊规则对于第p个训练样本的适应值μ(i)(Xp)小于模糊规则重要性减少阈值μth-d,则其模糊规则重要性值就开始降低,反之增加。
如果第i条规则的Di值在对训练样本训练过程中减少至模糊规则删减阈值μth-del,则删去第i条模糊规则。
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(5)可知:
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 (8)
1.一种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;
首先流动方程简化为F(1K0)*a1*(P1-P2-KZ)+K0*F1p
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;
S2、由现场实际测量数据迭代,通过自适应支持向量机算法计算确定模型中的参数,使模型可用;
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;
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:对模块传过来的输入变量,进行模糊推理和建立模糊规则;
首先对训练样本进行模糊分类,得到模糊规库中每个模糊聚类的中心和宽度;设第p个训练样本Xp=[Xp1,…,Xpn],其中n是输入变量的个数;
设模糊神经网络有R个模糊规则,对每个模糊规则i,i=1,…,R,都赋予一个权重值Di,用以表示规则i在模糊神经网络中的重要性;
为了求得每个模糊规则对于训练样本Xp的每个输入变量Xpj,j=1,…,n,下面的模糊化方程将求出第i个模糊规则的隶属度:
设训练样本Xp对模糊规则i的适应度为μ(i)(Xp),则μ(i)(Xp)的大小可由下式决定:
求得输入训练样本对于每个规则的适应度之后,模糊神经网络对模糊规则输出进行推导以后得到最后的解析解;
在常用的模糊神经网路结构中,每个模糊规则推导的过程都可以表示为如下:首先求得训练样本中所有输入变量的线性乘积和,然后用此线性乘积和与规则的适用度μ(i)(Xp)相乘,得到最终的每条模糊规则的输出;
模糊规则i的推导输出可以表示如下:
3.根据权利要求2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:采用把模糊规则推导输出形式转换为支持向量机优化,使用支持向量机进行线性优化,实现过程如下:
其中Xp0为常数项且恒等于1;
其中,F1,F2,…FN是训练样本的目标输出,取S作为新的输入训练样本集合,可以转化为如下的支持向量机对偶优化:
其中Fp是输入样本Xp的目标输出,ω是支持向量机超平面的法向量,f(Xp)是对应于Xp的模型输出,γ是支持向量机的惩罚因子,上标T表示矩阵的转置,R(ω,b)是优化问题的目标函数,N是训练样本数,L∈(Fp,f(Xp))表达式如下:
其中∈是优化问题的误差容限,接下来使用支持向量机求得模糊神经网络的模糊规则最优推导线性参数和对偶优化问题的预报输出:
4.根据权利要求3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:通过设定模糊规则来增加阈值μth-add、模糊规则重要性减少阈值μth-d、模糊规则删减阈值μth-del,在对训练样本的处理过程中对模糊神经网络结构进行自适应调整;
在上面公式中,模糊规则i对于第p个训练样本Xp=[Xp1,…,Xpn]的适应度为μ(i)(Xp),而模糊规则中适应度值最大的模糊规则项为:
如果μ(I)<μth-add,即模糊规则适应度最大值小于设定的模糊规则增加阈值μth-add,则增加一条新规则;新增加的模糊规则的高斯成员函数的中心和宽度为:
在以上处理训练样本的过程中,Di会随着模糊神经网络在处理样本的过程中会发生变化,用以决定模糊规则的删除与否;
刚开始,每个模糊规则的Di,i=1,..,R值均设置为1,并且随着训练样本的输入做如下的变化,对第i条模糊规则的Di值:
其中常数τ的值决定了模糊规则重要性变化的快慢,如果第i条模糊规则对于第p个训练样本的适应值μ(i)(Xp)小于模糊规则重要性减少阈值μth-d,则其模糊规则重要性值就开始降低,反之增加;
如果第i条规则的Di值在对训练样本训练过程中减少至模糊规则删减阈值μth-del,则删去第i条模糊规则。
5.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:步骤S3中的定期定义为每月或每季度或每年。
6.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: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。
8.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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910946066.2A CN110750884B (zh) | 2019-10-01 | 2019-10-01 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910946066.2A CN110750884B (zh) | 2019-10-01 | 2019-10-01 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110750884A CN110750884A (zh) | 2020-02-04 |
CN110750884B true CN110750884B (zh) | 2023-06-20 |
Family
ID=69277654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910946066.2A Active CN110750884B (zh) | 2019-10-01 | 2019-10-01 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110750884B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488089A (zh) * | 2013-09-22 | 2014-01-01 | 浙江大学 | 自适应的农药废液焚烧炉有害物排放达标控制系统及方法 |
CN103675010A (zh) * | 2013-09-22 | 2014-03-26 | 浙江大学 | 支持向量机的工业熔融指数软测量仪表及方法 |
CN109492777A (zh) * | 2018-09-14 | 2019-03-19 | 国电电力宁夏新能源开发有限公司 | 一种基于机器学习算法平台的风电机组健康管理方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7698055B2 (en) * | 2004-11-16 | 2010-04-13 | Microsoft Corporation | Traffic forecasting employing modeling and analysis of probabilistic interdependencies and contextual data |
-
2019
- 2019-10-01 CN CN201910946066.2A patent/CN110750884B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488089A (zh) * | 2013-09-22 | 2014-01-01 | 浙江大学 | 自适应的农药废液焚烧炉有害物排放达标控制系统及方法 |
CN103675010A (zh) * | 2013-09-22 | 2014-03-26 | 浙江大学 | 支持向量机的工业熔融指数软测量仪表及方法 |
CN109492777A (zh) * | 2018-09-14 | 2019-03-19 | 国电电力宁夏新能源开发有限公司 | 一种基于机器学习算法平台的风电机组健康管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110750884A (zh) | 2020-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110441065B (zh) | 基于lstm的燃气轮机在线检测方法与装置 | |
CN112036075A (zh) | 一种基于环境监测数据关联关系的异常数据判定方法 | |
CN110824914B (zh) | 一种基于pca-lstm网络的废水处理智能监控方法 | |
CN113325721B (zh) | 一种工业系统无模型自适应控制方法及系统 | |
AU2020102518A4 (en) | A method of gas sensor calibration based on linear optimization | |
CN104778361B (zh) | 改进型EMD‑Elman神经网络预测铁水硅含量的方法 | |
CN113551744A (zh) | 一种超声流量计性能在线监测方法及系统 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN115344019A (zh) | 一种基于复合智能算法的天然气计量流量调节工艺 | |
CN110222825B (zh) | 一种水泥成品比表面积预测方法及系统 | |
CN114912364A (zh) | 天然气井流量预测方法、装置、设备及计算机可读介质 | |
CN112801426B (zh) | 一种基于关联参数挖掘的工业过程故障融合预测方法 | |
CN114528764A (zh) | 基于整体优化的即时学习的软测量建模方法及装置 | |
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 | |
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 | |
CN110705187B (zh) | 通过最小二乘算法即时在线仪表校验和诊断方法 | |
CN112580254B (zh) | 一种基于多级决策融合的换流变多维度分析和预警方法 | |
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 | |
CN117034808A (zh) | 一种基于图注意力网络的天然气管网压力估计方法 | |
CN116662925A (zh) | 一种基于加权稀疏神经网络工业过程软测量方法 | |
CN114399024B (zh) | 油气浓度大数据智能检测系统 | |
CN108446506A (zh) | 一种基于区间反馈神经网络的不确定系统建模方法 | |
CN115014451A (zh) | 一种多网络特征融合模型的气固两相流流量测量方法 | |
CN111859798A (zh) | 基于双向长短时神经网络的流程工业故障诊断方法 | |
Tinoco et al. | Using soft computing tools for piezometric level prediction |
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 |