CN112270121A - 改进鲸鱼算法优化svdd的温度异常检测方法及应用 - Google Patents

改进鲸鱼算法优化svdd的温度异常检测方法及应用 Download PDF

Info

Publication number
CN112270121A
CN112270121A CN202011069052.6A CN202011069052A CN112270121A CN 112270121 A CN112270121 A CN 112270121A CN 202011069052 A CN202011069052 A CN 202011069052A CN 112270121 A CN112270121 A CN 112270121A
Authority
CN
China
Prior art keywords
svdd
temperature
whale algorithm
algorithm
whale
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
Application number
CN202011069052.6A
Other languages
English (en)
Inventor
董明明
杨海东
徐康康
印四华
朱成就
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202011069052.6A priority Critical patent/CN112270121A/zh
Publication of CN112270121A publication Critical patent/CN112270121A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K7/00—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements
    • G01K7/02—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements using thermoelectric elements, e.g. thermocouples
    • 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
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明针对现有技术在温度异常检测中存在的不足，提出了一种改进鲸鱼算法优化SVDD的温度异常检测方法及应用，包括：采集待检测区域的温度数据；通过自适应反向学习搜索策略以及引入变异算子对鲸鱼算法中的折衷参数以及核函数宽度进行改进，得到改进型鲸鱼算法；利用所述改进型鲸鱼算法对所述SVDD温度检测模型进行优化，在线检测待检测区域的温度，判断温度异常情况。本发明利用鲸鱼算法优化SVDD的核心参数，由此建立准确的SVDD模型对辊道窑窑温进行异常检测，利用正常温度样本训练出的超球体半径R作为判断窑温是否异常的阈值，通过比较待测样本与球心的距离D和R的大小来判断当前温度是否异常。

Description

改进鲸鱼算法优化SVDD的温度异常检测方法及应用
技术领域
本发明涉及温度检测领域，特别是涉及一种改进鲸鱼算法优化SVDD的温度异常检测方法及应用。
背景技术
我国是全球最大的陶瓷制造国，企业间竞争愈发激烈，为了谋取发展企业对陶瓷质量的要求越来越高。然而许多热工因素影响或制约了产品质量的提高。如干燥时不均匀的温度会导致砖坯抛光后产生色差，砖体升温不均匀会产生应力出现裂纹，烧成过程的温度直接影响陶瓷的颜色等。所以对窑温的有效监测是对保障产品质量与合格率的必要手段。
为了实时监控窑炉温度生产状况，现有的，如利用无线传感器网络设计了一套智能控系统，将热电偶采集的温度传递到主控制器，当温度值超出预设值时会自动调整水煤气的流量；以及，如一种基于无线传感器网络的窑炉温度远程测控与预警系统，当现场温度出现异常时，仪表因超出设定的阈值而报警。但上述两种监控方案的报警阈值都是人为设置的，通常由经验丰富的师傅进行设定。受人为因素的影响，缺乏灵活性和应付能力，没有充分利用传感器采集的数据。所以传统控制方法难以解决复杂工况的控制问题；还有，如基于易控组态软件设计的辊道窑控制系统中的报警系统，需要工作人员根据实际需要设定某些变量的报警上下限，然后系统才会自动报警。
总之，现有的窑温异常检测方法一般会设定阈值进行比较，即通过对不同工况设定取值范围来检测异常，该类方法对阈值范围要求较高，且无法动态变化，自适应性差，缺乏控制的灵活性和应变能力，容易造成误检，漏检等错误。因此，很难胜任对炉窑这类复杂系统的控制。
发明内容
本发明针对现有技术在温度异常检测中存在的不足，提出了一种改进鲸鱼算法优化SVDD的温度异常检测方法及应用，可以克服传统窑温异常检测无法动态变化、误检率、漏检率高的问题。
本发明解决上述技术问题所采取的技术方案是：一种改进鲸鱼算法优化SVDD的温度异常检测方法，包括：
采集待检测区域的温度数据；
通过自适应反向学习搜索策略以及引入变异算子对鲸鱼算法中的折衷参数以及核函数宽度进行改进，得到改进型鲸鱼算法；
利用所述改进型鲸鱼算法对所述SVDD温度检测模型进行优化，在线检测待检测区域的温度，判断温度异常情况。
所述SVDD温度检测模型，包括：
Figure BDA0002709169990000021
式中，ζi是松弛因子；a超球体球心，R是超球体半径，C是折衷参数；L是拉格朗日构造函数，Φ(xi)表示非线性映射函数，ai、μi是拉格朗日乘子，i＝1,…,n。
利用高斯核函数代替内积，实现高维空间映射；
Figure BDA0002709169990000022
Figure BDA0002709169990000023
K(xi,xj)为核函数，式中σ是核函数宽度；aj是拉格朗日乘子，K(xi，xj)表示高斯核函数。
所述“利用所述改进型鲸鱼算法对所述SVDD温度检测模型在线检测待检测区域的温度，判断温度异常情况”，包括：
通过下式计算测试样本至超球体球心a的距离D，并于超球体半径R比较，若D<R，说明测试数据是正常数据，否则为异常数据；
Figure BDA0002709169990000031
K(xi,xj)为核函数，式中σ是核函数宽度；aj是拉格朗日乘子，K(xi，xj)表示高斯核函数。
所述“利用所述改进型鲸鱼算法对所述SVDD温度检测模型进行优化”，包括：
改进鲸鱼算法优化SVDD，定义适应度函数：
Figure BDA0002709169990000032
式中，
Figure BDA0002709169990000033
nt表示正确分类的样本数量，n表示训练样本的数量，ei即表示分类准确率。
所述鲸鱼算法，包括：
(1)包围猎物：
当p<0.5且|A|<1时，执行包围猎物行为；p是[0,1]范围内产生的随机数；该过程用数学公式表示为：
D＝|C·X*-X(t)|；
X(t+1)＝X*(t)-A·D
式中：D是狩猎对象和当下鲸鱼个体之间的距离；t表示第几次迭代；X(t)是当下鲸鱼个体所处的位置；X*是当下最优解位置；·是逐元素乘法；
系数向量A与C的计算公式为：
A＝2a·r-a
C＝2r
r是[0,1]中的随机数；a是控制参数。
所述“通过自适应反向学习搜索策略以及引入变异算子对鲸鱼算法中的折衷参数以及核函数宽度进行改进，得到改进型鲸鱼算法”，包括：
1)通过自适应反向学习搜索策略，增大发现目标猎物的候选解的概率；
Figure BDA0002709169990000041
式中xbest是当前最优解，h＝(a+b)/2；
反向数计算公式：
Figure BDA0002709169990000042
准反射反向数计算公式：
Figure BDA0002709169990000043
其中，设x∈[a,b]，h＝(a+b)/2,
Figure BDA0002709169990000044
表示在
Figure BDA0002709169990000045
上的随机数；b为表示对数螺旋形状的常量；a是控制参数；
2)引入高斯变异算子：
高斯变异算子的定义式：
Figure BDA0002709169990000046
式中，
Figure BDA0002709169990000047
表示第j维的最优鲸鱼个体，N(0,1)指服从期望值为0，标准差为1的高斯分布的随机数。
所述控制参数a的获取方法是：
Figure BDA0002709169990000048
其中，max_t是最大迭代的次数。
本发明所带来的有益效果为：本发明利用鲸鱼算法优化SVDD的核心参数，由此建立准确的SVDD模型对辊道窑窑温进行异常检测，利用正常温度样本训练出的超球体半径R作为判断窑温是否异常的阈值，通过比较待测样本与球心的距离D和R的大小来判断当前温度是否异常。
本发明在使用中，依据生产要求，生产不同的陶瓷时采用的温度不同，现有技术为了适合不同产品阈值往往被设置的宽松，而本发明可以为每一种产品建立一种专属的模型，从而提高窑温的异常检测精度；同时，随着辊道窑的自动化与集成化水平不断提高，各阶段互相影响，耦合性强。本发明充分利用生产过程采集的数据，利用历史数据建立监控模型的方法，可以克服传统方法应对复杂情况时容易误警的缺陷。
附图说明
图1为本发明所述改进鲸鱼算法优化SVDD的温度异常检测方法的流程图。
图2为判断辊道窑窑温是否异常的流程图。
图3为个算法适应度曲线图。
图4为PSO-SVDD算法优化SVDD的异常检测结果图。
图5为GA-SVDD算法优化SVDD的异常检测结果图。
图6为WOA-SVDD算法优化SVDD的异常检测结果图。
图7为IWOA-SVDD算法优化SVDD的异常检测结果图。
图8为T2控制限的KPCA异常检测图。
图9为SPE控制限的KPCA异常检测图。
图10为T2控制限的KPLS异常检测图。
图11为SPE控制限的KPLS异常检测图。
具体实施方式
下面结合附图对本发明进行进一步的说明。
如图1～2，一种改进鲸鱼算法优化SVDD的温度异常检测方法，包括：采集待检测区域的温度数据；通过自适应反向学习搜索策略以及引入变异算子对鲸鱼算法中的折衷参数以及核函数宽度进行改进，得到改进型鲸鱼算法；利用所述改进型鲸鱼算法对所述SVDD温度检测模型进行优化，在线检测待检测区域的温度，判断温度异常情况。
具体实施例I：以本发明应用在辊道窑窑温异常检测上为例。
本发明包括：
数据采集模块10：利用安装在窑炉内部的热电偶采集辊道窑生产过程中的温度，用作训练模型以及作为异常检测的对象。
改进鲸鱼算法20：SVDD异常检测受c和σ取值影响很大，采用鲸鱼算法优化SVDD的参数。因为鲸鱼算法优化后期所有鲸鱼个体向最优个体聚集，群体多样性低，易出现早收敛现象。因此，提出自主搜索算子优化鲸鱼算法迭代后期的全局搜索性能。
鲸鱼算法优化SVDD30：
使用改进鲸鱼算法优化SVDD的核心参数c和σ来提升SVDD的识别精度。
异常检测40：
利用建立好的SVDD模型在线检测辊道窑窑温。
具体的，数据采集模块10：
辊道窑主要分为三个部分：预热带、烧成带和冷却带。在这三个部分都有部热电偶传感器，热电偶主要分布在窑顶中间位置，窑炉主动边侧面，两只喷枪中间位置。通过窑炉内部布置的热电偶来实时监控辊道窑内部的温度分布情况。
具体的，改进鲸鱼算法20包括：
鲸鱼优化算法
(1)包围猎物当p<0.5且|A|<1时，执行包围猎物行为。p是[0,1]范围内产生的随机数。鲸鱼算法视当前最优候选解为猎物位置或者距离目标猎物最近的鲸鱼个体位置，其他候选解将向种群最优位置靠近。该过程用数学公式表示为：
D＝|C·X*-X(t)| (1)
X(t+1)＝X*(t)-A·D (2)
式中：D是狩猎对象和当下鲸鱼个体之间的距离；t表示第几次迭代；X(t)是当下鲸鱼个体所处的位置；X*是当下最优解位置；·是逐元素乘法。系数向量A与C的计算公式为：
A＝2a·r-a (3)
C＝2r (4)
r是[0,1]中的随机数。a是控制参数，随着迭代次数的增加，从2减小到0。a的计算公式为：
Figure BDA0002709169990000071
max_t是最大迭代的次数。
(2)螺旋轨迹狩猎当p≥0.5，执行螺旋轨迹狩猎行为。在鲸鱼搜索猎物时，对目标猎物的位置以螺旋形式作为运动轨迹来捕猎食物，模仿鲸鱼螺旋式捕猎食物的数学公式如下:
D＝|X*(t)-X(t)| (6)
X(t+1)＝X*(t)+D·eb*l·cos2πl (7)
式中，b为表示对数螺旋形状的常量，l是[-1,1]范围内均匀分布产生的随机数。
(3)随机猎物搜寻当p<0.5且|A|1时，执行随机猎物搜寻行为。此时随机选择一个鲸鱼个体更新下一个鲸鱼的位置，其数学表示为：
D＝|C·Xrand-X(t)| (8)
X(t+1)＝Xrand-A·D (9)
改进鲸鱼优化算法
(1)自适应反向学习搜索策略
反向学习提出后被广泛应用于群体智能算法，其工作原理是：将当前解和反向解带入适应度函数，选择适应度理想的解作为下一代，从而增大发现更接近于目标猎物的候选解的概率，加快算法收敛速度。Tizhoosh进一步拓展了反向学习策略，先后提出了准反向数与准反射反向数的概念。
反向数计算公式：
Figure BDA0002709169990000072
准反向数计算公式：
Figure BDA0002709169990000073
准反射反向数计算公式：
Figure BDA0002709169990000074
其中，设x∈[a,b]，h＝(a+b)/2,
Figure BDA0002709169990000075
表示在
Figure BDA0002709169990000076
上的随机数。
虽然反向学习在智能算法中可以提高搜索效率，但仍然存在缺陷，准反向数与准反射反向数分别位于中间值h的两侧，当目标猎物处于x的附近时，准反向数的计算起不到效果，当猎物处于
Figure BDA0002709169990000081
附近时，准反射反向数没有作用。为了提高反向学习的命中率，提出自适应反向学习策略，利用当前鲸鱼最优个体所处的位置来决定反向数的具体计算。最优个体靠近x，自适应反向数
Figure BDA0002709169990000082
为
Figure BDA0002709169990000083
的计算结果，当靠近
Figure BDA0002709169990000084
自适应反向数
Figure BDA0002709169990000085
为
Figure BDA0002709169990000086
的计算结果。具体计算过程如下：
Figure BDA0002709169990000087
式中xbest是当前最优解，h＝(a+b)/2。
对于一个鲸鱼个体表示为
Figure BDA0002709169990000088
N是鱼群规模，
Figure BDA0002709169990000089
d是维度。
Figure BDA00027091699900000810
是
Figure BDA00027091699900000811
的上下限。则一个鲸鱼个体的自适应反向学习点表示为：
Figure BDA00027091699900000812
本文是以适应度值最小为优，若满足
Figure BDA00027091699900000813
则替换原来鲸鱼位置，即
Figure BDA00027091699900000814
(2)高斯变异算子策略
引入变异算子是增加多样性的常用手段之一，可以对当前最优候选解产生扰动变异，扩大搜索代理空间，保持种群多样性，减少陷入局部最优的机率。高斯变异算子的定义式：
Figure BDA00027091699900000815
Figure BDA00027091699900000816
表示第j维的最优鲸鱼个体，N(0,1)指服从期望值为0，标准差为1的高斯分布的随机数。将扰动变异前的个体与扰动变异后的个体分别带入适应度函数进行比较，选择适应度值最优的个体。改进后的鲸鱼个体位置受高斯分布产生的随机数影响，能够有效增加初始化种群多样性。
具体，鲸鱼算法优化SVDD模型30：
SVDD异常检测的原理：
把目标样本映射在高维特征空间中，建立一个包围目标样本的封闭超球体，超球体体积要尽可能小同时让更多的目标样本被超球体包围在内。超球体球面则充当区分正类样本与负类样本的决策边界，判断测试样本点在超球体里面还是外部来最终实现对正常数据与异常数据的识别。对该问题描述如下：
Figure BDA0002709169990000091
式中，ζi是松弛因子，允许部分正类数据位于超球体外部。超球体球心是a，半径是R，C是折衷参数，是超球体体积与落在球外数据数量之间的平衡因子。
式(2)是式(1)的对偶问题，并用式(3)的高斯核函数代替内积，实现高维空间映射。K为核函数，式中σ是核函数宽度。
Figure BDA0002709169990000092
Figure BDA0002709169990000093
利用式(5)计算测试样本至球心的距离D，并于半径R比较，若D<R，说明测试数据是正常数据，否则为异常数据。
Figure BDA0002709169990000094
改进鲸鱼算法优化SVDD
定义适应度函数：
Figure BDA0002709169990000101
fitness表示把一组(c,σ)值代入SVDD，对训练样本进行10折交叉验证所得到的错分率。式中，
Figure BDA0002709169990000102
nt表示正确分类的样本数量，n表示训练样本的数量，ei即表示分类准确率。
改进鲸鱼算法优化SVDD方法的具体优化步骤：
(1)设置算法的迭代次数，种群规模，以及参数c和σ的上下限。
(2)随机初始化种群。
(3)用10折交叉验证计算鲸鱼个体适应度值，保存最优值及其位置。
(4)利用式(2)、(7)、(9)、(13)、(14)更新鲸鱼个体位置。
(5)检查是否达到迭代结束条件，满足返回(c,σ)，不满足跳转步骤3。
具体，异常检测40：
使用正常温度样本训练出的超球体，超球体的半径R作为异常检测的阈值。将实时采集到的温度代入SVDD，计算出温度值与球心的距离D，比较D与R的大小关系判断辊道窑窑温是否异常。算法流程图如图2。
本发明能够对SVDD核心参数c和σ的优化。SVDD异常检测受c和σ取值影响很大，对c和σ的参数优化成为SVDD能否准确检测的关键。
鲸鱼算法的改进。由于鲸鱼算法的位置更新机制在迭代后期容易陷入局部最优，收敛精度低，因此需要改进算法提升鲸鱼算法的全局搜索能力。
为了验证IWOA-SVDD的分类性能，将它与粒子群算法优化的支持向量数据描述(PSO-SVDD)、遗传算法优化的支持向量数据描述(GA-SVDD)、鲸鱼算法优化的支持向量数据描述(WOA-SVDD)做对比分析。选择5种UCI数据集测试分类性能，有的数据集类别超过两类，人为的分为两类方便检测。如wine与glass数据集都把标签为1的类视为正常数据，其余类视为异常数据。粒子群算法的学习系数c1＝2、c2＝2，权重ω设为0.5。遗传算法的交叉因子设置为0.85，变异因子设置为0.05。表1是实验数据的总结。
表1五种UCI数据集
Figure BDA0002709169990000111
表2是五种数据集的测试结果，表中数据是5次运行的平均值，括号内数据是标准差。
表2五种数据集测试结果
Figure BDA0002709169990000112
Figure BDA0002709169990000121
从表2可知，PSO-SVDD相较于其他三种算法稳定性略差；未优化的鲸鱼算法与粒子群算法和遗传算法对SVDD的优化效果相当，改进后的鲸鱼算法可以显著提升SVDD的准确率。AUC是一种评价分类器性能的指标，数值越大说明分类效果越好，结合AUC，可以得出IWOA-SVDD的分类识别性能要优于PSO-SVDD，GA-SVDD，WOA-SVDD。因此，进一步将IWOA-SVDD优化方法应用到辊道窑窑温的异常检测中检验其可行性。
(2)辊道窑窑温的异常检测
窑温数据采集：本文数据来自于佛山某陶瓷生产企业一个月的生产数据，共计587条样本，其中287组作为训练样本，200组为测试样本，测试样本中后40条是异常样本。每条样本有66个温度数值，前33个温度值是由安装在窑顶中间位置的热电偶采集的温度，后33个温度值由安装在窑炉主动边侧面(两只喷枪中间位置)的热电偶采集得来。
不同算法优化SVDD的窑温异常检测
(1)PSO-SVDD的参数设置:迭代次数50，粒子种群数量20,c的取值范围为[1/287,1],σ的取值范围是[1,50],学习系数c1＝2、c2＝2，惯性因子＝0.5。
(2)GA-SVDD的参数设置:迭代次数50，种群规模20，c的取值范围为[1/287,1],σ的取值范围是[1,50],交叉率Pc是0.9，变异率Pm是0.01。
(3)WOA-SVDD与IWOA-SVDD的参数设置:迭代次数20，种群规模20，c的取值范围为[1/287，1],σ的取值范围是[1,50]。
四种参数优化算法的适应度曲线见图3，PSO，GA从第11次迭代开始适应度值停滞变化较长时间，说明陷于局部最优值。WOA在第15次迭代时也出现同样的问题。相比之下IWOA的适应度值多次下降，避免陷入局部最优值，同时IWOA的收敛精度均优于PSO、GA、WOA。
如图4～7，分别是四种算法优化SVDD的异常检测图，纵坐标表示测试样本与球心的距离，横坐标表示样本数，水平实线是训练正常样本得到的超球体的半径R，即报警阈值。当测试样本点与球心的距离小于R即位于水平实线以下则为正常样本，反之为异常样本。图中，IWOA-SVDD的正常样本误报为异常的数量明显少于其余三种方法。
表3是辊道窑温度异常识别结果。四种算法的对异常温度样本都可以检测到，但是对于正常样本，PSO-SVDD的误检率最高，这是因为PSO-SVDD优化得到的c和σ偏小，超球体半径过小，使得一部分正常样本被识别为异常，误检率比其他三种算法都高。IWOA-SVDD在四种算法中误警率最低，准确率相比于PSO-SVDD、GA-SVDD提升了5.9％、4.25％。
表3：
Figure BDA0002709169990000131
IWOA-SVDD与过程监控方法对比分析
统计过程监控方法是目前保障生产过程正常运行，产品质量稳定的主要手段之一。核主成分分析(Kernel Principal Component Analysis,KPCA)和核偏最小二乘法(Kernel Partial Least Squares,KPLS)是两种常用的过程监控方法[11]。现与IWOA-SVDD对比分析，KPCA与KPLS的置信度设为95％，KPCA的累积方差贡献率设为85％。对于KPLS，把陶瓷烧成后的尺寸作为衡量品质的指标。
图8～11，分别是过程监控方法对窑温的异常检测图。对于前160个正常温度样本，两个方法的SPE统计量都有多个样本超出控制限而造成虚警。表4是异常检测结果，可以看出KPCA、KPLS误警率明显高于IWOA-SVDD，误警率太高会使得监控系统在辊道窑在正常运转时仍然频繁报警,增大工作人员的负担，增添不必要的麻烦。KPCA、KPLS之所以容易误警，是因为其统计量T2、SPE控制限的计算对要求数据样本服从高斯分布，但企业实际生产环境复杂，受各种情况干扰，使得辊道窑窑温偏离高斯分布。因此，相比于过程监控方法统计量的控制限SVDD的超球体半径R更适合作为辊道窑窑温异常检测的阈值。
表4：
Figure BDA0002709169990000141
根据表4内容可知，KPCA、KPLS也可以用作辊道窑窑温异常检测，但通过实验证明有以下缺点：准确率不如SVDD；要求数据样本服从高斯分布；本发明使用SVDD对辊道窑窑温进行异常检测，采用改进鲸鱼算法对SVDD的参数c和σ进行优化，同时采用自适应反向学习搜索策略与高斯变异算子策略对鲸鱼算法的全局搜索性能改善，提升了准确率。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易变化或替换，都属于本发明的保护范围之内。因此本发明的保护范围所述以权利要求的保护范围为准。

Claims (8)

1.一种改进鲸鱼算法优化SVDD的温度异常检测方法，其特征在于，包括：
采集待检测区域的温度数据；
通过自适应反向学习搜索策略以及引入变异算子对鲸鱼算法中的折衷参数以及核函数宽度进行改进，得到改进型鲸鱼算法；
利用所述改进型鲸鱼算法对所述SVDD温度检测模型进行优化，在线检测待检测区域的温度，判断温度异常情况。
2.根据权利要求1所述的一种改进鲸鱼算法优化SVDD的温度异常检测方法，其特征在于，所述SVDD温度检测模型，包括：
Figure FDA0002709169980000011
式中，ζi是松弛因子；a超球体球心，R是超球体半径，C是折衷参数；L是拉格朗日构造函数，Φ(xi)表示非线性映射函数，ai、μi是拉格朗日乘子，i＝1,…,n；
利用高斯核函数代替内积，实现高维空间映射；
Figure FDA0002709169980000012
Figure FDA0002709169980000013
Figure FDA0002709169980000014
K(xi,xj)为核函数，式中σ是核函数宽度；aj是拉格朗日乘子，K(xi，xj)表示高斯核函数。
3.根据权利要求1所述的一种改进鲸鱼算法优化SVDD的温度异常检测方法，其特征在于，所述“利用所述改进型鲸鱼算法对所述SVDD温度检测模型在线检测待检测区域的温度，判断温度异常情况”，包括：
通过下式计算测试样本至超球体球心a的距离D，并于超球体半径R比较，若D<R，说明测试数据是正常数据，否则为异常数据；
Figure FDA0002709169980000021
式中，K(xi,xj)为核函数，式中σ是核函数宽度；aj是拉格朗日乘子。
4.根据权利要求1所述的一种改进鲸鱼算法优化SVDD的温度异常检测方法，其特征在于，所述“利用所述改进型鲸鱼算法对所述SVDD温度检测模型进行优化”，包括：
改进鲸鱼算法优化SVDD，定义适应度函数：
Figure FDA0002709169980000022
式中，
Figure FDA0002709169980000023
nt表示正确分类的样本数量，n表示训练样本的数量，ei即表示分类准确率。
5.根据权利要求1所述的一种改进鲸鱼算法优化SVDD的温度异常检测方法，其特征在于，所述鲸鱼算法，包括：
(1)包围猎物：
当p<0.5且|A|<1时，执行包围猎物行为；p是[0,1]范围内产生的随机数；该过程用数学公式表示为：
D＝|C·X*-X(t)|；
X(t+1)＝X*(t)-A·D
式中：D是狩猎对象和当下鲸鱼个体之间的距离；t表示第几次迭代；X(t)是当下鲸鱼个体所处的位置；X*是当下最优解位置；·是逐元素乘法；
系数向量A与C的计算公式为：
A＝2a·r-a
C＝2r
r是[0,1]中的随机数；a是控制参数。
6.根据权利要求1所述的一种改进鲸鱼算法优化SVDD的温度异常检测方法，其特征在于，所述“通过自适应反向学习搜索策略以及引入变异算子对鲸鱼算法中的折衷参数以及核函数宽度进行改进，得到改进型鲸鱼算法”，包括：
1)通过自适应反向学习搜索策略，增大发现目标猎物的候选解的概率；
Figure FDA0002709169980000031
式中xbest是当前最优解，h＝(a+b)/2；
反向数计算公式：
Figure FDA0002709169980000032
准反射反向数计算公式：
Figure FDA0002709169980000033
其中，设x∈[a,b]，h＝(a+b)/2,
Figure FDA0002709169980000034
表示在
Figure FDA0002709169980000035
上的随机数；b为表示对数螺旋形状的常量；a是控制参数；
2)引入高斯变异算子：
高斯变异算子的定义式：
Figure FDA0002709169980000036
式中，
Figure FDA0002709169980000037
表示第j维的最优鲸鱼个体，N(0,1)指服从期望值为0，标准差为1的高斯分布的随机数。
7.根据权利要求5或6所述的一种改进鲸鱼算法优化SVDD的温度异常检测方法，其特征在于，所述控制参数a的获取方法是：
Figure FDA0002709169980000038
其中，max_t是最大迭代的次数。
8.一种如权利要求1所述改进鲸鱼算法优化SVDD的温度异常检测方法在辊道窑窑温异常检测方向上的应用。
CN202011069052.6A 2020-09-29 2020-09-29 改进鲸鱼算法优化svdd的温度异常检测方法及应用 Pending CN112270121A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011069052.6A CN112270121A (zh) 2020-09-29 2020-09-29 改进鲸鱼算法优化svdd的温度异常检测方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011069052.6A CN112270121A (zh) 2020-09-29 2020-09-29 改进鲸鱼算法优化svdd的温度异常检测方法及应用

Publications (1)

Publication Number Publication Date
CN112270121A true CN112270121A (zh) 2021-01-26

Family

ID=74337123

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011069052.6A Pending CN112270121A (zh) 2020-09-29 2020-09-29 改进鲸鱼算法优化svdd的温度异常检测方法及应用

Country Status (1)

Country Link
CN (1) CN112270121A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114692494A (zh) * 2022-03-17 2022-07-01 广东工业大学 一种锂电池温度场在线建模方法及系统
CN117804637A (zh) * 2024-03-01 2024-04-02 山东本草堂中药饮片有限公司 用于中药材深加工的烘焙温度智能监测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111597651A (zh) * 2020-04-30 2020-08-28 上海工程技术大学 一种基于hwpso-svdd模型的滚动轴承性能退化评估方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111597651A (zh) * 2020-04-30 2020-08-28 上海工程技术大学 一种基于hwpso-svdd模型的滚动轴承性能退化评估方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
刘福荣等: "基于支持向量数据描述的变压器故障检测方法", 《黑龙江电力》 *
周胜明等: "基于在线SVDD的航空发动机异常检测方法", 《计测技术》 *
唐明珠等: "一种改进的支持向量数据描述故障诊断方法", 《控制与决策》 *
杨敏等: "基于支持向量数据描述的异常检测方法", 《计算机工程》 *
石春花等: "基于广义反向学习的改进鲨鱼算法自抗扰参数整定", 《科学技术与工程》 *
褚鼎立等: "基于自适应权重和模拟退火的鲸鱼优化算法", 《电子学报》 *
许瑜飞等: "改进鲸鱼优化算法及其在渣油加氢参数优化的应用", 《化工学报》 *
赵启东 等: "基于支持向量数据描述方法的生产过程监控、诊断与优化", 《工程科学学报》 *
郭振洲等: "基于自适应权重和柯西变异的鲸鱼优化算法", 《微电子学与计算机》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114692494A (zh) * 2022-03-17 2022-07-01 广东工业大学 一种锂电池温度场在线建模方法及系统
CN117804637A (zh) * 2024-03-01 2024-04-02 山东本草堂中药饮片有限公司 用于中药材深加工的烘焙温度智能监测方法
CN117804637B (zh) * 2024-03-01 2024-05-07 山东本草堂中药饮片有限公司 用于中药材深加工的烘焙温度智能监测方法

Similar Documents

Publication Publication Date Title
CN112070109B (zh) 一种基于改进密度峰值聚类的马蹄窑能耗异常检测方法
CN108985376B (zh) 一种基于卷积-循环神经网络的回转窑序列工况识别方法
CN110532674B (zh) 一种燃煤电站锅炉炉膛温度测量方法
CN115018021B (zh) 基于图结构与异常注意力机制的机房异常检测方法及装置
CN112270121A (zh) 改进鲸鱼算法优化svdd的温度异常检测方法及应用
CN116757534A (zh) 一种基于神经训练网络的智能冰箱可靠性分析方法
CN112364560B (zh) 矿山凿岩装备作业工时智能预测方法
CN110427715B (zh) 基于时间序列和高炉多维度的炉缸热状态趋势预测的方法
CN113984989A (zh) 一种基于拉普拉斯降维的水产养殖水质异常检测方法
CN111833970B (zh) 一种水泥熟料质量表征参数预测模型构建方法及其应用
CN110097929A (zh) 一种高炉铁水硅含量在线预测方法
WO2022186980A1 (en) Multi-level machine learning for predictive and prescriptive applications
CN117455208B (zh) 基于人工智能的注塑品生产调度优化方法及系统
CN107844679B (zh) 一种分段式高炉铁水硅含量预测方法及装置
Mao et al. Coating thickness modeling and prediction for hot-dip galvanized steel strip based on GA-BP neural network
CN117172132A (zh) 一种高炉炉温预测方法、装置、设备和存储介质
CN115630327A (zh) 一种基于mssa-svm的电缆隧道环境事故识别方法
CN117010263A (zh) 一种基于卷积神经网络和长短期记忆网络的剩余寿命预测方法
CN116429269A (zh) 一种乙烯裂解炉炉管红外智能分析系统
CN113156908B (zh) 一种机理与数据联融合的多工况工业过程监测方法和系统
CN115618506A (zh) 一种单轴联合循环燃气轮机功率的预测方法
Tan et al. Time Series Prediction using Backpropagation Network Optimized by Hybrid K-means-Greedy Algorithm.
CN113688895A (zh) 一种基于简化keca的陶瓷辊道窑烧成带异常检测方法及系统
CN114046533A (zh) 一种基于火焰分析寻优的煤粉炉燃烧优化方法
Zhou et al. Blast Furnace Gas Utilization Rate Prediction Model based on Northern Goshawk Optimization and Long Short-Term Memory in Massive Data Set

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: 20210126

RJ01 Rejection of invention patent application after publication