[發(fā)明專利]用于非線性過程監(jiān)控的核函數(shù)參數(shù)的獲取方法和系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201410218816.1
• 申請日: 2014-05-22
• 公開（公告）號: CN104035431B
• 公開（公告）日: 2017-01-04
• 發(fā)明（設(shè)計）人: 周東華;何瀟;李鋼;紀洪泉
• 申請（專利權(quán)）人: 清華大學(xué)
• 主分類號: G05B23/02
• 分類號: G05B23/02;G06N3/02
• 代理公司: 北京聿宏知識產(chǎn)權(quán)代理有限公司11372
• 代理人: 吳大建,劉華聯(lián)

1.一種用于非線性過程監(jiān)控的核函數(shù)參數(shù)的獲取方法，包括：

初始化步驟，對非線性過程監(jiān)控中正常工況下的多個正常樣本數(shù)據(jù)進行采集，并將所有正常樣本數(shù)據(jù)劃分為s個子集，確定待獲取參數(shù)的核函數(shù)；

樣本重構(gòu)步驟，基于交叉驗證法依次選取s個子集中的每個子集，并將每次選取的不同的子集作為測試數(shù)據(jù)，將其余所有子集作為訓(xùn)練數(shù)據(jù)，然后利用核主成分分析法分別獲取所述訓(xùn)練數(shù)據(jù)的得分矩陣和所述測試數(shù)據(jù)的得分矩陣，

基于所述訓(xùn)練數(shù)據(jù)及其得分矩陣的行向量對所選取的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，并將所述測試數(shù)據(jù)的得分矩陣的行向量輸入至訓(xùn)練完成后的神經(jīng)網(wǎng)絡(luò)，將輸出得到的數(shù)據(jù)作為所述測試數(shù)據(jù)的重構(gòu)值；

相對重構(gòu)誤差計算步驟，在獲取了s個關(guān)于作為測試數(shù)據(jù)的每個子集的重構(gòu)值后，基于各個重構(gòu)值和其對應(yīng)的測試數(shù)據(jù)獲取相對重構(gòu)誤差，并對所獲取的s個相對重構(gòu)誤差取平均值以得到最終相對重構(gòu)誤差；

參數(shù)獲取步驟，計算在核函數(shù)參數(shù)取所設(shè)定的不同數(shù)值時對應(yīng)的各個最終相對重構(gòu)誤差，將使得最終相對重構(gòu)誤差最小的數(shù)值確定為核函數(shù)參數(shù)的值。

2.根據(jù)權(quán)利要求1所述的獲取方法，其特征在于，還包括：

驗證步驟，基于累計方差貢獻率確定不同核函數(shù)參數(shù)值下的主元個數(shù)，構(gòu)造包含故障的測試樣本數(shù)據(jù)，通過蒙塔卡羅試驗統(tǒng)計對應(yīng)不同核函數(shù)參數(shù)值的誤報率和漏報率，基于所述主元個數(shù)、誤報率和漏報率對各個核函數(shù)參數(shù)值進行分析，以對所確定的核函數(shù)參數(shù)值進行驗證。

3.根據(jù)權(quán)利要求1所述的獲取方法，其特征在于，通過如下表達式計算所述相對重構(gòu)誤差RRE：

RRE=||Xte-X^te||2||Xte||2]]>

其中，X_te為測試數(shù)據(jù)，為測試數(shù)據(jù)X_te的重構(gòu)值。

4.根據(jù)權(quán)利要求1所述的獲取方法，其特征在于，所述神經(jīng)網(wǎng)絡(luò)為兩層前饋神經(jīng)網(wǎng)絡(luò)，進一步基于所述訓(xùn)練數(shù)據(jù)及其得分矩陣的行向量利用LM反向傳播方法對所選取的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。

5.根據(jù)權(quán)利要求4所述的獲取方法，其特征在于，在對所述神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練時，將所述訓(xùn)練數(shù)據(jù)的得分矩陣的行向量進一步劃分為用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的行向量和用于驗證所訓(xùn)練的神經(jīng)網(wǎng)絡(luò)的行向量，在所述神經(jīng)網(wǎng)絡(luò)經(jīng)過驗證達到所需要求時，停止對所述神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

6.一種用于非線性過程監(jiān)控的核函數(shù)參數(shù)的獲取系統(tǒng)，包括：

初始化模塊，其用于對非線性過程監(jiān)控中正常工況下的多個正常樣本數(shù)據(jù)進行采集，并將所有正常樣本數(shù)據(jù)劃分為s個子集，確定待獲取參數(shù)的核函數(shù)；

樣本重構(gòu)模塊，其基于交叉驗證法依次選取s個子集中的每個子集，并將每次選取的不同的子集作為測試數(shù)據(jù)，將其余所有子集作為訓(xùn)練數(shù)據(jù)，然后利用核主成分分析法分別獲取所述訓(xùn)練數(shù)據(jù)的得分矩陣和所述測試數(shù)據(jù)的得分矩陣，

基于所述訓(xùn)練數(shù)據(jù)及其得分矩陣的行向量對所選取的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，并將所述測試數(shù)據(jù)的得分矩陣的行向量輸入至訓(xùn)練完成后的神經(jīng)網(wǎng)絡(luò)，將輸出得到的數(shù)據(jù)作為所述測試數(shù)據(jù)的重構(gòu)值；

相對重構(gòu)誤差計算模塊，其用于在獲取了s個關(guān)于作為測試數(shù)據(jù)的每個子集的重構(gòu)值后，基于各個重構(gòu)值和其對應(yīng)的測試數(shù)據(jù)獲取相對重構(gòu)誤差，并對所獲取的s個相對重構(gòu)誤差取平均值以得到最終相對重構(gòu)誤差；

參數(shù)獲取模塊，其用于計算在核函數(shù)參數(shù)取所設(shè)定的不同數(shù)值時對應(yīng)的各個最終相對重構(gòu)誤差，將使得最終相對重構(gòu)誤差最小的數(shù)值確定為核函數(shù)參數(shù)的值。