[發(fā)明專利]一種Fast RVM污水處理故障診斷方法

有效

• 申請?zhí)枺?/td>: 201610009907.3
• 申請日: 2016-01-04
• 公開（公告）號: CN105487526B
• 公開（公告）日: 2019-04-09
• 發(fā)明（設(shè)計）人: 許玉格;鄧文凱;陳立定
• 申請（專利權(quán)）人: 華南理工大學(xué)
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 廣州市華學(xué)知識產(chǎn)權(quán)代理有限公司 44245
• 代理人: 陳宏升

1.一種Fast RVM污水處理故障診斷方法，其特征在于，包含以下順序的步驟：

S1.剔除污水輸入和輸出的數(shù)據(jù)中的異常點，對其進行歸一化處理，歸一化到[0,1]區(qū)間中；

S2.基于聚類的快速相關(guān)向量機多數(shù)類數(shù)據(jù)壓縮模塊，將訓(xùn)練樣本中的多數(shù)類樣本數(shù)據(jù)采用K-means方法進行聚類；具體過程如下：

S201、假設(shè)多數(shù)類樣本集X＝{x₁,x₂,…,x_a,…,x_n}為n個R^d空間的數(shù)據(jù)，從n個數(shù)據(jù)對象中隨機選擇k個對象作為初始的聚類中心；

S202、然后對剩余的樣本對象則根據(jù)與各個聚類中心的距離分別分配到距離最相近的聚類中心中；計算距離的公式如下，假設(shè)c_j為第j個類的中心，則x_a與c_j的距離為：

S203、根據(jù)集合中的點更新每個類的聚類中心，假設(shè)第j個類中的樣本為即包含了n_j個樣本，則該類的聚類中心為其中為類中心c_j的第b個屬性，計算公式如下：

S204、不斷重復(fù)S202、S203步驟，直到標準測度函數(shù)收斂為止，采用均方差作為計算標準測度函數(shù)，其形式為：

將多數(shù)類樣本聚類后，對聚類后的樣本類別進行快速相關(guān)向量機分類建模，從而通過建模獲取相關(guān)向量；

S3.虛擬少數(shù)類向上采樣的少數(shù)類數(shù)據(jù)擴充模塊將訓(xùn)練樣本中的少數(shù)類樣本數(shù)據(jù)采用SMOTE進行數(shù)據(jù)擴充；

S4.將處理后的所有類的樣本數(shù)據(jù)重新組合構(gòu)成新的訓(xùn)練集，建立“一對一”的快速相關(guān)向量機多分類模型，對建好的分類模型輸入測試集進行投票，得到測試結(jié)果，從而實現(xiàn)對污水處理的整體運行狀態(tài)的識別。

2.根據(jù)權(quán)利要求1所述的Fast RVM污水處理故障診斷方法，其特征在于，所述的步驟S3，具體為：

S301、對少數(shù)類中的每一個樣本x，以歐幾里得距離為標準計算它到少數(shù)類樣本集中每個樣本的距離，獲得其中k個最近鄰，并記錄近鄰樣本的下標，這里k取5；

S302、根據(jù)向上采樣的倍率C，對每一個少數(shù)類樣本x，從其k個最近鄰中隨機選取C個樣本，記為y₁,y₂,…,y_C；

S303、在原樣本x與y_j之間進行隨機線性插值，構(gòu)造新的少數(shù)類樣本p_j，即新樣本：

p_j＝x+rand(0,1)*(y_j-x),j＝1,2,…,C (4)

其中rand(0,1)表示區(qū)間(0,1)內(nèi)的一個隨機數(shù)。

3.根據(jù)權(quán)利要求1所述的Fast RVM污水處理故障診斷方法，其特征在于，步驟S4中，所述“一對一”的快速相關(guān)向量機多分類模型，其建立過程如下：

相關(guān)向量機是通過最大化邊際似然函數(shù)p(t|α,σ²)的方法確定超參數(shù)α和方差σ²的，等價于最大化為其對數(shù)；記L(α)＝log[p(t|α,σ²)]，整理有：

其中C＝σ²I+ΦA(chǔ)^-1Φ^T,t＝[t₁,t₂,...,t_N]^T；

對矩陣C進行等價變換，如下：

其中此矩陣表示當(dāng)α_i＝∞時，相應(yīng)的基向量φ_i被移除后樣本對應(yīng)的協(xié)方差矩陣，根據(jù)矩陣相關(guān)性質(zhì)整理可得

因此公式(5)可以改寫為

其中L(α_-i)表示為當(dāng)α_i＝∞時，相應(yīng)的基本向量φ_i被移除后所對應(yīng)的邊界似然函數(shù)的對數(shù)，而l(α_i)表示邊界似然的對數(shù)函數(shù)中只與α_i有關(guān)的獨立部分；

公式(8)對α_i求偏導(dǎo)有

記

所以公式(9)可改寫為

令公式(11)等于零，考慮到α_i是方差值必須為正，所以當(dāng)時有

對L(α)關(guān)于α_i求二階偏導(dǎo)有

綜合公式(11)和(12)進行分析可知

所以當(dāng)時，公式(14)左邊的表達式是恒小于零的，并對以上推導(dǎo)公式分析可得，L(α)有唯一最大值點為

根據(jù)上面的分析，通過以下方法最大化貝葉斯L(α)：

A、當(dāng)基向量φ_i在模型中，即α_i＜∞，但有則將φ_i從模型中刪除，即令α_i＝∞；

B、當(dāng)基向量φ_i在模型中，即α_i＝∞，但有則將φ_i添加到模型中并利用公式(15)更新α_i；

C、當(dāng)基向量φ_i在模型中，即α_i＜∞，但有則用公式(15)更新α_i；

綜上所述，快速相關(guān)向量機分類基本算法步驟如下：

(1)初始化σ²＝0；

(2)用單個基向量φ_i初始化α_i，由公式(15)分析整理可得并設(shè)置其他的α_m為無窮大，m≠i；

(3)計算Σ、μ并對所有M個基函數(shù)φ_m初始化S_i和Q_i；

(4)從所有M個基函數(shù)φ_m集合中選擇候選的基向量φ_i；

(5)計算

(6)若θ_i＞0且α_i＜∞，重新估計α_i；

(7)若θ_i＞0且α_i＝∞，添加φ_i到模型中并重新估計α_i；

(8)若θ_i≤0且α_i＜∞，刪除φ_i并設(shè)置α_i＝∞；

(9)用Laplace逼近方法重新計算協(xié)方差矩陣Σ，權(quán)重矩陣μ以及相應(yīng)迭代過程中的S_i和Q_i；

(10)若收斂或者達到最大迭代次數(shù)，則終止程序；否則轉(zhuǎn)步驟(4)；終止條件為：任意在模型中的基函數(shù)對應(yīng)的α_i，有α_i＜1*10^12且