[發明專利]一種基于子時段MPCA?SVM的間歇過程故障診斷方法

有效

• 申請號: 201610084062.4
• 申請日: 2016-02-06
• 公開（公告）號: CN105629958B
• 公開（公告）日: 2018-03-16
• 發明（設計）人: 高學金;薛攀娜;李嬌
• 申請（專利權）人: 北京工業大學
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 北京思海天達知識產權代理有限公司11203
• 代理人: 劉萍

技術領域

本發明涉及基于模式識別的故障診斷技術領域，特別涉及一種針對間歇過程在線故障診斷技術。本發明的基于模式識別的方法即是在典型的間歇過程—青霉素發酵過程故障監測方面的具體應用。

背景技術

間歇過程因其產品具有特定功能、高附加值、小批量、多品種等特點，使得其在生產中所占的比重越來越大，因此對間歇過程的故障診斷也越來越重要。但間歇過程具有動態性、強非線性和時段特性等特點，且操作復雜度高和產品質量易受到環境等因素的影響，使得對其故障診斷的研究面臨更大的挑戰。

對于間歇過程的故障診斷，目前比較常用的方法有貢獻圖和模式識別的方法，有些學者利用多向主成分分析(Multi-way principal component analysis,MPCA)對間歇過程進行分時段在線監控，并利用貢獻圖的方法追溯故障變量，但該方法采用正常的數據進行故障診斷，不能夠真正反應故障的信息，且忽略了變量之間的相關性，只能診斷單變量故障，而模式識別的方法可以克服MPCA貢獻圖的不足。支持向量機(Support Vector Machine,SVM)因其在小樣本下具有較強的非線性系統學習能力，使得SVM成為一種被廣泛應用的模式識別方法。有些學者利用MPCA與SVM對整個間歇過程建立離線故障診斷模型，不可避免的在診斷階段需人為的填充過程的未知數據，但填充的數據往往與真實的過程數據存在差異，在一定程度上會影響到故障診斷的準確率；為了解決這個問題，另外一些學者將滑動時間窗技術與SVM結合應用于間歇過程的故障診斷，雖可解決因大量填充數據帶來診斷準確率的問題，但存在模型更新頻繁的缺點，使得診斷過程繁瑣。

發明內容

為了克服現有技術的不足，本發明提供了一種基于子時段MPCA-SVM的間歇過程在線故障診斷方法。利用MPCA劃分間歇過程，將故障診斷的搜索空間局限到一個個特定的時段內，并對每個時段建立故障監測和診斷模型。該方法無需填充整個生產過程的未知數據，而只填充發生故障時段的數據，因此可減小由于人為的填充過多的未知數據對SVM故障診斷的準確率帶來的影響。同時，也可以減少建模的數量，從而解決了因頻繁地更新模型而造成的診斷過程復雜的問題。

本發明采用了如下的技術方案及實現步驟：

A.離線建模階段

1)采集發酵過程正常工況下的歷史數據，所述的歷史數據X由離線測試得到的同一發酵過程相同工藝下的I批次數據構成，X＝(X₁,X₂,...,X_I)^T，其中X_i(i＝1,2,…,I)表示第i批次數據。每個批次包含K個采樣時刻，即X_i＝(X_i,1,X_i,2,...,X_i,K)，其中X_i,k表示第i批次第k采樣時刻采集的數據。每個采樣時刻采集J個過程變量，即X_i,k＝(x_i,k,1,x_i,k,2,...,x_i,k,J)，其中x_i,k,j表示第i批次中第k采樣時刻的第j個過程變量的測量值；

2)對歷史數據X進行標準化處理，處理方式如下：

首先計算歷史數據X的所有時刻上所有過程變量的均值和標準方差，其中第k采樣時刻的第j個過程變量的均值的計算公式為其中x_i,k,j表示第i批次中第k采樣時刻的第j個過程變量的測量值，k＝1,...,K，j＝1,...,J；第k采樣時刻的第j個過程變量的標準方差s_k,j的計算公式為，k＝1,...,K，j＝1,...,J；

然后對歷史數據X進行標準化，其中第i批次中第k采樣時刻的第j個過程變量的標準化計算公式如下：

其中，i＝1,...,I，j＝1,...,J，k＝1,...,K；