[發明專利]一種化工過程故障識別方法及系統

有效

• 申請號: 201910844132.5
• 申請日: 2019-09-06
• 公開（公告）號: CN110647117B
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 田文德;賈旭清;劉子健;張士發
• 申請（專利權）人: 青島科技大學
• 主分類號: G05B19/418
• 分類號: G05B19/418
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 閆圣娟

1.一種化工過程故障識別方法，其特征是，包括如下步驟：

實時獲取化工生產過程中的運行數據；

對獲取的運行數據進行預處理；

采用主成分分析方法選擇運行數據中的關鍵特征數據；

基于半監督學習方法建立動態主動安全半監督支持向量機模型，將關鍵特征數據輸入訓練好的動態主動安全半監督支持向量機模型，輸出化工過程的運行狀態；

所述動態主動安全半監督支持向量機模型的訓練過程，包括如下步驟：

獲取化工生產過程的歷史數據，所述歷史數據包括有故障數據和無故障數據；

對獲取的歷史數據進行預處理；

采用主成分分析方法選擇運行數據中的關鍵特征數據，所述關鍵特征數據包括有標簽數據和無標簽數據；

將采用主動學習方法為無標簽數據添加標簽，將添加標簽后的數據與有標簽數據作為輸入，輸入動態主動安全半監督支持向量機模型進行訓練，以故障類型或者運行正常為輸出，獲得動態主動安全半監督支持向量機模型的參數；

所述將采用主動學習方法為無標簽數據添加標簽，包括如下步驟：

結合化工過程數據的歷史信息和未來信息優化識別模型的偽標簽置信度；

根據偽標簽置信度計算關鍵特征數據的熵值，采用主動學習挑選高熵值的關鍵特征數據，基于知識本體為關鍵特征數據的添加數據標簽。

2.如權利要求1所述的一種化工過程故障識別方法，其特征是：關鍵特征數據包括有標簽數據和無標簽數據，動態主動安全半監督支持向量機模型對關鍵數據的處理包括采用主動學習方法為無標簽數據添加標簽的步驟。

3.如權利要求1所述的一種化工過程故障識別方法，其特征是：所述采用主成分分析方法選擇運行數據中的關鍵特征數據，包括如下步驟：

計算預處理后的數據矩陣的特征協方差矩陣及協方差矩陣的特征值、特征向量；按方差貢獻率從大到小排序，獲得方差貢獻率之和超過設定比例閾值的變量作為主成分變量；

根據主成分變量建立主元線性表達式,根據特征值計算各主元線性表達式中主成分變量的系數；

根據主元線性表達式中主成分變量的系數，獲得綜合得分模型,通過主成分變量的方差計算綜合得分模型中的變量系數；

對所得綜合得分模型中的變量系數進行歸一化，重新確定變量權重；

將重新確定變量權重按照權重值大小進行排序，權重總和高于設定閾值的變量對應的運行數據為關鍵特征數據。

4.如權利要求3所述的一種化工過程故障識別方法，其特征是：

根據特征值計算各主元線性表達式中主成分變量的系數，計算公式為：

其中，coe是第d個主元線性表達式中變量q的系數；v是變量q的第d個主元；e是第d個主元的特征根；

或

根據主元線性表達式中主成分變量的系數，計算綜合得分模型中的變量系數，計算公式為：

其中，方程中w是綜合得分模型中變量q的系數；o是主成分數量；s是第d個主元的方差。

5.如權利要求1所述的一種化工過程故障識別方法，其特征是：所述結合化工過程數據的歷史信息和未來信息優化識別模型的偽標簽置信度的方法具體為：

將歷史數據按照故障分類，得到對應k個故障的k個類別；

計算每個數據屬于某各類別K的置信度,根據計算的置信度采用均值法計算每個關鍵特征數據的偽標簽置信度。