[發明專利]通過自適應支持向量機算法即時在線儀表校驗和診斷方法

有效

• 申請號: 201910946066.2
• 申請日: 2019-10-01
• 公開（公告）號: CN110750884B
• 公開（公告）日: 2023-06-20
• 發明（設計）人: 郝富強;陳珺逸;戴旺
• 申請（專利權）人: 深圳市行健自動化股份有限公司;深圳市行健軟件有限公司
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06F18/2411
• 代理公司: 深圳市中知專利商標代理有限公司 44101
• 代理人: 孫皓;林虹

1.一種通過自適應支持向量機算法即時在線儀表校驗和診斷方法，其特征在于包括以下步驟：

S1、通過流體力學連續性方程、動量方程和能量方程，搭建流網模型，包括流道模型和設備組件模型；

首先流動方程簡化為F(1K₀)*a₁*(P₁-P₂-KZ)+K₀*F^1p

其中，線性化系數

其中，是來自上次迭代的壓力，KZ＝ρg(Z₂-Z₁)，式中，ρ為流體密度，g為重力加速度，Z₁為點1處的標高，Z₂為點2處的標高；F^1p＝上次迭代得到的值F；K₀為用戶可選擇的常數，可通過調整K₀獲得數值求解的穩定性；

在上式中，F、P₁和P₂為未知量，高度差KZ是系統常數，其余項是上次迭代得到的值，可認為是已知量；

還設置質量平衡方程，式中流入節點為(+)號，流出節點為(－)號；

S2、由現場實際測量數據迭代，通過自適應支持向量機算法計算確定模型中的參數，使模型可用；

根據步驟S1形成的矩陣方程組，將對F(F₃)值的計算產生影響的因素作為模型輸入，F值作為輸出；

S3、定期重啟上述步驟，對模型參數進行優化，從而重新適應新的工況條件，使模型自主學習與維護；

S4、利用上面步驟得到的模型，在穩定流場狀態下，對采樣的變量進行逐一校驗；

S5、排除掉疑似失效點后利用其余數據進行逆迭代運算，反向推導出疑似失效點的理論計算值；

S6、排除工藝條件變化，用上述理論計算值對實際儀表信號進行比較分析，采用預定義故障模式和偏差評價，得出實際信號的偏離參量，通過閥值判斷、模糊邏輯、故障假設校驗，實現校驗與故障診斷，確定信號健康水平；

S7、按照測量時間，記錄采樣信號和計算信號，并按照流網知識庫、儀表故障特征庫的診斷條件實現報警及定位故障。

2.根據權利要求1所述的通過自適應支持向量機算法即時在線儀表校驗和診斷方法，其特征在于：對模塊傳過來的輸入變量，進行模糊推理和建立模糊規則；

首先對訓練樣本進行模糊分類，得到模糊規庫中每個模糊聚類的中心和寬度；設第p個訓練樣本X_p＝[X_p1,…,X_pn],其中n是輸入變量的個數；

設模糊神經網絡有R個模糊規則，對每個模糊規則i，i＝1,…,R，都賦予一個權重值D_i，用以表示規則i在模糊神經網絡中的重要性；

為了求得每個模糊規則對于訓練樣本X_p的每個輸入變量X_pj，j＝1,…,n，下面的模糊化方程將求出第i個模糊規則的隸屬度：

其中M_ij表示輸入變量X_pj對第i個模糊規則的隸屬度，m_ij表示第i個模糊規則的第j個高斯成員函數的中心，表示第i個模糊規則的第j個高斯成員函數的寬度，有模糊聚類求得；

設訓練樣本X_p對模糊規則i的適應度為μ⁽ⁱ⁾(X_p)，則μ⁽ⁱ⁾(X_p)的大小可由下式決定：

求得輸入訓練樣本對于每個規則的適應度之后，模糊神經網絡對模糊規則輸出進行推導以后得到最后的解析解；

在常用的模糊神經網路結構中，每個模糊規則推導的過程都可以表示為如下：首先求得訓練樣本中所有輸入變量的線性乘積和，然后用此線性乘積和與規則的適用度μ⁽ⁱ⁾(X_p)相乘，得到最終的每條模糊規則的輸出；

模糊規則i的推導輸出可以表示如下：

式中，f⁽ⁱ⁾為第i條模糊規則的輸出，是模糊神經網絡模型對第p個訓練樣本的預測輸出，a_ij,j＝1,2,…,n是第i條模糊規則中第j個變量的線性系數，a_i0是第i條模糊規則中輸入變量線性乘積和的常數項，b是輸出偏置量。