[发明专利]一种非线性过程监控方法

说明书

技术领域

本发明涉及一种非线性过程监控方法，适用于工业生产过程监控。

背景技术

工业生产环境通常处于超高温、超低温、超高压或真空等极端环境，如果因为人为原因操作不当或客观不可抵抗的自然因素所导致的生产故障，轻则生产被迫中断，重则发生火灾、爆炸、泄露毒气等重大生产事故，不仅给企业生产带来了巨大的经济损失，而且严重危害人身安全、社会公共安全。因此，如何使这类工业生产过程安全正常地运行，早已是越来越多的人关注过程监控技术的原因之一。然而，随着生产过程日益复杂化，过程数据呈现“爆炸性”增长，现阶段过程监控面临着如下一系列新问题：

(1)不确定性。现阶段的工业过程普遍存在庞杂的生产机理，从而容易诱发许多干扰，在传统监控技术中大多数干扰无法测量，甚至没办法有效消除。一般来说，不确定的来源可分为两类：不可预知输入和不可预知动态。传统过程监控中所设计的数学模型通常都是被控对象的简单近似，不仅会丢失部分影响生产的关键干扰因素，所会与实际工业生产情况相差较大，较难获得好的监控效果。

(2)多变量性和强耦合性。现阶段工业生产都会产生了数量非常庞大的过程变量，并且这些过程变量之间相互关系、相互影响，如果改变某些过程变量，有可能会导致其它过程变量发生变化，从而使工业生产过程更加复杂化，增加了过程监控的难度。

(3)非线性。现阶段几乎所有的工业过程都存在非线性过程变量。对于存在非线性数据较少的系统，在合理的范围内可以近似于线性系统来对待，而对于非线性数据较多的系统，假如采取线性化的处理方法会容易产生较大误差，导致故障识别和故障诊断失败。

粒子群优化算法是1995年J.Kennedy和R.C.Eberhart基于鸟群觅食过程中的迁徙和聚集的模拟而提出的一种群体智能性优化算法，它收敛速度快，且只有少量参数需要根据实际情况调整，所以具有较高的可实现性。从一提出至今早已成为智能优化与进化计算领域研究中目标函数优化、神经网络训练、模糊控制系统的一个主要优化工具，已被广泛应用于计算机工程、道路规划工程、运输组合工程等研究方向。

目前，基于粒子群优化算法的工业过程监控并没有相应的发展，PCA在非线性情况下并没有很好的解决特征空间内数据的离散度和相关度问题。在现有的核函数优化方法中，大部分都依赖于梯度已知，但是当梯度未知时，粒子群优化算法难以找到全局最优解。

发明内容

本发明基于粒子群优化算法，采用Fisher判别函数的思想构建优化核函数参数的目标函数，寻求目标函数最优解，确定核函数最优参数，提取导致过程监控故障的主元，优化减小主元的个数，提高过程监控的效率和准确性。

本发明采用以下技术方案予以实现：

一种非线性过程监控方法，包括以下步骤：

(1)布置探测器获取粒子群样本数据，样本数据通过核函数的内积运算形成一种非线性映射，再通过这一非线性映射将原空间的非线性数据转换成特征空间的线性数据；

(2)计算特征空间的类间平方和以及类内离散度，根据Fisher判别准则建立关于核函数参数优化的粒子群优化模型的适应度函数；

(3)初始化粒子群参数，计算适应度函数初始适应值，通过粒子群优化算法迭代求取最优解；

(4)最优解作为核函数的最优核参数，确定特征空间的特征值和特征向量，根据累积贡献率确定导致故障的特征值对应的主元，优化调整原样本空间的主元个数。

作为进一步的改进，步骤(1)中所述的核函数为满足Mercer条件的核函数，包括多项式核函数、径向基函数和Simoid核函数。

作为进一步的改进，所述的步骤(3)中初始化粒子群参数，计算适应度函数初始适应值，通过粒子群优化算法迭代求取最优解；，其方法为：

在一个m个粒子组成的D维目标搜索空间，初始化粒子群参数，通过目标函数令全部初始粒子都获得一个初始适应值，全部粒子在一个速度向量指引下跟踪到目前为止空间中最优的粒子进行搜索，在搜索过程中，粒子通过速度和位置的迭代更新来求取最优位置下的适应值。

作为进一步的改进，初始化参数包括权重系数Γ，粒子初始位置X_id，粒子初始速度V_id，种族大小m，加速度常数C₁、C₂，最大限制速度V_max，最大迭代次数T_max，其中T_max为算法迭代的终止条件，

粒子的迭代更新方法为：