[发明专利]一种基于混沌粒子群的优化核主元分析故障监测方法

说明书

本发明公开了一种基于混沌粒子群的优化核主元分析故障监测方法，该方法包括：获取初始数据矩阵；所述初始数据矩阵包括正常数据样本矩阵和故障数据样本矩阵；通过非线性映射φ将所述初始数据空间映射到隐式特征空间中，并在隐式特征空间中进行非线性特征变换；将所述初始数据矩阵作为训练数据建立故障监测模型；获取测试数据；将所述测试数据输入所述故障监测模型中，对所述测试数据进行故障在线监测。通过本发明，通过混沌粒子群优化算法对核主元分析的核函数参数进行优化，以发现最优的非线性特征，并准确地监测出非线性故障，从而降低监测延迟时间，提高故障监测精度。

技术领域

本发明涉及故障监测领域，特别涉及一种基于混沌粒子群的优化核主元分析故障监测方法。

背景技术

近些年来，核主元分析方法(Kernel Principal Component Analysis,KPCA)作为一种先进的主元分析方法，已被广泛应用于监测工业过程的非线性特性。KPCA通过非线性映射函数将原始输入空间映射到高维特征空间，在进行非线性特征变换时，核函数的选取会严重影响KPCA的监测性能，所以选择合适的核函数是其关键。

KPCA核函数的确定目前主要有k交叉验证误差估计、留一法误差估计方法，但它们仅限于现有的通用核函数和基于经验的预定参数优化。有人提出了采用梯度下降法来解决核函数优化问题，但该算法需计算目标函数对优化参数的偏导，若目标函数对某个参数的偏导不存在或因计算复杂而无法求解时，采用梯度下降法就不能实现核函数优化。还有人提出了利用改进的遗传算法对核函数寻优，但遗传算法存在编码和遗传操作的复杂过程。进一步，利用粒子群算法(Particle Swarm Optimization,PSO)寻优能力，一些研究者将PSO应用到KPCA的核函数选择，但PSO易陷入局部最优；针对此，新的构造核函数方法、即混合核函数被提出，然而，该方法在选择核函数时，无法计算出数据特征和监测模型，在故障监测中存在错检和漏检。

发明内容

本发明提供一种基于混沌粒子群的优化核主元分析故障监测方法，通过混沌粒子群优化算法对核主元分析的核函数参数进行优化，以发现最优的非线性特征，并准确地监测出非线性故障，从而降低监测延迟时间，提高故障监测精度。

根据本发明的一个方面，提供了一种基于混沌粒子群的优化核主元分析故障监测方法，包括以下步骤：获取初始数据矩阵；所述初始数据矩阵包括正常数据样本矩阵和故障数据样本矩阵；

通过非线性映射φ将所述初始数据空间映射到隐式特征空间中，并在隐式特征空间中进行非线性特征变换；

将所述初始数据矩阵作为训练数据建立故障监测模型；

获取测试数据；

将所述测试数据输入所述故障监测模型中，对所述测试数据进行故障在线监测。

优选地，将所述初始数据矩阵作为训练数据建立故障监测模型，包括以下步骤：通过公式将所述初始数据矩阵转换为正常数据，并对所述正常数据进行规范化处理；其中μ＝[μ₁,μ₂,…,μ_m]是变量的均值向量，D_σ＝diag(σ₁²,σ₂²,…,σ_m²)是变量的标准偏差对角矩阵；

通过公式建立混合核函数；

通过混沌粒子群算法优化所述混合核函数参数；

通过公式K_ij＝(φ(X_i) φ(X_j))＝k(X_i,X_j)计算核矩阵K；

通过对所述隐式特征空间进行中心化；