[发明专利]一种基于支持向量数据描述的故障检测方法

说明书

本发明公开了一种基于支持向量数据描述的故障检测方法，包括如下步骤：步骤1：在核源平台上采集正常训练数据；步骤2：局部保持投影方法得到正常训练数据的投影数据以及投影矩阵；步骤3：投影后的数据预处理；步骤4：训练支持向量数据描述模型；步骤5：在线采集数据；步骤6：根据投影矩阵计算投影后的在线数据；步骤7：投影后的在线数据预处理；步骤8：处理后的数据输入支持向量数据模型计算实时统计量；步骤9：判断D与R的大小。其有益效果在于：在检测率,实时在线性能等指标方面均有较好的提升，在故障检测性能方面具有更大的优势。

技术领域

本发明属于工业过程故障诊断领域，具体涉及一种基于支持向量数据描述的故障检测方法。

背景技术

随着时代科学技术的发展，工业系统也朝着智能化和集约化的方向发展，基于数据的故障诊断方法发展迅速。在核电生产运行的一系列过程中，各个阶段彼此关联，相互影响。多变量，强非线性等特点对工业过程的故障诊断方法提出了很高的要求。传统的非线性故障诊断方法往往在利用标记信息的同时却忽略了样本数据本身的流形特征，导致方法性能表现不佳。

发明内容

本发明的目的是提供一种基于支持向量数据描述的故障检测方法，通过利用计算机技术、人工智能技术的应用，对核电厂的数据进行应用和创新，提高核电生产运行过程中故障诊断的效率和准确性。

本发明的技术方案如下：一种基于支持向量数据描述的故障检测方法，包括如下步骤：

步骤1：在核源平台上采集正常训练数据；

步骤2：局部保持投影方法得到正常训练数据的投影数据以及投影矩阵；

步骤3：投影后的数据预处理；

步骤4：训练支持向量数据描述模型；

步骤5：在线采集数据；

步骤6：根据投影矩阵计算投影后的在线数据；

步骤7：投影后的在线数据预处理；

步骤8：处理后的数据输入支持向量数据模型计算实时统计量；

步骤9：判断D与R的大小。

所述的步骤2包括采集到正常数据集{x₁，x₂，…，x_n∈R^m}，正常工况下的高维数据集会具有特定的流形结构，采用局部保持投影算法进行特征提取，通过构建邻接图、计算邻接关系矩阵以及目标函数的特征映射，按照特征值λ的大小排序，获得正常数据集的投影矩阵A，如下式所示：

X→Y＝A^Tx_i，A＝(a₀，a₁，…，a_i-1)

其中，X是正常数据集、Y是投影后的数据集、A为投影矩阵。

所述的步骤3包括如式所示：

其中，y_i∈Y，表示第i个正常投影数据，y_i是经过预处理之后得到的第i个数据，y_max，y_min分别表示投影样本中的最大值和最小值。

所述的步骤4包括根据低维局部保持投影空间Y建立支持向量数据描述超球平面，并且根据式计算出超球平面的半径R²作为故障检测模型的阈值，

其中，α_i代表第i个约束的拉格朗日乘子，y_s代表支持向量，K(y_i，y_j)代表两个样本在高维内核空间的内积。