[发明专利]一种基于支持向量描述的工业过程故障变量识别方法

权利要求书

1.一种基于支持向量描述的工业过程故障变量识别方法，其特征在于，包括如下步骤：

步骤1：数据采集；

步骤2：数据预处理；

步骤3：离线训练支持向量数据描述模型；

步骤4：计算支持向量数据描述模型超球中心；

步骤5：在线数据采集；

步骤6：计算每一个维度的支持向量中心的偏移量；

步骤7：确定故障相关变量。

2.如权利要求1所述的一种基于支持向量描述的工业过程故障变量识别方法，其特征在于：所述的步骤1包括在核源平台上收集工业过程正常工况运行下的监测数据，对其进行数据清洗，将数据结构化，得到正常数据的矩阵X＝[x₁，x₂，x₃…x_n]∈R^m×n

其中，m表示变量的数目，n表示采样点的数目，R表示实数域。

3.如权利要求1所述的一种基于支持向量描述的工业过程故障变量识别方法，其特征在于：所述的步骤2包括

其中，x_i∈X，表示第i个正常采样数据，y_i是经过预处理之后得到的第i个数据，x_max，x_min分别表示原始样本中的最大值和最小值。

4.如权利要求1所述的一种基于支持向量描述的工业过程故障变量识别方法，其特征在于：所述的步骤3包括

正常样本根据支持向量数据描述算法通过非线性映射得到一个在高维样本空间的超球面，通过求解下式，得到训练数据的α_i值以及支持向量x_s，

s.t.表示约束条件，α_i代表第i个约束的拉格朗日乘子，K(x_i，x_j)代表两个样本在高维内核空间的内积，通过求解其二次规划问题，得出的最优解为根据Karush-Kuhn-Tucker条件，0≤α_i≤C对应的样本就是超球体表面的支持向量。

5.如权利要求1所述的一种基于支持向量描述的工业过程故障变量识别方法，其特征在于：所述的步骤4包括

通过训练模型过程中得到所求解的训练数据的α_i值以及支持向量x_s，变量C_normal的中心如式：

支持向量数据描述模型采用高斯核函数来进行非线性映射，高斯内核映射后，映射后的数据集是无限维

根据泰勒展开式

σ为常数，将之省略掉，将上式带入到泰勒展开式中，得到

其中，可以得到高斯核函数的非线性映射

使用高斯核函数映射的第一维度来近似高斯核函数的非线性映射。

6.如权利要求1所述的一种基于支持向量描述的工业过程故障变量识别方法，其特征在于：所述的步骤5包括在核源平台上收集实时运行的数据，并按照步骤1、步骤2实时清洗。

7.如权利要求1所述的一种基于支持向量描述的工业过程故障变量识别方法，其特征在于：所述的步骤6包括

根据正常离线训练是的模型与在线模型的中心差计算每一个维度超球中心的偏移量CO

将CO(i)作为变量i对比原中心的偏移量，对所有的偏移量贡献由大到小进行排列，其中，CO(i)∈{1，2…m}表示变量i是第i个偏移值最大的；当变量偏移值从大到小相加，当总值大于0.3时，认为是核心故障变量。

8.如权利要求1所述的一种基于支持向量描述的工业过程故障变量识别方法，其特征在于：所述的步骤7包括根据支持向量中心偏移量确定与故障相关的变量。