[发明专利]一种基于核学习的化工过程故障分类方法

摘要

本发明公开了一种基于核学习的化工过程故障分类方法。该方法首先收集化工过程的正常工况数据与各类型的故障工况数据，建立监督最大方差展开模型并通过半正定核学习得到一个核矩阵；然后使用方法进行核拟合以得到显式的核函数；下一步是训练出贝叶斯分类器以判断待测数据的类别信息。相比传统算法，本发明可以大大提高化工过程故障分类的准确率，很大程度上改善了分类性能，增强了过程操作员对过程的理解能力和操作信心，更加有利于减少过程波动、提高产品质量，保障化工过程的自动化实施。

主权项

一种基于核学习的化工过程故障分类方法，包括以下步骤：步骤一：收集化工过程正常工况下的数据与各类型的故障工况下的数据，得到建模用的训练样本集其中xn∈RD，N为训练样本总数，D为过程变量数，R为实数集；步骤二：对训练样本集X进行预处理和归一化；步骤三：采用监督最大方差展开算法处理归一化后的训练样本集，得到相应的目标函数与约束，并通过半正定规划得到一个核矩阵K，所述的监督最大方差展开算法具体如下：(1)分别计算正常工况和各类型的故障工况的目标函数Γc，Γc=12Σi=1NcΣj=1Nc||Φ(xi)-Φ(xj)||2=12Σi=1NcΣj=1Nc(kii+kjj-2kij),xi,xj∈Gc---(1)]]>其中，c为工况类别信息，c＝1,2,…,C，Nc表示c工况的数据点数，Φ(xi)表示建模数据xi在核空间的投影、Φ(xj)表示建模数据xj在核空间的投影，kii、kjj、kij为核矩阵K中的元素，Gc为c类工况建模数据点的集合；(2)将所得到的Γ1,…,ΓC按照如下方式组合，得到总的目标函数Γ，Γ=Σc=1CΓcNc---(2)]]>(3)总的目标函数Γ需要满足四个约束条件，①半正定约束为：K≥0；②零均值约束③等距性约束||Φ(xi)‑Φ(xj)||2＝||xi‑xj||2  (3)其中xi,xj本身为k‑相邻点，或者xi,xj为另一点的k‑相邻点，并且它们属于同一工况类别；④类间距约束其中α>1，分别代表矩阵K中第(CeC‑1，CeC‑1)、第(CeC，CeC)、第(CeC‑1，CeC)号元素；表示工况c的中心点(4)对(2)得到的目标函数和(3)得到的约束联立进行半正定规划，得到核矩阵K；步骤四：对步骤三得到的核矩阵K进行特征值分解，求得建模数据的低维输出步骤五：使用方法对核矩阵K进行核拟合以得到显式的核函数κ(xi,xj)，κ(xi,xj)＝r(xi)T(R+λI)‑1K(R+λI)‑1r(xj)  (7)其中R∈RN×N，其(i，j)号元素为rij＝exp(‑||xi‑xj||2/ρ)，r(xi)＝[ri1,…,riN]T，λ为正则化系数，I为单位矩阵，r(xj)＝[rj1,…,rjN]T；并按以下规则优化{ρ,λ}{ρ*,λ*}=argminρ,λ[Σi=1NΣj=1N(kij-κ(xi,xj))2]---(8)]]>将优化后的{ρ*,λ*}代入公式(7)的核函数κ(xi,xj)，完成建模过程；步骤六：收集新的过程数据xw，并对其进行与建模数据相同的预处理和归一化；步骤七：将归一化后的xw代入公式(7)，计算相应的核向量并得到其降维结果yw；步骤八：使用贝叶斯分类器判断待测数据xw的类别信息，完成化工过程数据分类。