用于非线性过程监控的核函数参数的获取方法和系统的制作方法
【专利摘要】本发明公开了一种用于非线性过程监控的核函数参数的获取方法和系统，该方法包括：获取正常样本数据并将其划分为s个子集，确定待获取参数的核函数；依次选取s个子集中的每个子集，将每次选取的不同子集作为测试数据，其余所有子集作为训练数据，基于训练数据以及对应的得分训练神经网络，将测试数据的得分矩阵的行向量输入至神经网络，将其输出作为测试数据的重构值；基于各个重构值和测试数据获取相对重构误差和最终相对重构误差；计算核函数参数取不同数值时的最终相对重构误差，使其值最小的数值确定为核函数参数的值。本发明对测试数据进行样本重构，对各个相对重构误差取平均值，避免了样本特殊性对最终获取核函数参数的影响，对过程监控具有指导意义。
【专利说明】用于非线性过程监控的核函数参数的获取方法和系统
【技术领域】
[0001]本发明涉及过程监控领域，尤其涉及一种用于非线性过程监控的核函数参数的获取方法和系统。
【背景技术】
[0002]在过程监控和故障诊断领域，基于解析模型和基于数据的故障诊断技术是被广泛应用的两类方法。随着现代工业过程的日益复杂化，由于很难获取系统的精确数学模型，数据驱动的过程监控和故障诊断技术得到了长足发展并成功应用于很多实际的工业过程。多元统计过程监控是数据驱动过程监控技术中卓有成效的一个分支，其中主成分分析(PCA)为最基本的模型。考虑到实际工业过程具有较强的非线性，主成分分析方法的监控性能大打折扣，其扩展方法核主成分分析(KPCA)更适用于非线性过程的监控与故障诊断。
[0003]相比其他的非线性模型，如主元曲线模型和基于神经网络的模型，核主成分分析方法具有如下几点优势:核主成分分析是主成分分析的自然扩展，具有相对清晰的物理意义；建模过程无需求解非线性优化问题，计算上几乎和主成分分析一样简单；无需事先确定主元个数。在过去的几年里，基于核主成分分析的过程监控和故障诊断方法也得到了很多改进,例如自适应核主成分分析和多尺度核主成分分析。此外,核方法与其他多元统计过程监控方法相结合，也衍生出了一些其他方法，例如核偏最小二乘(KPLS)以及核独立元素分析(KICA)方法。在这些基于核方法的多元统计过程监控和故障诊断方法中，核函数及其参数的选择至关重要，对于非线性过程建模和监控都具有重要意义。
[0004]然而，现有的核函数参数选取大都根据经验或者多次试验，具有很大盲目性，且有的方法在计算过程中依赖故障样本数据，造成核函数及其参数只对特定的一类故障敏感。因此，针对非线性过程监控和故障诊断，亟需一种获取的核函数参数的有效方法。
【发明内容】
[0005]本发明所要解决的技术问题之一是需要提供一种用于非线性过程监控的核函数参数的获取方法，该方法能够有效地获取核函数参数。另外，还提供了一种用于非线性过程监控的核函数参数的获取系统。
[0006]为了解决上述技术问题，本发明提供了一种用于非线性过程监控的核函数参数的获取方法，包括:初始化步骤，对非线性过程监控中正常工况下的多个正常样本数据进行采集，并将所有正常样本数据划分为s个子集，确定待获取参数的核函数；样本重构步骤，基于交叉验证法依次选取s个子集中的每个子集，并将每次选取的不同的子集作为测试数据，将其余所有子集作为训练数据，然后利用核主成分分析法分别获取所述训练数据的得分矩阵和所述测试数据的得分矩阵，基于所述训练数据及其得分矩阵的行向量对所选取的神经网络进行训练，并将所述测试数据的得分矩阵的行向量输入至训练完成后的神经网络，将输出得到的数据作为所述测试数据的重构值；相对重构误差计算步骤，在获取了 S个关于作为测试数据的每个子集的重构值后，基于各个重构值和其对应的测试数据获取相对重构误差，并对所获取的S个相对重构误差取平均值以得到最终相对重构误差；参数获取步骤，计算在核函数参数取所设定的不同数值时对应的各个最终相对重构误差，将使得最终相对重构误差最小的数值确定为核函数参数的值。
[0007]在一个实施例中，还包括:验证步骤，基于累计方差贡献率确定不同核函数参数值下的主元个数，构造包含故障的测试样本数据，通过蒙塔卡罗试验统计对应不同核函数参数值的误报率和漏报率，基于所述主元个数、误报率和漏报率对各个核函数参数值进行分析，以对所确定的核函数参数值进行验证。
[0008]在一个实施例中，通过如下表达式计算所述相对重构误差RRE:
[0009]
【权利要求】
1.一种用于非线性过程监控的核函数参数的获取方法，包括: 初始化步骤，对非线性过程监控中正常工况下的多个正常样本数据进行采集，并将所有正常样本数据划分为S个子集,确定待获取参数的核函数； 样本重构步骤，基于交叉验证法依次选取s个子集中的每个子集，并将每次选取的不同的子集作为测试数据，将其余所有子集作为训练数据，然后利用核主成分分析法分别获取所述训练数据的得分矩阵和所述测试数据的得分矩阵， 基于所述训练数据及其得分矩阵的行向量对所选取的神经网络进行训练，并将所述测试数据的得分矩阵的行向量输入至训练完成后的神经网络，将输出得到的数据作为所述测试数据的重构值； 相对重构误差计算步骤，在获取了 S个关于作为测试数据的每个子集的重构值后，基于各个重构值和其对应的测试数据获取相对重构误差，并对所获取的S个相对重构误差取平均值以得到最终相对重构误差； 参数获取步骤，计算在核函数参数取所设定的不同数值时对应的各个最终相对重构误差，将使得最终相对重构误差最小的数值确定为核函数参数的值。
2.根据权利要求1所述的获取方法，其特征在于，还包括: 验证步骤，基于累计方差贡献率确定不同核函数参数值下的主元个数，构造包含故障的测试样本数据，通过蒙塔卡罗试验统计对应不同核函数参数值的误报率和漏报率，基于所述主元个数、误报率和漏报率对各个核函数参数值进行分析，以对所确定的核函数参数值进行验证。
3.根据权利要求1所述的获取方法，其特征在于，通过如下表达式计算所述相对重构误差RRE:
4.根据权利要求1所述的获取方法，其特征在于，所述神经网络为两层前馈神经网络，进一步基于所述训练数据及其得分矩阵的行向量利用LM反向传播方法对所选取的神经网络进行训练。
5.根据权利要求4所述的获取方法，其特征在于，在对所述神经网络进行训练时，将所述训练数据的得分矩阵的行向量进一步划分为用于训练神经网络的行向量和用于验证所训练的神经网络的行向量，在所述神经网络经过验证达到所需要求时，停止对所述神经网络的训练。
6.一种用于非线性过程监控的核函数参数的获取系统，包括: 初始化模块，其用于对非线性过程监控中正常工况下的多个正常样本数据进行采集，并将所有正常样本数据划分为s个子集，确定待获取参数的核函数； 样本重构模块，其基于交叉验证法依次选取s个子集中的每个子集，并将每次选取的不同的子集作为测试数据，将其余所有子集作为训练数据，然后利用核主成分分析法分别获取所述训练数据的得分矩阵和所述测试数据的得分矩阵， 基于所述训练数据及其得分矩阵的行向量对所选取的神经网络进行训练，并将所述测试数据的得分矩阵的行向量输入至训练完成后的神经网络，将输出得到的数据作为所述测试数据的重构值； 相对重构误差计算模块，其用于在获取了 S个关于作为测试数据的每个子集的重构值后，基于各个重构值和其对应的测试数据获取相对重构误差，并对所获取的S个相对重构误差取平均值以得到最终相对重构误差； 参数获取模块，其用于计算在核函数参数取所设定的不同数值时对应的各个最终相对重构误差，将使得最终相对重构误差最小的数值确定为核函数参数的值。
7.根据权利要求6所述的获取系统，其特征在于，还包括: 验证模块，其基于累计方差贡献率确定不同核函数参数值下的主元个数，构造包含故障的测试样本数据，通过蒙塔卡罗试验统计对应不同核函数参数值的误报率和漏报率，基于所述主元个数、误报率和漏报率对各个核函数参数值进行分析，以对所确定的核函数参数值进行验证。
8.根据权利要求6所述的获取系统，其特征在于，所述相对重构误差计算模块通过如下表达式计算所述相对重构误差:
9.根据权利要求6所取系统，其特征在于， 在对所述神经网络进行训练时，所述样本重构模块用于将所述训练数据的得分矩阵的行向量划分为用于训练神经网络的行向量和用于验证所训练的神经网络的行向量，在所述神经网络经过验证达到所需要求时，停止对所述神经网络的训练。
【文档编号】G05B23/02GK104035431SQ201410218816
【公开日】2014年9月10日 申请日期:2014年5月22日 优先权日:2014年5月22日
【发明者】周东华, 何潇, 李钢, 纪洪泉 申请人:清华大学