5中svmtrain训练的模型model 参数，计算化故障数据所被判别的标签为1和判别的准确率accurate为86.67%。
[0109] 上述步骤即为本发明方法在青霉素发酵仿真平台故障监测和诊断领域的具体应 用。为了验证本发明的有效性，对Ξ种故障各15批数据进行实验。图5是故障发生在第5时段 的故障监控图，其他时段的故障监控图与图5相似运里不再具体说明。图中与横坐标平行的 线表示通过核密度估计方法确定的控制限，曲线为实时监控值。若曲线高于控制限说明有 故障发生，否则为正常运行状态。
[0110] 图6和图7分别表示故障发生在子时段5时，在不分阶段方法和本发明方法下的故 障诊断效果图，图中圆圈代表实际测试集的分类，星号代表预测测试集分类。在同一个测试 集样本下，当两种标志相重合，那么说明测试结果与实际结果相同，否则测试结果错误。
[0111] 为了更加有效的证明本发明方法应用于发酵过程故障诊断上的优越性，本发明又 分别对其他时段进行了故障诊断研究，诊断结果列表对比如下：
[0112] 表2各个时段故障诊断结果
[0113]
[0114] 从上表不难发现，当故障发生在前几个时段时使用本发明方法可W大大的提高故 障的准确率，但随着生产的继续，此方法虽比传统的方法诊断效果好，但是准确率提高的幅 度确实有限的。从整体来看，本发明方法可W明显的提高故障准确率。
【主权项】
1. 一种基于子时段MPCA-SVM的间歇过程在线故障诊断方法，包括"离线建模"和"在线 诊断"两个阶段，其特征在于具体步骤如下： A.离线建模阶段 1) 采集发酵过程正常工况下的历史数据，所述的历史数据X由离线测试得到的同一发 酵过程相同工艺下的I批次数据构成， 次数据;每个批次包含K个采样时刻，即Χ? = (Χ?Χυ，. . .，Xi,K)，其中Xi,k表示第i批次第k 采样时刻采集的数据;每个采样时刻采集J个过程变量，即 其中Xl,U表示第i批次中第k采样时刻的第j个过程变量的测量值； 2) 对历史数据X进行标准化处理，处理方式如下： 首先计算历史数据X的所有时刻上所有过程变量的均值和标准方差，其中第k采样时刻 的第j个过程变量的均值.^的计算公式为构=41；%_.,，其中χυ,谦示第i批次中第k采 f ?-Λ 样时刻的第j个过程变量的测量值，k=l，. . .，K，j = l，. . .，J;第k采样时刻的第j个过程变 量的标准方差SU的计算公式为，然后对历史数据X进行标准化，其中第i批次中第k采样时刻的第j个过程变量的标准化 计算公式如下：其中，i = l，...，1，j = l，···，J，k=l，···，!(； 3. X通过步骤2)的标准化得到新的二维矩阵X'，该矩阵共有(KXJ)个列向量，即X' = (Χ'ι,Χ^,.-.,Χ kxj)，其中弟j个列向直X j = (X j,i，...，X j,K)T，X j,k=(X j,k,i，···， 父、,15,1，，其中乂'^,1表示经过步骤2)标准化处理后的第」个过程变量第1^个采样时刻在第1 个批次中对应的值，其中i = l，...，1，j = l，...，J，k=l，...，K; 4) 利用多向主元分析MPCA方法提取X'中每个时刻的主成分;若提取第k个采样时刻数 据X ' k主成分，具体的步骤如下： 4.1) 求出二维矩阵X'k的协方差矩阵COV;4.2) 对矩阵COV的特征值分解； COV = VAVT (3) 式(3)揭示了协方差矩阵COV的关联关系，其中Λ = (λ:，λ2，…，λν)为对角阵，￥为二维矩 阵X'k的特征值数，Λ包含m个幅值递减的非负实特征值(λ: 2 λ2 2…2 〇) ;V是正交阵(V TV = E，E为单位阵）； 定义上，通过MPCA方法，矩阵X ' k等价于X ' k=QPT+R，并将其代入到式⑶得到： 其中，Q为得分矩阵，P为负载矩阵，R为残差矩阵； 对应式(3)和(4)各项，得： P = V若前A个主成分的累加方程超过一个阈值0.85,那么就提取前A个主元来作为综合指 标，则原始的J维空间就变为A维，且A < J; 4.3)求出得分矩阵Q; 为了最优地获取数据的变化量，同时最小化随机噪声对PCA产生的影响，保留与A个最 大特征值相对应的负载向量，则X'k在低维空间的投影信息就包含在得分矩阵： Q = X，kP (6) 5) 利用MPCA对间歇过程进行时段划分： 5.1) 时段粗划分： 当相邻采样点具有相同的主成分个数时，就把这些采样点划分到同一个时段，若具有 相同主成分个数的时段长度L小于整个发酵过程的1/10时，将此时段数据归到左右相邻的 主成分个数相差相对小的一段内；若此时段长度小于整个发酵过程的1/10且该时段的主成 分个数与相邻的两个时段的主成分个数差值相等时，则分别取前后时段主成分个数为该时 段的主成分个数并计算其贡献率，把该段归到贡献率变化相对小的一个时段内； 最终粗划分得到F个时段，分别表示为&，&，…，SF; 5.2) 时段细划分:在任意粗划分的时段5￡(€=1，2，一^)内，利用负载矩阵之间角度信 息和距离信息来定义相似性度量公式(7);其中b和c表示在时段&内任意相邻的两个采样时间，af为时段&内的采样点个数，1和h 表示采样点1到af中的任意一个值，| |Pbl| |和| |Pca| |分别是b和c采样时刻的负载矩阵的模 值，f,|表示b和c采样时刻负载矩阵的内积，Γ1为加权系数用以强调不同投影方向的不 同重要性，表示两个时间片负载矩阵中&个投影方向的夹角余弦值的加权和，表示 /1 在时段Sf内b和c采样时刻负载矩阵的相似度； 最终细化分得到G个时段，分别表示为. . .，S'e，并计算任意一个子时段S'g(g = 1，2, ···，0)的均值负载矩阵/? ; 6) 在划分好的S' i，S'2,. . .，S'g中建立各子时段MPCA监控模型，如式(9); 对于每个子时段均具有相近的负载矩阵，因此各个子时段内的MPCA模型均采用均值负 载矩阵A来描述;对于任意子时段S '冲任意第t时刻的MPCA模型表示为：其中qt是子时段S'g中第t时刻的负载向量，>^是子时段S'g特征向量，rt是残差向量； 7) 利用MPCA建立监控模型时，必须先要确定两个控制限，控制限用来判断当前数据是 否处于正常运行状态，这两个控制限分别称为T 2统计量控制限和SPE统计量控制限，计算T2 统计量的控制限满足F分布式，如式（10)，其中β为主成分个数，I为建模的批次数，α为显著 性水平；SPE统计量的控制限由式（11)计算，其中meant，Vart分别表示建模数据中每个子时段批 次测量数据在t时刻SPE的均值和方差；8) 在每个子时段内，采用1)和2)中的方式，分别取不同类型故障运行状态下的数据各 Ifauit组，利用3)方法标准化处理，并利用4)中方法提取出各个类型的故障数据的主成分&， Q2,-·· ,Qfault； 9 )将提取出的主成分Ql, Q2 ,…，Qf ault作为支持向量机模型的输入，在每个子时段内建立 一个故障诊断模型，最后得到G个模型，分别是SVMi，SVM2，…，SVMg，其中每个SVM模型都采用 一对一的多分类器构造方式； 9.1) 任意一个SVMg(g= 1，2，…，G)模型都是一个决策超平面； 9.2) -对一的多分类器构造方法，该方法针对u类训练样本，将不同类样本两两组合用 来训练#个二分类器;然后将测试样本代入所有分类器，采用投票法进行决策，如果分类 器SVM1>2认为样本属于第1类，则在第1类的投票上加1，否则在第2类的投票上加1，最后统计 各类的票数，得票最多的类即为测试样本所属类别； B.在线故障诊断阶段 10) 采集当前时刻数据Xt(lXJ)，并判断当前时刻所处的操作子时3、段； 11) 按照式(9)计算Xt(l X J)所对应的得分向量Qt(l Χβ)以及预测误差向量Rt(l X J)， 式中E为(JXJ)的单位矩阵；12) 计算Xt (1 X J)对应的I；2和SPEt统计量，计算公式如式(13); 其中，Rt是矩阵xuixj)的m测误差冋量；13) 判断此时的T；2或SPEt统计量是否超出控制限T2或SPE，若两者均未超出，则当前过 程测量数据正常，返回1);否则当前操作过程有故障，进行14); 14) 在子时段S'gft，对新批次未知的数据进行数据填充，填充数据为当前时刻采样数据 Xt(l X J)，最后得到该时段的数据矩阵为七； 15) 对数据矩阵XSi，标准化处理并提取出该数据矩阵的主成分，之后代入到该子时段 的SVMg(g=l，2，···，G)模型中，进行故障诊断。
【专利摘要】一种基于子时段MPCA-SVM的间歇过程故障诊断方法涉及基于模式识别的故障诊断领域。本发明首先对发酵过程的三维数据进行展开，并沿时间方向切片；其次利用MPCA对间歇过程进行时段粗划分和细化分；最后在每个子时段内建立MPCA监测模型和SVM诊断模型。在线故障诊断包括：对采集到的数据按照模型进行处理，计算其统计量并与控制限进行比较。若未超限，则生产正常运行；若超限，则将数据代入到相应时段的SVM诊断模型中进行故障诊断。本发明只填充发生故障时段的数据，减小了由于人为的填充过多的未知数据对SVM故障诊断的准确率带来的影响。同时，也减少建模的数量，从而解决了因频繁地更新模型而造成的诊断过程复杂的问题。
【IPC分类】G05B23/02
【公开号】CN105629958
【申请号】CN201610084062
【发明人】高学金, 薛攀娜, 李娇
【申请人】北京工业大学
【公开日】2016年6月1日
【申请日】2016年2月6日