[发明专利]一种应用OCSVM的生产过程自适应监控系统及方法

说明书

技术领域

本发明涉及一种生产过程的自适应监控系统及方法，特别是关于一种应用OCSVM（One-ClassSupport Vector Machine，单类支持向量机）的生产过程自适应监控系统及方法。

背景技术

基于OCSVM的多变量统计过程监控方法已经在复杂工业过程生产中取得了广泛而成功的应用。该方法基于Vapnik提出的支持向量机理论，以切平面的形式将特征空间中的样本投影点与特征空间的原点以最大间隔分开，从而使用决策边界将原始空间中绝大多数样本所在的正常样本分布区域与可能存在异常样本的无样本分布区域分隔开。OCSVM监控模型判定落入模型决策边界以内的新样本为正常样本，判定落入模型决策边界以外的新样本为异常样本并针对该异常样本产生报警，从而提醒工程师及时地更正过程参数以减少产品质量的波动，最终达到保质增产的目的。OCSVM监控模型的决策函数f(x)可以用以下公式表述：

f(x)=Σi=1lαik(xi,x)-ρ---(1)]]>

其中，l为表征正常工况的建模样本总数，i为样本序号（其中，i＝1,2,3…l），α_i为每个样本x_i所对应的权重值，k(xi,x)为核函数，ρ为特征空间中切平面的偏置值。在支持向量机理论中，满足α_i＞0的样本x_i被称为支持向量，满足α_i＝0的样本x_i被称为非支持向量，决策函数f(x)＝0所形成的边界称为决策边界；所有的支持向量都位于决策边界之上或之外，即任意支持向量x_i都满足f(x_i)≤0；所有的非支持向量都位于决策函数f(x)所形成的边界之内，即任意非支持向量x_i都满足f(x_i)＞0。OCSVM监控模型建立后，生产过程中新采集的样本数据x可以带入（1）式进行异常判别。如果决策函数f(x)＞0，则该样本位于OCSVM监控模型决策边界以内，该样本被OCSVM监控模型判定为正常样本；反之，如果决策函数f(x)≤0，则该样本位于OCSVM监控模型决策边界之上或之外，该样本被OCSVM监控模型判定为异常样本。在实际的工业生产过程监控中，生产过程变量容易受催化剂退化、设备老化积灰等外界环境因素的影响而出现缓慢漂移现象。这些生产过程变量的缓慢漂移现象可能导致OCSVM监控模型在生产过程中逐渐与实际监控系统产生偏差，使得大量正常样本落入监控模型的决策边界以外，致使生产过程监控系统由于虚警率过高而失效，因而，开发具有模型在线更新功能的OCSVM自适应监控系统及方法是目前学术界与工业界共同关注的研究热点。