[发明专利]一种基于子时段MPCA‑SVM的间歇过程故障诊断方法

说明书

技术领域

本发明涉及基于模式识别的故障诊断技术领域，特别涉及一种针对间歇过程在线故障诊断技术。本发明的基于模式识别的方法即是在典型的间歇过程—青霉素发酵过程故障监测方面的具体应用。

背景技术

间歇过程因其产品具有特定功能、高附加值、小批量、多品种等特点，使得其在生产中所占的比重越来越大，因此对间歇过程的故障诊断也越来越重要。但间歇过程具有动态性、强非线性和时段特性等特点，且操作复杂度高和产品质量易受到环境等因素的影响，使得对其故障诊断的研究面临更大的挑战。

对于间歇过程的故障诊断，目前比较常用的方法有贡献图和模式识别的方法，有些学者利用多向主成分分析(Multi-way principal component analysis,MPCA)对间歇过程进行分时段在线监控，并利用贡献图的方法追溯故障变量，但该方法采用正常的数据进行故障诊断，不能够真正反应故障的信息，且忽略了变量之间的相关性，只能诊断单变量故障，而模式识别的方法可以克服MPCA贡献图的不足。支持向量机(Support Vector Machine,SVM)因其在小样本下具有较强的非线性系统学习能力，使得SVM成为一种被广泛应用的模式识别方法。有些学者利用MPCA与SVM对整个间歇过程建立离线故障诊断模型，不可避免的在诊断阶段需人为的填充过程的未知数据，但填充的数据往往与真实的过程数据存在差异，在一定程度上会影响到故障诊断的准确率；为了解决这个问题，另外一些学者将滑动时间窗技术与SVM结合应用于间歇过程的故障诊断，虽可解决因大量填充数据带来诊断准确率的问题，但存在模型更新频繁的缺点，使得诊断过程繁琐。

发明内容

为了克服现有技术的不足，本发明提供了一种基于子时段MPCA-SVM的间歇过程在线故障诊断方法。利用MPCA划分间歇过程，将故障诊断的搜索空间局限到一个个特定的时段内，并对每个时段建立故障监测和诊断模型。该方法无需填充整个生产过程的未知数据，而只填充发生故障时段的数据，因此可减小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，也可以减少建模的数量，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。

本发明采用了如下的技术方案及实现步骤：

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，X＝(X₁,X₂,...,X_I)^T，其中X_i(i＝1,2,…,I)表示第i批次数据。每个批次包含K个采样时刻，即X_i＝(X_i,1,X_i,2,...,X_i,K)，其中X_i,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X_i,k＝(x_i,k,1,x_i,k,2,...,x_i,k,J)，其中x_i,k,j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其中x_i,k,j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，k＝1,...,K，j＝1,...,J；第k采样时刻的第j个过程变量的标准方差s_k,j的计算公式为，k＝1,...,K，j＝1,...,J；

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＝1,...,I，j＝1,...,J，k＝1,...,K；