基于ＣＳＳＶＭ的氧化铝蒸发过程故障检测

2012年03月19日10:45:04 本网站我要评论(2)字号：T | T | T

唐明珠，阳春华，桂卫华
中南大学信息科学与工程学院，湖南长沙

摘　　　要：针对氧化铝蒸发过程样本集中的类不平衡和故障难以实时检测问题，提出线性权重递减粒子群代价敏感支持向量机故障检测方法。深入分析氧化铝蒸发过程机理，选择合适输入条件、操作参数、状态参数作为代价敏感支持向量机的输入向量，工况样本类别作为其输出。代价敏感支持向量机以较小化误分类代价为目标，利用线性权重递减粒子群优化代价敏感支持向量机核参数和误分类代价参数。实验结果表明所提出的方法能有效地提高故障识别率和减少平均误分类代价。

关　键　词：类不平衡样本集；代价敏感支持向量机；粒子群；氧化铝蒸发过程

１　引　言
近年来，现代冶金、化工等工业呈现向复杂化，大型化方向发展的新趋势，这些大型复杂工业过程一方面无法完全依靠传统方法建立精确的物理模型进行管理监控［１］，另一方面时刻产生大量反映过程运行机理和运行状态的数据。由于实际需求和成本优化等因素的考虑，如何利用这些海量数据来满足日益提的系统可靠性成为亟待解决的问题。基于数据驱动的故障诊断方法因可避免解析法要求详细、准确的定量数学模型的缺点，已成为近年来热门的研究领域［２～５］。但是复杂工业过程的样本集中存在２个问题：①类不平衡问题，故障类样本难于获取，样本集中故障类样本占极少数，正常类样本占绝大多数；②故障难以实时检测问题，复杂工业过程工艺指标一般是离线检测的，依据工艺指标作故障检测存在滞后性，因此故障难以实时检测。针对类不平衡问题，代价敏感元学习算法Ｍｅｔａｃｏｓｔ［６］通过修改训练集中的样本类标签，改变训练集中的样本分布比例，再重新训练模型，因该算法修改类标签，改变了原始的样本集，不适用解决复杂工业过程样本集的类不平衡问题；代价敏感概率神经网络［７］通过代价敏感机制将误分类代价嵌入到贝叶斯决策中，分析了正常类样本和故障类样本在不同误分类代价下的故障敏感性；代价敏感支持向量［８］将每个样本嵌入不同的误分类代价，并作为样本中的一维，但在实际生产中很难获取复杂工业过程每个样本误分类代价。文献［９］提出了代价敏感支持向量机，但是由于核函数和误分类代价参数的引入，核参数和误分类代价参数的选择直接影响代价敏感支持向量机的效果。目前交叉验证是常用的核参数选择方法。但是该方法耗时严重，而且是经验上的较优值。而粒子群算法［１０］在解决大规模非线性的连续问题中具有更高的优化效率和更好的优化结果，因此可用粒子群优化核参数和误分类代价参数。复杂工业过程的故障检测可用工艺指标（如溶液的出口浓度）作为依据，针对出口浓度难以实时检测问题，文献［１１］提出了利用变异粒子群优化较小二乘支持向量机蒸发过程的软测量方法，对该过程一种出口浓度进行预测；文献［１２］提出了基于鲁棒估计的氧化铝蒸发过程数据协调方法，但要求样本集符合正态分布。因氧化铝蒸发过程出口有多个工艺指标，难以建立精确的解析模型。本文以氧化铝蒸发过程为研究对象，针对样本集中类不平衡问题和故障难以实时检测问题，提出了线性权重递减粒子群代价敏感支持向量机（ＰＳＯＣＳＳＶＭ）故障检测方法。将氧化铝蒸发过程的输入条件、操作参数、状态参数作为代价敏感支持向量机的输入向量，工况样本类别作为其的输出变量，用粒子群算法优化核参数和误分类代价参数，较后代价敏感支持向量机对类不平衡样本集进行故障检测。实验结果表明将所提出的方法应用于氧化铝蒸发过程样本集，验证了该方法的有效性。

登录网站后可下载文件

基于ＣＳＳＶＭ 的氧化铝蒸发过程故障检测

相关阅读:

基于ＣＳＳＶＭ的氧化铝蒸发过程故障检测