第 34 卷第 4 期
Vol .3 4 No4
中南工业大学学报(自然科学版)
J . CENT . SOUTH UNIV . TECHNOL .
Vol .34 No .4
Aug . 2003
一种基于 ICA SVM 的故障诊断方法
郭 明,谢 磊,何 宁,王树青
(工业控制技术国家重点实验室,浙江大学 先进控制研究所,浙江 杭州,310027)
摘要:提出了一种基于独立分量分析和支撑向量机(ICA SV M)对系统性能进行监控的整体框架 .这一框架包括特
征提取和故障识别两部分 .独立分量分析被用于从当前工况的数据矩阵中提取出代表当前工况特征的投影系数矩
阵,而这些投影系数矩阵则被用于训练多个支撑向量机,以实现故障类型的识别 .Tennessee Eastman 过程的仿真
结果证明了该算法的有效性 .
关键词:支撑向量机;过程监控;故障诊断
中图分类号:TP273 文献标识码:A 文章编号:
10059792(2003)04044704
对于实际化工过程,由于控制回路与测量点多,
操作条件多变,故障类型也有多种,使得化工过程的
故障检测与诊断问题变得十分复杂 .总的来说,由于
化工过程很难建立起精确的动态数学模型,因此,基
于数学模型的故障诊断方法在化工过程中没有广泛
推广应用 .目前,比较有效的方法是采用基于数据驱
动的各种统计方法(如主元分析等).这一方法要求
收集正常操作条件下,以及在各种故障状态下的历
史数据 .其诊断步骤包括特征提取和模式识别两步,
目标是提取可以明确识别的某一类型的特征,并在
此基础上最优地对采集到的样本进行分类 .目前,基
于人工神经网络的故障诊断方法在化工过程中应用
较多
[1 ]
,但是,其结构参数往往需多次实验才能确
定,且在分类之前需要大量的故障样本对其进行训
练 .而实际工业生产过程中只有少量的故障样本,大
量的是正常操作条件下的数据 .由于支撑向量机在
小样本下具有良好的学习能力
[2 ]
,在此,作者通过独
立分量分析提取故障特征,以探讨基于支撑向量机
的故障诊断方法 .
1 基于 ICA SVM 的故障诊断框架
大多数化工过程常常拥有大量的测量变量,这
些变量并不是相互独立的,往往是由少数独立变量
(不一定可直接测量)所驱动 .利用独立分量分析提
取这些独立变量,并进一步对其进行监控,可以大大
减少数据的维数;同时,由于各分量都是独立的,它
们能够更好得反映过程的特征 .独立分量分析
(ICA)作为近年来发展起来的一种新的统计信号处
理方法
[3]
,与 PCA 相比,更有效地利用了高阶统计
信息 其原理如下:设共有 l 个观测信号 x
1
,x
2
,…,
x
l
,它们分别为 m 个非高斯分布的独立源信号 s
1
,
s
2
,…,s
m
的线性组合,即
X = A· S .(1)
式中:A∈R
l× m
,为混叠系数矩阵 .由于独立源 S 和
混叠系数矩阵 A 都未知,为了从观测信号中分离出
各独立源信号,定义如下目标函数:
J(y)= H(y
gauss
)- H (y). (2)
式中:y 为任一随机量;y
gauss
是一个与 y 具有相同方
差的高斯分布的随机量;函数 H( )为相应变量的
信息熵函数 .根据中心极限定理可知,由于观测信号
x
i
为相互独立的源信号 s
i
的线性组合,因此,x
i
与
s
i
相比更接近高斯分布 .因此,可在分离过程中按
(2)式计算源信号估计值 s
^
i
的非高斯性,当 (2)式中
的目标函数达到最大时,表明已完成对各独立分量
的分离 .对于实际化工过程,一般并不能确切知道独
立分量(即驱动变量)的个数,而目前也还未有一个
较好的方法确定最优的独立分量数 .这里采用文献
[4]中的方差累计贡献率的方法来确定独立分量数 .
在对系统进行监控时,先从历史数据库中选取
正常工况下的测量数据 X
normal
∈ R
l × n
(l 为传感器
数,n 为采样点数),预处理后对其进行独立分量分
析,即有
X
norma l
= A
n
· S
n
. (3)
收稿日期:2003 04 20
基金项目:国家“863”计划 项目 (2001AA413110)
作者简介:郭 明 (19 7 7 ),男 ,湘北襄樊 人,浙江大学博 士研究生,从事化工过程控 制、系统性能监控及故 障诊 断等研究
资源评论
