【技术实现步骤摘要】
一种基于双重支持向量数据描述的间歇过程测量数据异常检测方法
[0001]本专利技术属于间歇过程监测
，尤其涉及一种基于双重支持向量数据描述的间歇过程测量数据异常检测方法。
技术介绍
[0002]间歇过程能够根据市场需求变化及客户定制要求生产高附加值产品，已被广泛应用于化工、制药和食品加工等领域。间歇生产过程的现场测量仪表提供了大量的过程测量数据，为数据驱动的过程建模提供了支撑。然而，受现场测量仪表性能衰减或外部环境干扰等因素影响，导致间歇过程测量数据出现异常，直接影响数据驱动的过程建模的准确性。因此，对间歇过程测量数据进行异常检测，能够为数据驱动的过程建模提供可靠的数据，促进间歇过程监测和优化控制方法及技术的应用。
[0003]支持向量数据描述(Support Vector Data Description，SVDD)通过在高维空间中构建所有训练数据的最小封闭超球体，依据超球体边界区分正常数据和异常数据，实现间歇过程测量数据的异常检测。然而，基于单一SVDD模型的间歇过程测量数据异常检测方法忽略了间歇过程的多模...
【技术保护点】
【技术特征摘要】
1.一种基于双重支持向量数据描述的间歇过程测量数据异常检测方法，其特征在于：该方法包括以下步骤：步骤一：采集多批次间歇过程数据，利用模糊C均值(Fuzzy C
‑
Means，FCM)算法对其进行模态划分，根据模态划分信息获得各稳定模态和过渡模态数据集，并融合稳定模态和相邻过渡模态数据获得融合模态数据集；步骤二：分别对所有稳定模态和过渡模态数据集训练得到内层SVDD模型，然后对融合后的模态数据集训练得到外层SVDD模型，构建基于双重SVDD的间歇过程测量数据异常检测模型；步骤三：利用双重SVDD模型的内外层超球体半径R
in
和R
out
，结合移动窗思想构建数据异常判别策略，对间歇过程测量数据进行在线异常检测。2.根据权利要求1所述的一种基于双重支持向量数据描述的间歇过程测量数据异常检测方法，其特征在于：所述步骤一，具体包括：采集I个批次的间歇过程测量数据X
i
(K
×
J)，i(1≤i≤I)为批次索引，J为变量数，K为采样点数；对I个批次数据按批次方向求平均获得模态划分数据X(K
×
J)，并对X的各变量分别减去均值再除以标准差进行标准化得对于FCM模态划分看作如下优化问题式中，v
p
表示第p个模态中心；0≤u
kp
≤1表示过程数据样本x
k
属于第p个模态的隶属度；P表示间歇过程模态数目；d
kp
为过程数据样本x
k
和模态中心v
p
之间的欧氏距离；m为模糊因子；U(K
×
P)为隶属度矩阵；表示任意采样点k∈[1，K]；由式(1)得到隶属度u和模态中心v的迭代更新公式为由式(1)得到隶属度u和模态中心v的迭代更新公式为式中，h为对P个模态的索引；d
kh
为过程数据样本x
k
和对应模态中心v
h
之间的欧氏距离；迭代更新停止后，根据隶属度矩阵可划分出稳定模态和过渡模态共l个独立模态，其模态右边界为b＝{b1，b2，...，b
l
}，b
l
表示第l个模态的右边界采样时刻，其中的奇数编号l
odd
表示稳定模态，偶数编号l
even
表示过渡模态；因此，第l个模态数据可表示为x
ik
表示第i批次采样时刻为k的间歇过程数据样本，按变量方向
展开后得到相应的模态数据集为X
l
(N
l
×
J)，其中N
l
＝I
×
(b
l
‑
b
l
‑1)表示对应数据集的样本数目；将稳定模态和其相邻的过渡模态数据进行融合，用X
st
表示融合稳定模态和过渡模态数据后得到的数据集，因此对于第一个稳定模态，即l
odd
＝1时，对应融合后的数据及按变量方向展开后的数据集可表示为对于最后一个稳定模态，即l
odd
＝l时，对应融合后的数据及数据集为当l
odd
≠1且l
odd
≠l时，对应融合后的数据及数据集为式中，N
st
表示融合模态数据集的样本数目；对获得的各独立模态数据集和融合数据集分别减去变量方向的均值和标准差进行标准化。3.根据权利要求1所述的一种基于双重支持向量数据描述的间歇过程测量数据异常检测方法，其特征在于：所述步骤二，具体包括：SVDD超球体模型由球心a和超球半径R确定，其满足如下优化问题式中，C为惩罚参数；ξ
j
为松弛变量；n为样本数目；φ(.)为非线性函数；引入拉格朗日乘子α转化为对偶形式为式中，α
j
和α
h
分别为样本x
j
和x
h
对应的拉格朗日乘子；高斯核函数K(x
j
，x
j
)定义为式中，σ为...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。