一种基于GA优化回归误差雷达图的设备异常检测方法技术

本发明专利技术公开一种基于GA优化回归误差雷达图的设备异常检测方法，旨在利用GA优化化工设备对象测量变量间的回归误差，并利用雷达图监测误差的变化来检测相应化工设备的运行是否出现异常。具体来讲，本发明专利技术方法首先设计了由误差到雷达图监控指标的变换方式，然后利用GA逐个优化测量变量的回归误差。与传统方法相比，本发明专利技术方法在优化回归误差时，通过GA的二进制编码选取部分测量变量，能从最小化回归误差的角度选取并确定最优的回归系数向量。可以说，本发明专利技术方法是在测量变量优化选择的基础上描述测量变量间的相互关系，相应生成的误差在雷达图的监测下可进一步检测出误差之间的异常变化情况，从而保证对化工设备实施更有效的异常检测。异常检测。异常检测。

【技术实现步骤摘要】
一种基于GA优化回归误差雷达图的设备异常检测方法


[0001]本专利技术涉及一种化工设备异常智能检测方法，特别涉及一种基于GA优化回归误差雷达图的设备异常检测方法。

技术介绍

[0002]监控化工工业过程设备的运行状态是保证生产安全和维持产品品质稳定的必要技术手段，最直接的解决方案是依据化工过程设备的运行机理建立相应的模型，从而通过模型输出与实际输出间的差异来反映运行状态异常。然而，随着现代化工过程运行的复杂化趋势，这类机理模型驱动的异常检测方法已愈发变得低效。可幸的是，由于大量先进测量仪表和计算机辅助生产系统应用于生产实际，监控化工设备运行状态现已经朝着智能化和数字化方向发展，通过设备配套安装的测量仪表实时采样数据来驱动实现化工设备异常的检测目的是当前智能制造领域的热门研究课题。
[0003]化工设备由于控制回路和物理化学规律的影响，不同测量变量之间是存在相互关系的，利用采样数据来实现不同测量变量之间相互关系的描述是对化工设备实施数据驱动异常检测的基本思路。最常见的以主元分析和偏最小二乘代表的多变量统计过程监测方法就是针对化工设备对应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GA优化回归误差雷达图的设备异常检测方法，其特征在于，具体包括以下步骤：步骤一，优化前的准备，具体包括如下两个方面；(1)准备训练数据矩阵X和测试数据矩阵具体包括以下所示步骤(1.1)至步骤(1.3)；步骤(1.1)：从化工设备对应的历史采样数据库中，获取其运行于正常状态下的N组采样数据，并将每组采样数据表示为一个1
×
M维的数据向量，再将这N个数据向量合并成一个N
×
M维的数据矩阵S；其中，化工设备在每个采样时刻都可通过M个测量仪表采集M个测量变量对应的采样数据；步骤(1.2)：将数据矩阵S中的第1列向量，第2列向量，至第M列向量依次表示成s1,s2,
…
,s
M
后，通过公式分别对s1,s2,
…
,s
M
实施标准化处理，对应得到M个N
×
1维的列向量再将合并成一个N
×
M维的数据矩阵其中，s
m
和分别表示S和中的第m列向量，μ
m
和δ
m
表示s
m
中N个元素的平均值和标准差，测量变量的序号m＝1,2,
…
,M；步骤(1.3)：将中的第1行向量至第n行向量取出组成n
×
M维数的训练数据矩阵X，其余N
‑
n行向量组成(N
‑
n)
×
M维的测试数据矩阵其中，n表示不小于N
×
0.8的最小整数；(2)确定雷达图监控指标的变换过程，具体包括以下所示步骤(2.1)至步骤(2.3)所示；步骤(2.1)：将任意给定的误差向量e中的第1个元素，第2个元素至第M个元素依次表示成ε1,ε2,
…
,ε
M
后，通过公式x
m
＝|ε
m
|
×
cos[(m
‑
1)θ]分别计算ε1,ε2,
…
,ε
M
对应的横坐标x1,x2,
…
,x
M
，再通过公式y
m
＝|ε
m
|
×
sin[(m
‑
1)θ]分别计算ε1,ε2,
…
,ε
M
对应的纵坐标y1,y2,
…
,y
M
；其中，夹角θ＝360
°
/M，x
m
和y
m
分别表示e中第m个元素ε
m
对应的横坐标与纵坐标；步骤(2.2)：分别计算误差向量e对应的横坐标中心值和纵坐标中心值后，再将和组成e对应的1
×
2维的坐标向量步骤(2.3)：通过公式计算得到误差向量e对应的雷达图监控指标φ，从而完成从误差向量到雷达图监控指标的变换过程；其中，u表示1
×
2维的参考中心向量，Λ表示2
×
2维的参考协方差矩阵，上标号T表示矩阵或向量的转置；步骤二，利用GA逐个优化测量变量间的回归误差，从而得到误差生成矩阵Θ，具体包括以下所示步骤1至步骤6；步骤1，设置GA训练参数，具体包括：编码个体的总数K，最大迭代次数D，交叉概率α和变异概率β，再分别设置迭代次数d＝1和m＝1；步骤2，将训练数据矩阵X中的第m列向量当成输出训练向量θ，将X中除第m列向量之外的列向量组成输入训练矩阵Z，将测试数据矩阵的第m列向量当成输出测试向量将中除第m列向量之外的列向量组成输入测试矩阵再随机生成K个(M
‑
1)
×
1维的二进制向量，对应表示K个编码个体c1,c2,
…
,c
K
；其中，每个编码个体都表示成一个(M
‑
1)
×
1维的二进制向量，二进制向量中的元素只能等于0或1；步骤3，分别计算c1,c2,
…
,c
K
对应的适应度值J1,J2,
…
,J
K
，再将最大的适应度值对应的
编码个体标记为最佳编码个体步骤4，依次执行GA的选择操作，交叉操作，和变异操作，从而得到新一代的K个编码个体c1,c2,
…
,c
K
；其中，执行GA的选择操作时，需要利用适应度值J1,J2,
…
,J
K
计算各个编码个体的选择概率；执行GA的交叉操作时，需要用到交叉概率α；执行GA的变异操作时需要用到变异概率β；步骤5，判断d是否小于D；若是，则设置d＝d+1后，再返回步骤3；若否，则根据最佳编码个体确定误差生成向量θ
m
后，再执行步骤6；步骤6，判断m是否小于M；若是，则分别设置m＝m+1和迭代次数d＝1后，返回步骤2；若否，则将得到的M个误差生成向量θ1,θ2,
…
,θ
M
合并成误差生成矩阵Θ＝[θ1,θ2,
…
,θ
M
]；步骤三，确定并保留实施在线异常检测所需的参数，具体包括步骤(1.2)中确定的平均值μ1,μ2,
…
,μ
M
和标准差δ1,δ2,
…
,δ
M
，步骤6中确定的误差生成矩阵Θ，和以下所示步骤7至步骤9中确定的参考中心向量u，参考协方差矩阵Λ，和控制限φ
max
；步骤7，通过公式计算误差矩阵E后，再依次设置误差向量e等于E中的第1行向量至第N行向量，并同时根据步骤(2.1)至步骤(2.2)确定对应的坐标向量，分别标记为其中，表示当e等于E中的第1行向量时，通过步骤(2.1)至步骤(2.2)确定...

【专利技术属性】
技术研发人员：张乐，俞海珍，童楚东，
申请(专利权)人：宁波大学，
类型：发明
国别省市：