一种基于PSO抗差学习模型的设备异常检测方法技术

本发明专利技术公开一种基于PSO抗差学习模型的设备异常检测方法，旨在应对掺杂非正常采样数据的训练数据集，建立抗差的特征学习模型，完成对化工设备异常的实时检测任务。具体来讲，本发明专利技术方法逐个的将各个测量变量当做输出，然后利用以误差中位数为适应度值的PSO算法实施训练，再将各个测量变量的抗差学习模型合并成一个综合的抗差学习模型；最后，利用综合学习模型为化工设备的实时采样数据生成对应的误差，并通过监测误差的变化来实现对化工设备异常的检测。本发明专利技术方法相比于传统方法的最大优势是：可对掺杂异常状态数据或离群点数据的训练数据集实施无监督的抗差特征学习，不要求化工设备的历史采样数据库提供正常工况的采样数据。据。据。

【技术实现步骤摘要】
一种基于PSO抗差学习模型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检测方法，特别涉及一种基于PSO抗差学习模型的设备异常检测方法。

技术介绍

[0002]随着现代化工生产流程的大型化与复杂化趋势，整个厂际运行涉及到诸多过程设备，各个设备是否正常稳定的运行都会对最终产品的品质和生产成本造成直接或间接的影响。因此，实时监测设备的运行状态从而及时发现设备异常是保证产品质量和生产安全的直接技术手段。在当前智能制造大背景下，先进测量仪表和计算机管理系统的大面积应用，生产过程可以采集和处理大量的数据，这为数据驱动的设备异常检测方法奠定了坚实的数据基础。通常而言，数据驱动的设备异常检测技术在实施在线异常检测之前，需要利用相应设备在正常运行状态下的采样数据建立单分类的无监督学习模型。然而，甄别化工设备的正常采样数据主要依赖于经验，无法保证用于训练模型的数据都是正常变化的采样数据。
[0003]针对化工设备的数据采集过程中，首先无法保证历史采样数据库都只涉及正常运行状态的采样数据，其次采集的数据即使源自于正常运行状态，也会出现离群数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PSO抗差学习模型的设备异常检测方法，其特征在于，具体包括以下步骤：首先，训练抗差学习模型前的准备，具体包括以下两个方面；其一，确定训练抗差学习模型所需的数据矩阵X，具体包括以下所示步骤(A)至步骤(D)；步骤(A)：从化工设备对应的历史采样数据库中，选取最近N个采样时刻的N组采样数据，并将每组采样数据对应表示成一个M
×
1维的实数向量后，再将其合并成一个M
×
N维的数据矩阵Z；其中，化工设备在每个采样时刻都可以通过M个测量仪表对应获取M个测量值，并将这M个测量值组成的一组采样数据表示成一个M
×
1维的实数向量；步骤(B)：将Z中的第m行向量标记为z
m
，再确定z
m
中N个元素的中位数μ
m
后，根据公式对z
m
进行抗差中心化处理，对应得到1
×
N维的行向量其中，m＝1,2,
…
,M；步骤(C)：确定中N个元素的中位数后，再根据计算中位绝对差δ
m
；步骤(D)：根据公式分别对z1,z2,
…
,z
M
实施抗差标准化处理，对应得到M个1
×
N维的实数向量后，再将合并成一个M
×
N维的数据矩阵X；其中，X中的第1行向量，第2行向量，至第M行向量分别等于其二，确定训练抗差学习模型所需的预设参数，具体包括：粒子总数K，最大迭代次数D，加速度因子α1和α2，惯性权重的初始值σ1和终值σ2，以及惯性权重σ的计算方式，具体是σ＝σ1‑
(σ1‑
σ2)(d/D)2；其中，d表示迭代次数；其次，对抗差学习模型X＝ΘX+E实施训练，保留M
×
M维的重构矩阵Θ，具体包括以下所示步骤(1)至步骤(7)；其中，E表示误差矩阵；步骤(1)，设置m＝1和d＝1后，将X中的第m行向量当做成输出向量y，其余M
‑
1行向量组成(M
‑
1)
×
N维的输入矩阵X
m
；步骤(2)，分别确定粒子的位置上限b
max
，位置下限b
min
，速度上限v
max
，和速度下限v
min
；步骤(3)，从区间[b
min
,b
max
]中随机生成K个粒子的位置向量p1,p2,
…
,p
K
，再从区间[v
min
,v
max
]中随机生成K粒子的速度向量f1,f2,
…
,f
K
；其中，第k个粒子的位置向量p
k
和速度向量f
k
都是一个1
×
(M
‑
1)维的实数向量，粒子编号k＝1,2,
…
,K；步骤(4)，分别确定p1,p2,
…
,p
K
对应的适应度值J1,J2,
…
,J
K
后，再将最小的适应度值及其对应的位置向量分别标记为J0和p0；步骤(5)，确定全局最佳位置向量及其对应的适应度值后，根据公式后，根据公式更新K个粒子的速度向量f1,f2,
…
,f
K
，再根据公式，再根据公式对速度向量中的各个元素分别进行修正；其中，λ
k
和η
k
是从区间[0,1]上生成的两个随机数，表示第k个粒子的速度向量f
k
中的第g个元素，表示选择与v
max
两者中的最小值，表示选择与v
min
两者中的最大值，g＝1,2,
…
,M
‑
1，确定和的具体过程是：若迭代次数d＝1，则分别设置和反之，则判断是否大于J0；若是，则分别设置和若否，则保持和不变；
步骤(6)，根据公式p
k
＝p
k
+f
k
更新K个粒子的位置向量p1,p2,
…
,p
K
，再根据，再根据对位置向量中的各个元素分别进行修正后，判断d是否小于D；若是，则设置d＝d+1后返回步骤(4)；若否，则保留后，再执行步骤(7)；其中，表示第k个粒子的位置向量p
k
中的第g个元素，g＝1,2,
…
,M
‑
1；步骤(7)，判断m是否小于M，若是，则先设置d＝1和m＝m+1，再将X中的第m行向量当做成输...

【专利技术属性】
技术研发人员：郑渝凡，朱莹，徐建瑜，
申请(专利权)人：宁波大学，
类型：发明
国别省市：