一种应用ocsvm的生产过程自适应监控系统及方法
【专利摘要】本发明涉及一种应用OCSVM的生产过程自适应监控系统及方法，其特征在于：监控系统包括数据采集模块、过程监控模块、OCSVM模型在线更新模块和报警模块；数据采集模块将工业生产过程中的历史过程变量和实时过程变量数字化为历史过程数据和实时过程数据，并传送给过程监控模块；过程监控模块利用历史过程数据建立原始OCSVM监控模型，并通过处理实时过程数据得到有效更新样本，有效更新样本和OCSVM监控模型一起传送给OCSVM模型在线更新模块；OCSVM模型在线更新模块对OCSVM监控模型进行更新后，传送给过程监控模块；过程监控模块得到异常样本时产生报警信号，并传送给报警模块进行报警。本发明可以广泛用于实际工业生产过程的监控中。
【专利说明】—种应用OCSVM的生产过程自适应监控系统及方法
【技术领域】
[0001]本发明涉及一种生产过程的自适应监控系统及方法，特别是关于一种应用OCSVM(One-ClassSupport Vector Machine,单类支持向量机)的生产过程自适应监控系统及方法。
【背景技术】
[0002]基于OCSVM的多变量统计过程监控方法已经在复杂工业过程生产中取得了广泛而成功的应用。该方法基于Vapnik提出的支持向量机理论，以切平面的形式将特征空间中的样本投影点与特征空间的原点以最大间隔分开，从而使用决策边界将原始空间中绝大多数样本所在的正常样本分布区域与可能存在异常样本的无样本分布区域分隔开。OCSVM监控模型判定落入模型决策边界以内的新样本为正常样本，判定落入模型决策边界以外的新样本为异常样本并针对该异常样本产生报警，从而提醒工程师及时地更正过程参数以减少产品质量的波动，最终达到保质增产的目的。OCSVM监控模型的决策函数f(x)可以用以下公式表述:
【权利要求】
1.一种应用OCSVM的生产过程自适应监控系统，其特征在于:它包括一数据采集模块、一过程监控模块、一 OCSVM模型在线更新模块和一报警模块；所述数据采集模块将工业生产过程中的历史过程变量和实时过程变量数字化为历史过程数据和实时过程数据，并传送给所述过程监控模块；所述过程监控模块利用历史过程数据建立原始OCSVM监控模型，并通过处理实时过程数据得到有效更新样本，有效更新样本和OCSVM监控模型一起传送给所述OCSVM模型在线更新模块；所述OCSVM模型在线更新模块对OCSVM监控模型进行更新后，传送给所述过程监控模块；所述过程监控模块得到异常样本时产生报警信号，并传送给所述报警模块进行报警。
2.如权利要求1所述的一种应用OCSVM的生产过程自适应监控系统，其特征在于:所述过程监控模块内预置有一原始模型建立子模块，一漂移趋势预测子模块，一模型在线监控子模块和一漂移参数更新子模块；所述原始模型建立子模块将原始OCSVM监控模型和代表正常工况的历史过程数据发送给所述漂移趋势预测子模块；所述漂移趋势预测子模块将更新得到初始OCSVM监控模型和收集的漂移趋势信息发送给所述模型在线监控子模块；所述模型在线监控子模块将有效更新样本、当前OCSVM监控模型、正常漂移样本偏离距离集合Fshift和漂移速率L发送给所述漂移参数更新子模块；所述漂移参数更新子模块将更新后的漂移速率L返回至所述模型在线监控子模块。
3.一种采用如权利要求1或2所述监控系统的应用OCSVM的生产过程自适应监控方法，其包括以下步骤: 1)数据采集模块采集工业生产过程中的历史过程变量和实时过程变量，并将历史过程变量和实时过程变量数字化为历史过程数据和实时过程数据，历史过程数据发送给原始模型建立子模块，实时过程数据发送给模型在线监控子模块； 2)原始模型建立子模块选用能够代表正常工况的历史过程数据确定建模数据集合D、样本集合A和样本集合B，使用样本集合A中的样本建立原始OCSVM监控模型，并将样本集合B和建立的原始OCSVM监控模型输入给漂移趋势预测子模块； 3)漂移趋势预测子模块按照数据采集的时间顺序依次使用样本集合B中的样本对原始OCSVM监控模型进行逐次更新，得到初始OCSVM监控模型；漂移趋势预测子模块在对原始OCSVM监控模型进行逐次更新的过程中采集用于故障检测的正常漂移样本偏离距离集合Fshift、漂移速率L和当前OCSVM监控模型的外层报警边界判别函数票移趋势信息，并将初始OCSVM监控模型和收集到的漂移趋势信息发送给模型在线监控子模块； 4)模型在线监控子模块接收到初始OCSVM监控模型、正常漂移样本偏离距离集合Fshift、漂移速率L和当前OCSVM监控模型的外层报警边界判别函数j 后，监控系统正式进入在线监控阶段，原始模型建立子模块和漂移趋势预测子模块处于休眠状态，不再参与监控工作； 5)模型在线监控子模块对接收到的实时过程数据是否为具有更新意义且符合生产过程的正常漂移趋势的正常样本进行判断，并将具有更新意义且符合生产过程的正常漂移趋势的正常样本作为有效更新样本与当前OCSVM监控模型、正常漂移样本偏离距离集合Fshift和漂移速率L均发送给漂移参数更新子模块，将有效更新样本和当前OCSVM监控模型发送给OCSVM模型在线更新模块；6)漂移参数更新子模块用接收到的有效更新样本和当前OCSVM监控模型，依次更新正常漂移样本偏离距离集合Fshift和漂移速率L，并将更新后的漂移速率L返回至模型在线监控子模块； 7)OCSVM模型在线更新模块采用滑动窗方法对当前OCSVM监控模型进行在线更新，并将更新后的OCSVM监控模型发送给模型在线监控子模块，返回步骤5)。
4.如权利要求3所述的一种应用OCSVM的生产过程自适应监控方法，其特征在于:所述步骤2)中原始模型建立子模块建立原始OCSVM监控模型的具体步骤包括: ①根据工业生产现场经验，从历史过程数据中选择若干能够代表正常生产过程特征的数据作为建模样本； ②按照数据采集的时间顺序对建模样本进行排序，生成建模数据集合D，建模数据集合D中的前W个建模样本构成样本集合A，其余所有建模样本构成样本集合B ； ③采用序列最小优化算法，使用样本集合A中的样本建立原始OCSVM监控模型。
5.如权利要求3所述的一种应用OCSVM的生产过程自适应监控方法，其特征在于:所述步骤3)中采用以下步骤获得初始OCSVM监控模型: ①假设原始OCSVM监控模型为当前OCSVM监控模型； ②依次将样本集合B中的样本输入到当前OCSVM监控模型中进行判别，如果输入的样本被判别 为正常样本，则进行下一个样本的判别；如果输入的样本被判别为“异常”样本，则将该“异常”样本加入到样本集合A中，生成新的样本集合A后，重新建立OCSVM监控模型，并将重新建立的OCSVM监控模型设为当前OCSVM监控模型，然后进行下一个样本的判别； ③将样本集合B中的所有样本依次完成判别后得到的当前OCSVM监控模型作为初始OCSVM监控模型。
6.如权利要求4所述的一种应用OCSVM的生产过程自适应监控方法，其特征在于:所述步骤3)中采用以下步骤获得初始OCSVM监控模型: ①假设原始OCSVM监控模型为当前OCSVM监控模型； ②依次将样本集合B中的样本输入到当前OCSVM监控模型中进行判别，如果输入的样本被判别为正常样本，则进行下一个样本的判别；如果输入的样本被判别为“异常”样本，则将该“异常”样本加入到样本集合A中，生成新的样本集合A后，重新建立OCSVM监控模型，并将重新建立的OCSVM监控模型设为当前OCSVM监控模型，然后进行下一个样本的判别； ③将样本集合B中的所有样本依次完成判别后得到的当前OCSVM监控模型作为初始OCSVM监控模型。
7.如权利要求4或5或6所述的一种应用OCSVM的生产过程自适应监控方法，其特征在于:所述步骤3)中漂移趋势预测子模块按照以下步骤收集历史生产过程中的用于故障检测的漂移趋势信息: ①假定初始OCSVM监控模型的外层报警边界的置信度阈值δ，δ的取值范围为δ e (0.7，I)； ②在使用训练样本集合B中单个训练样本对原始OCSVM监控模型进行逐次更新的过程中，收集所有被当前OCSVM监控模型判断为“异常”的样本，并计算每个被判别为“异常”样本的F值:
F = f (X) / P ,X代表每个被判断为“异常”的样本，f (X)为当前OCSVM监控模对应的决策函数，P为当前OCSVM监控模型在特征空间中的切平面偏置值； ③将步骤②中每个被判别为“异常”样本的F值按照数据采集的时间顺序依次加入正常漂移样本偏离距离集合Fshift中，将正常漂移样本偏离距离集合Fshift中的所有m个F值按照大小进行排序，得到序列F(1) <F(2)〈…<F(m)，将该序列中的第[πιΧ(Ι-δ)]个F值设定为漂移速率L ； ④根据漂移速率L计算得到当前OCSVM监控模型的外层报警边界的判别函数TXv)为:
8.如权利要求4或5或6所述的一种应用OCSVM的生产过程自适应监控方法，其特征在于:所述步骤5)中采用以下步骤判断新样本数据Xk是否为具有更新意义且符合生产过程正常漂移趋势的正常样本: ①模型在线监控子模块根据当前OCSVM监控模型信息，由公式
【文档编号】G06Q50/04GK103439933SQ201310350588
【公开日】2013年12月11日 申请日期:2013年8月13日 优先权日:2013年8月13日
【发明者】王焕钢, 侯冉冉, 徐文立, 肖志博 申请人:清华大学