一种基于滚动特征时域的DRN-SVM预测控制性能退化根源诊断方法

本发明涉及机器学习及目标分类领域，具体是一种基于滚动特征时域的drn-svm预测控制性能退化根源诊断方法。

背景技术：

1、模型预测控制(mpc)是工业中应用最广泛的先进控制技术。但是，随着时间的推移，预测控制器会出现性能退化的现象。对预测控制器的性能进行评估和诊断，对于保证预测控制系统持续高效运行具有重要意义。

2、导致预测控制器性能退化的因素较多，包括过程模型失配、扰动特性变化、控制器约束饱和以及控制器参数调整不当等几个方面。针对预测控制器性能退化的根源诊断问题，一部分研究从性能评估的角度展开，另一部分则通过将预测控制器性能退化的诊断看作是一个多分类问题来展开研究。对于性能评估角度的根源诊断，由于模型失配是引起预测控制器性能退化的主要因素，大量的研究工作从对模型性能评估的角度展开。例如，秦泗钊等提出通过监测卡尔曼滤波器信息来检测自相关性，从而识别出是过程模型失配还是扰动模型失配。李丽娟等针对模型失配的评估问题，提出了一种输入与扰动之间的相关性分析方法(caid)，同时将其结合模型质量指数(mqi)应用于多变量系统。ling等人提出了一种通过扰动与模型方差的比率评估模型性能的方法。对于控制器参数引起的预测控制器性能退化问题，相关文献中提出了一种通过估计扰动模型的马尔可夫参数评估控制器参数性能的方法。对于从多分类角度开展的预测控制器性能退化诊断，主要从不同根源引起的预测控制器响应数据特征差异着手，采用非线性映射、pca等方法提取数据特征并通过svm等方法对提取的数据特征进行分类。如田学民等通过定义特征向量角来描述当前数据间的相似性，引入基于特征向量角的分类器来诊断预测控制器性能退化的根源。

3、多分类问题的分类精度与数据的特征提取有着直接的关联，充分挖掘数据的特征在一定程度上会提高分类的精度。当前，基于svm分类算法，围绕数据的特征提取研究取得了一定的成果。鲍建荣等为了提高geo-leo卫星星座网络中频谱检测的复杂性和延迟，通过pca处理感知信号，利用svm对pca处理的结果进行分类，进而构建高性能pca-svm分类模型，以此来有效检测出低复杂度和高性能的频谱信号。周涛涛等针对隔离开关机械缺陷检测与诊断技术不足的问题，利用kpca提取电机输出功率时间曲线的时域特征，通过svm对提取的时域特征进行分类，构建kpca-svm分类模型，提高了电机工作电压部分已知、部分未知的机械状态参数的分类精度。王君红等为实现准确的肌肉疲劳检测和分类，利用cnn提取表面肌电图特征，通过svm对特征分类，构建cnn-svm模型，该模型提高了肌肉疲劳检测的准确性和分类精度。在基本svm算法的基础上，上述学者提出的改进算法均提升了svm分类的精度。但由于复杂的工业过程数据具有非线性、时序性以及动态性等特征，传统的pca、kpca以及浅层cnn等特征提取方法难以对复杂的工业过程数据的特征进行表征，在预测控制器性能退化分类方面表现不佳。

4、近年来，随着深度学习技术的发展，其在语音识别、图像识别、自然语言处理以及目标检测等领域的成功应用，逐渐显现出深度学习在复杂的工业过程数据的特征提取及学习上的优势。由于复杂工业过程数据具有非线性、时序性以及动态性的特征，svm本质上是一个浅层学习结构，其单层非线性映射难以对工业过程数据的复杂非线性特征进行表征，且svm训练无法体现样本的时序性特征，因而模型不能反映数据的动态变化特性。

技术实现思路

1、为解决上述技术问题，本发明针对预测控制系统性能退化根源分类诊断问题，提出一种基于滚动特征时域的drn-svm预测控制性能退化根源诊断方法，首先采用深度残差网络对一定宽度的连续时域数据滚动提取深层次的动态时序特征，充分挖掘反映预测控制系统性能退化的数据变化特性，然后采用svm对提取的特征建立分类诊断模型，用于对实际预测控制系统性能退化根源问题进行实时诊断。本发明实现了捕捉复杂工业过程数据动态时序特征的同时又能够充分挖掘工业过程数据的数据特征，进而提高了预测控制器性能退化根源诊断的精度。

2、一种基于滚动特征时域的drn-svm预测控制性能退化根源诊断方法，包括如下步骤：

3、步骤1：通过wood-berry精馏塔仿真模型获得预测控制器性能退化模式状态下的历史数据作为训练集；

4、步骤2：基于滚动特征时域以一定步长不断的向前滚动推进，通过深度残差网络进而实现整个训练集的动态特征提取；

5、步骤3：基于深度残差网络提取的预测控制系统性能退化模式状态下的动态特征作为svm的输入，进而构建drn-svm分类模型；

6、步骤4：基于训练集训练drn-svm分类模型，预测控制性能退化诊断模型；

7、步骤5：将基于wood-berry模型获取的预测控制器性能退化测试集送入drn-svm控制性能退化诊断模型中，确定导致预测控制器性能退化的因素。

8、优选的，步骤1中控制器性能退化模式状态包括4种，分别为：过程模型失配状态、扰动特性变化状态、控制器约束饱和状态，以及控制器参数调整不当状态。

9、进一步的，步骤2采用深度残差网络进行特征提取，利用多个滑动权重窗口来遍历滚动特征时域范围内的过程数据，便于挖掘出复杂工业过程数据的深层次特征。

10、具体的，深度残差网络进行特征提取具体包括如下步骤：

11、步骤2.1：将由被控变量y和操纵变量u组成的历史数据集构造成二维矩阵x；

12、步骤2.2：将构造的二维数据矩阵x作为输入送到深度残差网络中；

13、步骤2.3：二维数据矩阵x在进行卷积特征提取之前需要进行矩阵边缘填充，防止遗漏矩阵边缘数据的特征；

14、步骤2.4：利用深度残差网络中的权重窗口对二维数据矩阵进行特征提取；

15、步骤2.5：将多个权重窗口提取出来的深度特征进行最大池化操作，以便筛选出权重值最大的深度特征；

16、步骤2.6：将经过最大池化操作筛选出的深度特征进行转置处理，其结果作为后续svm的输入。

17、进一步的，在步骤2.4深度残差网络中引入bn策略，以解决白化过程改变了网络层的分布进而改变了网络层中本身数据的表达能力，以及底层网络学习到的参数信息会在白化过程中丢失的问题。

18、进一步的，步骤4通过训练深度残差网络的参数集合w，(γβ)，w是深度残差网络的权值集合，(γβ)是bn策略引入深度残差网络的权重及偏置学习参数集合，使得网络所提取的过程数据的特征尽可能分布在远离最优超平面的两侧。

19、优选的，drn-svm分类模型的目标优化函数是：

20、

21、其中，表示drn-svm的目标优化函数取最小值，ωij表示预测控制器第i类和第j类性能退化数据待求最优分类超平面的法向量，c表示惩罚参数，用来调节深度残差网络提取的特征在分类超平面两侧的分布，使得特征尽可能远离分类超平面，a表示深度残差网络提取的数据特征向量中的下标索引，n是深度残差网络提取到的预测控制器性能模式状态下的过程数据的数据特征数，xi和xj表示预测控制器第i类和第j类性能退化数据集；bn1，a(g(φ(xi；w))；(γ，β))表示深度残差网络提取的预测控制器第i类性能退化数据的数据特征，bn1，a(g(φ(xj；w))；(γ，β))表示深度残差网络提取的预测控制器第j类性能退化数据的数据特征；w(l)表示深度残差网络中的卷积层权值；w(k)表示调整深度残差网络的输入维度的权值；λ1，λ2对应网络的两个正则化项，其表示网络的惩罚系数，λ1表示网络卷积权值w(l)的惩罚系数，λ2表示网络输入维度调整权值w(k)的惩罚系数；||||表示向量的模值，||||2表示模值的平方，表示frobenius范数的平方。

22、进一步的，惩罚参数c的施加规则为：

23、

24、其中，↑表示增大惩罚参数c，↓表示减小惩罚参数c，d表示深度残差网络所提取的预测控制器的第i种和第j种性能模式状态下的过程数据的特征在特征空间中的距离的平方与的平方之差，其表达式如下：

25、

26、如果d＞0，则说明，在特征空间中，深度残差网络所提取的过程数据特征没有尽可能远离最优分类超平面，应施加较大的惩罚参数c；如果d＜0，则说明，提取的过程数据特征尽可能远离最优分类超平面，应施加较小的惩罚参数c。

27、进一步的，通过准确率来评估改进后的drn-svm性能退化诊断模型的性能。

28、具体的，准确率指标公式如下：

29、

30、其中，accuracy表示准确率，tp、fp分别代表被正确识别为真的样本数量、被错误识别为真的样本数量。

31、与现有技术相比，本发明的有益效果：本发明针对预测控制系统性能退化根源分类诊断问题，提出一种基于滚动特征时域的drn-svm预测控制性能退化根源诊断方法，首先采用深度残差网络对一定宽度的连续时域数据滚动提取深层次的动态时序特征，充分挖掘反映预测控制系统性能退化的数据变化特性，然后采用svm对提取的特征建立分类诊断模型，用于对实际预测控制系统性能退化根源问题进行实时诊断。本发明实现了捕捉复杂工业过程数据动态时序特征的同时又能够充分挖掘工业过程数据的数据特征，进而提高了预测控制器性能退化根源诊断的精度。

32、1、由于复杂工业过程数据具有非线性、动态性以及时序性等特点，本发明提出“滚动特征时域”的概念。假定滚动特征时域宽度为l，滚动步长为h，在k时刻进行特征提取时不仅考虑了当前时刻的过程变量特征，还考虑了其后k+l-1时间范围内动态变化特征，从而反映了l宽度范围内的控制系统性能特性，而drn具有深层次复杂非线性特征提取的特性，因而提取的特征能够准确捕捉到l宽度范围的复杂动态时序性能。到下一滚动时刻k+1，仍然考虑其后l-1时域范围的动态特征提取，不断向前滚动推进，实现整个数据集范围的动态特征提取。

33、2、本发明基于深度残差网络提取的4种预测控制器性能退化深度特征构建svm分类模型，进而构造drn-svm性能退化诊断模型。鉴于svm分类模型中引入了深度残差网络，传统svm的目标优化函数已不再适用。基于drn-svm性能退化诊断模型的原理，构造出该模型的目标优化函数。深度残差网络的数据特征提取效果以及数据表征能力要优于支持向量机中的隐式非线性变换，而支持向量机利用最大数据间隔分类的分类效果要优于深度残差网络中softmax层的分类效果，drn-svm性能退化诊断模型将两者的优势相结合，因而该模型的分类精度要优于深度残差网络和支持向量机的分类精度。