本發(fā)明涉及一種故障檢測(cè)方法，特別是關(guān)于一種基于異構(gòu)測(cè)地線距離SVDD的故障檢測(cè)方法。

背景技術(shù)：

基于支持向量數(shù)據(jù)描述(Support Vector Data Description，SVDD)的故障檢測(cè)方法已經(jīng)在工業(yè)生產(chǎn)中取得了廣泛而成功的應(yīng)用。該方法是以Tax和Duin提出的支持向量數(shù)據(jù)描述為理論，以收集到的工業(yè)過(guò)程在正常狀態(tài)下的樣本作為訓(xùn)練樣本來(lái)訓(xùn)練SVDD監(jiān)控模型，用特征空間中能夠包裹訓(xùn)練樣本的最小半徑的超球面作為決策邊界，將原始空間中絕大多數(shù)訓(xùn)練樣本所在的正常樣本分布區(qū)域與可能存在故障樣本的無(wú)訓(xùn)練樣本區(qū)域分割開(kāi)。由訓(xùn)練樣本得到SVDD監(jiān)控模型之后，新來(lái)的樣本可以被判斷是正常樣本還是故障樣本。落入SVDD監(jiān)控模型決策邊界以內(nèi)的新來(lái)樣本被判斷為正常樣本，落入決策邊界以外的新來(lái)樣本被判斷為故障樣本并觸發(fā)報(bào)警，從而提醒工程師及時(shí)進(jìn)行參數(shù)修正或設(shè)備檢修等操作?，F(xiàn)代工業(yè)過(guò)程中，受設(shè)備故障和實(shí)驗(yàn)誤差等的影響，訓(xùn)練數(shù)據(jù)中往往混有一些數(shù)量少、遠(yuǎn)離正常樣本分布的離群點(diǎn)，這會(huì)影響到單類樣本分類器的性能，而人工的剔除離群點(diǎn)的代價(jià)高昂。SVDD模型以支持向量來(lái)建立對(duì)于目標(biāo)類分布的描述，這雖然使得模型具有稀疏性，但同時(shí)也使得模型易于受到離群點(diǎn)的影響。SVDD模型允許部分樣本落于分類曲面之外，離群點(diǎn)會(huì)成為非邊界支持向量，影響分類面的形狀。在含有離群點(diǎn)的訓(xùn)練樣本上訓(xùn)練SVDD監(jiān)控模型之后，受離群點(diǎn)的影響，可能會(huì)有更多正常樣本被錯(cuò)誤地判斷為故障樣本，也可能會(huì)有更多故障樣本被錯(cuò)誤地判斷為正常樣本，影響故障檢測(cè)性能。這些問(wèn)題給生產(chǎn)過(guò)程的故障檢測(cè)帶來(lái)一定的挑戰(zhàn)。

目前，針對(duì)上述問(wèn)題，采用對(duì)樣本進(jìn)行加權(quán)的思路，常見(jiàn)的提高SVDD監(jiān)控模型魯棒性的方法有兩種：基于全體平方損失中心距離的SVDD故障檢測(cè)方法和基于截?cái)嗑嚯x密度的SVDD故障檢測(cè)方法?；谌w平方損失中心距離的SVDD故障檢測(cè)方法：尋找訓(xùn)練樣本在特征空間中的全體平方損失中心，然后隱式地計(jì)算特征空間中各訓(xùn)練樣本到全體平方損失中心的距離；對(duì)于每個(gè)訓(xùn)練樣本，用各訓(xùn)練樣本到全體平方損失中心的距離的最大值和該訓(xùn)練樣本到全體平方損失中心的距離的比值作為該訓(xùn)練樣本的權(quán)值。該方法認(rèn)為離群點(diǎn)是遠(yuǎn)離樣本中心的，可是難以處理樣本分布復(fù)雜的情況，實(shí)際中有可能某些分布在主體邊緣的正常點(diǎn)距離這個(gè) 中心的距離比某些離群點(diǎn)還遠(yuǎn)，使該方法的適用范圍受到了限制?；诮?cái)嗑嚯x密度的SVDD故障檢測(cè)方法：首先尋找一個(gè)適當(dāng)?shù)慕財(cái)嗑嚯x，用每個(gè)樣本附近到該樣本的距離小于截?cái)嗑嚯x的其他樣本的數(shù)目作為該樣本的截?cái)嗑嚯x密度，然后用該樣本的截?cái)嗑嚯x密度和各樣本的階段距離密度的最大值的比值作為該樣本的權(quán)值。但是該方法難以處理離群點(diǎn)的密度比正常樣本的密度還高的情況，實(shí)際中有可能某些離群點(diǎn)分布密集，密度比正常樣本還高，使得基于截?cái)嗑嚯x密度的SVDD故障檢測(cè)方法的無(wú)法正確處理離群點(diǎn)，從而嚴(yán)重影響實(shí)際故障檢測(cè)的性能。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)上述問(wèn)題，本發(fā)明的目的是提供一種基于異構(gòu)測(cè)地線距離SVDD的故障檢測(cè)方法，其能提高故障檢測(cè)性能，并且對(duì)離群點(diǎn)魯棒性強(qiáng)。

為實(shí)現(xiàn)上述目的，本發(fā)明采取以下技術(shù)方案：一種基于異構(gòu)測(cè)地線距離SVDD的故障檢測(cè)方法，其特征在于，它包括以下步驟：1)設(shè)置一故障檢測(cè)系統(tǒng)，其包括數(shù)據(jù)采集模塊、過(guò)程監(jiān)控模塊和報(bào)警模塊；過(guò)程監(jiān)控模塊由參數(shù)設(shè)置模塊、異構(gòu)測(cè)地線距離計(jì)算模塊、模型訓(xùn)練模塊和故障檢測(cè)模塊構(gòu)成；2)數(shù)據(jù)采集模塊采集被監(jiān)控工業(yè)過(guò)程的溫度、壓力、流量和液位過(guò)程變量的已知訓(xùn)練樣本X_i，將采集的訓(xùn)練樣本X_i構(gòu)成訓(xùn)練集{X₁,…,X_i,…,X_N}，i＝1,2,…N，并將訓(xùn)練集{X₁,…,X_i,…,X_N}傳輸至參數(shù)設(shè)置模塊；3)數(shù)據(jù)采集模塊采集預(yù)先設(shè)置時(shí)間的被監(jiān)控工業(yè)過(guò)程的溫度、壓力、流量和液位過(guò)程變量的實(shí)時(shí)樣本X_new，并將采集的實(shí)時(shí)樣本X_new傳輸至故障檢測(cè)模塊；4)參數(shù)設(shè)置模塊根據(jù)接收到的訓(xùn)練集{X₁,…,X_i,…,X_N}，將近鄰個(gè)數(shù)K設(shè)置為10，將置零比例α設(shè)置為95％，將權(quán)值伸縮系數(shù)ε設(shè)置為0.1，將所設(shè)置的各參數(shù)傳輸至異構(gòu)測(cè)地線距離計(jì)算模塊；5)異構(gòu)測(cè)地線距離計(jì)算模塊根據(jù)訓(xùn)練集{X₁,…,X_i,…,X_N}，計(jì)算得到各樣本的異構(gòu)測(cè)地線距離{d₁,…,d_i,…,d_N}，并將各樣本的異構(gòu)測(cè)地線距離{d₁,…,d_i,…,d_N}傳輸至模型訓(xùn)練模塊；6)根據(jù)各樣本的異構(gòu)測(cè)地線距離{d₁,…,d_i,…,d_N}，模型訓(xùn)練模塊采用加權(quán)SVDD方法得到優(yōu)化變量的最優(yōu)解{α^*₁,…,α^*_i,…,α^*_N}和超球面半徑R，并將優(yōu)化變量的最優(yōu)解{α^*₁,…,α^*_i,…,α^*_N}和超球面半徑R傳輸至故障檢測(cè)模塊；7)根據(jù)故障檢測(cè)模型中的優(yōu)化變量的最優(yōu)解{α^*₁,…,α^*_i,…,α^*_N}，得到實(shí)時(shí)樣本X_new到超球面半徑R的距離Dist(X_new)；8)故障檢測(cè)模塊判斷過(guò)程變量的實(shí)時(shí)樣本X_new是否為故障樣本，若為正常樣本則返回步驟7)；若為故障樣本則傳輸至報(bào)警模塊；9)報(bào)警模塊記錄該實(shí)時(shí)樣本X_new并進(jìn)行報(bào)警，數(shù)據(jù)采集模塊繼續(xù)采集下一時(shí)刻的實(shí)時(shí)樣本X_new，并傳輸至故障檢測(cè)模塊，返回步驟7)。

優(yōu)選地，所述步驟1)中，故障檢測(cè)系統(tǒng)包括數(shù)據(jù)采集模塊、過(guò)程監(jiān)控模塊和 報(bào)警模塊；所述數(shù)據(jù)采集模塊將采集的訓(xùn)練集和實(shí)時(shí)樣本傳輸至所述過(guò)程監(jiān)控模塊，所述過(guò)程監(jiān)控模塊將故障樣本傳輸至所述報(bào)警模塊。

優(yōu)選地，所述步驟1)中，所述過(guò)程監(jiān)控模塊由參數(shù)設(shè)置模塊、異構(gòu)測(cè)地線距離計(jì)算模塊、模型訓(xùn)練模塊和故障檢測(cè)模塊構(gòu)成；所述參數(shù)設(shè)置模塊接收所述數(shù)據(jù)采集模塊的訓(xùn)練集，所述參數(shù)設(shè)置模塊將所設(shè)置個(gè)各參數(shù)均傳輸至所述異構(gòu)測(cè)地線距離計(jì)算模塊，所述異構(gòu)測(cè)地線距離計(jì)算模塊將異構(gòu)測(cè)地線起點(diǎn)的異構(gòu)測(cè)地線距離傳輸至所述模型訓(xùn)練模塊，所述模型訓(xùn)練模塊將優(yōu)化變量的最優(yōu)解和超球面半徑以及所述數(shù)據(jù)采集模塊的實(shí)時(shí)樣本均傳輸至所述故障檢測(cè)模塊，所述故障檢測(cè)模塊將故障樣本傳輸至所述報(bào)警模塊。

優(yōu)選地，所述步驟5)中，計(jì)算各樣本的異構(gòu)測(cè)地線距離的具體步驟如下：(5.1)根據(jù)訓(xùn)練集{X₁,…,X_i,…,X_N}，計(jì)算歐式距離矩陣D＝{D_ij|i,j＝1,2,…,N}，歐式距離矩陣D中每個(gè)元素的值為D_ij＝||X_i-X_j||；(5.2)根據(jù)歐式距離矩陣D，構(gòu)造帶權(quán)無(wú)向圖G(V,E,W)；(5.3)根據(jù)近鄰個(gè)數(shù)K，只選擇帶權(quán)無(wú)向圖G(V,E,W)中與每個(gè)頂點(diǎn)v_i相連的所有邊中最短的K條邊，得到新的帶權(quán)無(wú)向圖G_K；(5.4)根據(jù)置零比例α，將帶權(quán)無(wú)向圖G_K中所有邊中最短的比例與α相同的邊的權(quán)值設(shè)為0，得到新的帶權(quán)無(wú)向圖G_Kα；(5.5)從訓(xùn)練集{X₁,…,X_i,…,X_N}內(nèi)選擇一個(gè)樣本為異構(gòu)測(cè)地線起點(diǎn)根據(jù)異構(gòu)測(cè)地線起點(diǎn)以及帶權(quán)無(wú)向圖G_Kα，計(jì)算各訓(xùn)練樣本X_i到異構(gòu)測(cè)地線起點(diǎn)的最短路徑的距離，即得到各樣本的異構(gòu)測(cè)地線距離{d₁,…,d_i,…,d_N}。

優(yōu)選地，所述步驟(5.5)中，采用交叉驗(yàn)證方法從訓(xùn)練集{X₁,…,X_i,…,X_N}內(nèi)選擇一個(gè)樣本為異構(gòu)測(cè)地線起點(diǎn)或者采用近鄰方法從訓(xùn)練集{X₁,…,X_i,…,X_N}內(nèi)選擇一個(gè)樣本為異構(gòu)測(cè)地線起點(diǎn)

優(yōu)選地，所述步驟(5.2)中，帶權(quán)無(wú)向圖G(V,E,W)中，頂點(diǎn)集V＝{v₁,…,v_i,…,v_N}，并且每個(gè)頂點(diǎn)v_i與訓(xùn)練樣本X_i一一對(duì)應(yīng)；邊集E＝{e_ij|i,j＝1,2,…,N}，e_ij是邊集E中的一條邊，且該邊兩端分別是v_i和v_j，權(quán)值集W＝{w_ij|i,j＝1,2,…,N}，每個(gè)邊集e_ij的權(quán)值是w_ij，并且w_ij＝D_ij。

優(yōu)選地，所述步驟6)中，得到故障檢測(cè)模型的優(yōu)化變量的最優(yōu)解{α^*₁,…,α^*_i,…,α^*_N}和超球面半徑R的具體步驟如下：(6.1)根據(jù)權(quán)值伸縮系數(shù)ε，以及各樣本的異構(gòu)測(cè)地線距離{d₁,…,d_i,…,d_N}，得到異構(gòu)測(cè)地線距離的最小值d_min；(6.2)根據(jù)各樣本的異構(gòu)測(cè)地線距離{d₁,…,d_i,…,d_N}以及異構(gòu)測(cè)地線距離的最小值d_min；計(jì)算各樣本的在加權(quán)SVDD中的權(quán)值

(6.3)根據(jù)高斯核函數(shù)寬度s和SVDD參數(shù)C，以及各樣本的在加權(quán)SVDD中的權(quán)值進(jìn)行最優(yōu)化求解，得到優(yōu)化變量α_i的最優(yōu)解α^*_i；

式中，α_i為待優(yōu)化變量，k(X_i,X_j)為高斯核函數(shù)，并且k(X_i,X_j)＝exp(-||X_i-X_j||²/s)；(6.4)根據(jù)優(yōu)化變量的最優(yōu)解α^*_i，得到超球面半徑R為：

式中，對(duì)應(yīng)的權(quán)值和最優(yōu)解α^*_i滿足k(X_i,X_j)均為高斯核函數(shù)，并且其一般表達(dá)式k(X,Y)＝exp(-||X-Y||²/s)。

優(yōu)選地，所述步驟(6.3)中，高斯核函數(shù)寬度s和SVDD參數(shù)C通過(guò)訓(xùn)練集{X₁,…,X_i,…,X_N}采用交叉驗(yàn)證方法確定。

優(yōu)選地，所述步驟7)中，實(shí)時(shí)樣本X_new到超球面半徑R的距離Dist(X_new)為：

其中，k(X_new,X_new)、k(X_i,X_new)和k(X_i,X_j)均為高斯核函數(shù)。

優(yōu)選地，所述步驟8)中，若Dist(X_new)≤R，則實(shí)時(shí)樣本X_new為正常樣本，數(shù)據(jù)采集模塊繼續(xù)采集下一時(shí)刻的實(shí)時(shí)樣本X_new，并傳輸至故障檢測(cè)模塊，返回步驟7)；否則實(shí)時(shí)樣本X_new為故障樣本，并將實(shí)時(shí)樣本X_new傳輸至報(bào)警模塊。

本發(fā)明由于采取以上技術(shù)方案，其具有以下優(yōu)點(diǎn)：1、本發(fā)明采用離群點(diǎn)和正常樣本在流形上距離正常樣本分布中心的異構(gòu)測(cè)地線距離的差異信息，來(lái)提高監(jiān)控模型對(duì)離群點(diǎn)的魯棒性以及故障檢測(cè)性能。2、本發(fā)明采用異構(gòu)測(cè)地線距離來(lái)度量各樣本的離群程度，離群點(diǎn)和正常樣本到異構(gòu)測(cè)地線起點(diǎn)的異構(gòu)測(cè)地線距離的差異明顯，因此在減小訓(xùn)練集中離群點(diǎn)對(duì)SVDD監(jiān)控模型的影響上具有很強(qiáng)的優(yōu)勢(shì)，提高故障檢測(cè)率，減小誤報(bào)率，可以廣泛應(yīng)用于工業(yè)過(guò)程的故障檢測(cè)中。

附圖說(shuō)明

圖1是本發(fā)明的故障檢測(cè)系統(tǒng)統(tǒng)結(jié)構(gòu)示意圖；

圖2是實(shí)施例中故障檢測(cè)結(jié)果示意圖；其中，黑色虛線表示超球面半徑，前160個(gè)樣本表示測(cè)試集中的正常樣本，第161個(gè)樣本到第960個(gè)樣本為測(cè)試集中的故障樣本。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)的描述。

本發(fā)明提供一種基于異構(gòu)測(cè)地線距離SVDD的故障檢測(cè)方法，其包括以下步驟：

1)預(yù)先設(shè)置一故障檢測(cè)系統(tǒng)，其包括數(shù)據(jù)采集模塊、過(guò)程監(jiān)控模塊和報(bào)警模塊；過(guò)程監(jiān)控模塊由參數(shù)設(shè)置模塊、異構(gòu)測(cè)地線距離計(jì)算模塊、模型訓(xùn)練模塊和故障檢測(cè)模塊構(gòu)成；

2)數(shù)據(jù)采集模塊采集被監(jiān)控工業(yè)過(guò)程的溫度、壓力、流量和液位等過(guò)程變量的已知訓(xùn)練樣本X_i，將采集的訓(xùn)練樣本X_i構(gòu)成訓(xùn)練集{X₁,…,X_i,…,X_N}，i＝1,2,…N，并將訓(xùn)練集{X₁,…,X_i,…,X_N}傳輸至參數(shù)設(shè)置模塊；

3)數(shù)據(jù)采集模塊采集預(yù)先設(shè)置時(shí)間段內(nèi)被監(jiān)控工業(yè)過(guò)程的溫度、壓力、流量和液位等過(guò)程變量的實(shí)時(shí)樣本X_new，并將采集的實(shí)時(shí)樣本X_new傳輸至故障檢測(cè)模塊；

4)參數(shù)設(shè)置模塊根據(jù)接收到的訓(xùn)練集{X₁,…,X_i,…,X_N}，將近鄰個(gè)數(shù)K設(shè)置為10，將置零比例α設(shè)置為95％，將權(quán)值伸縮系數(shù)ε設(shè)置為0.1，將所設(shè)置的各參數(shù)均傳輸至異構(gòu)測(cè)地線距離計(jì)算模塊；

5)異構(gòu)測(cè)地線距離計(jì)算模塊根據(jù)訓(xùn)練集{X₁,…,X_i,…,X_N}及各參數(shù)，計(jì)算得到各樣本的異構(gòu)測(cè)地線距離{d₁,…,d_i,…,d_N}，并將各樣本的異構(gòu)測(cè)地線距離{d₁,…,d_i,…,d_N}傳輸至模型訓(xùn)練模塊；

6)根據(jù)各樣本的異構(gòu)測(cè)地線距離{d₁,…,d_i,…,d_N}，模型訓(xùn)練模塊采用加權(quán)SVDD方法得到優(yōu)化變量的最優(yōu)解{α^*₁,…,α^*_i,…,α^*_N}和超球面半徑R，并將優(yōu)化變量的最優(yōu)解{α^*₁,…,α^*_i,…,α^*_N}和超球面半徑R傳輸至故障檢測(cè)模塊；

7)根據(jù)故障檢測(cè)模型中的優(yōu)化變量的最優(yōu)解{α^*₁,…,α^*_i,…,α^*_N}，計(jì)算實(shí)時(shí)樣本X_new到超球面半徑R的距離Dist(X_new)：

其中，k(X_i,X_j)、k(X_new,X_new)和k(X_i,X_new)均為高斯核函數(shù)，并且高斯核函數(shù)的一般表達(dá)式為k(X,Y)＝exp(-||X-Y||²/s)；

8)故障檢測(cè)模塊判斷過(guò)程變量的實(shí)時(shí)樣本X_new是否為故障樣本，若Dist(X_new)≤R，則實(shí)時(shí)樣本X_new為正常樣本，數(shù)據(jù)采集模塊繼續(xù)采集下一時(shí)刻的實(shí)時(shí)樣本X_new，并傳輸至故障檢測(cè)模塊，返回步驟7)；否則實(shí)時(shí)樣本X_new為故障樣本，并將實(shí)時(shí)樣本X_new傳輸至報(bào)警模塊；

9)報(bào)警模塊記錄該實(shí)時(shí)樣本X_new并進(jìn)行報(bào)警，數(shù)據(jù)采集模塊繼續(xù)采集下一時(shí)刻的實(shí)時(shí)樣本X_new，并傳輸至故障檢測(cè)模塊，返回步驟7)。

上述步驟1)中，如圖1所示，故障檢測(cè)系統(tǒng)包括數(shù)據(jù)采集模塊1、過(guò)程監(jiān)控模塊2和報(bào)警模塊3。數(shù)據(jù)采集模塊1將采集的訓(xùn)練集{X₁,…,X_i,…,X_N}和實(shí)時(shí)樣本X_new傳輸至過(guò)程監(jiān)控模塊2，過(guò)程監(jiān)控模塊2將故障樣本傳輸至報(bào)警模塊3，由報(bào)警模塊3記錄該實(shí)時(shí)樣本X_new并發(fā)出警報(bào)。

上述步驟1)中，如圖1所示，過(guò)程監(jiān)控模塊2由參數(shù)設(shè)置模塊4、異構(gòu)測(cè)地線距離計(jì)算模塊5、模型訓(xùn)練模塊6和故障檢測(cè)模塊7構(gòu)成。參數(shù)設(shè)置模塊4接收數(shù)據(jù)采集模塊1的訓(xùn)練集{X₁,…,X_i,…,X_N}，參數(shù)設(shè)置模塊4將所設(shè)置個(gè)各參數(shù)傳輸至異構(gòu)測(cè)地線距離計(jì)算模塊5，異構(gòu)測(cè)地線距離計(jì)算模塊5將異構(gòu)測(cè)地線起點(diǎn)的異構(gòu)測(cè)地線距離{d₁,…,d_i,…,d_N}傳輸至模型訓(xùn)練模塊6，模型訓(xùn)練模塊6將優(yōu)化變量的最優(yōu)解{α^*₁,…,α^*_i,…,α^*_N}和超球面半徑R以及數(shù)據(jù)采集模塊1的實(shí)時(shí)樣本X_new均傳輸至故障檢測(cè)模塊7，故障檢測(cè)模塊7對(duì)實(shí)時(shí)樣本X_new進(jìn)行判斷并將故障樣本傳輸至報(bào)警模塊3。

上述步驟5)中，計(jì)算各樣本的異構(gòu)測(cè)地線距離的具體步驟如下：

(5.1)根據(jù)訓(xùn)練集{X₁,…,X_i,…,X_N}，計(jì)算歐式距離矩陣D＝{D_ij|i,j＝1,2,…,N}，歐式距離矩陣D中每個(gè)元素的值為D_ij＝||X_i-X_j||；

(5.2)根據(jù)歐式距離矩陣D，構(gòu)造帶權(quán)無(wú)向圖G(V,E,W)，其中，頂點(diǎn)集V＝{v₁,…,v_i,…,v_N}，并且每個(gè)頂點(diǎn)v_i與訓(xùn)練樣本X_i一一對(duì)應(yīng)；邊集E＝{e_ij|i,j＝1,2,…,N}，e_ij是邊集E中的一條邊，且該邊兩端分別是v_i和v_j，權(quán)值集W＝{w_ij|i,j＝1,2,…,N}，每個(gè)邊集e_ij的權(quán)值是w_ij，并且w_ij＝D_ij；

(5.3)根據(jù)近鄰個(gè)數(shù)K，只選擇帶權(quán)無(wú)向圖G(V,E,W)中與每個(gè)頂點(diǎn)v_i相連的所有邊中最短的K條邊，得到新的帶權(quán)無(wú)向圖G_K；

(5.4)根據(jù)置零比例α，將帶權(quán)無(wú)向圖G_K中所有邊中最短的比例與α相同的邊的權(quán)值設(shè)為0，得到新的帶權(quán)無(wú)向圖G_Kα；

(5.5)從訓(xùn)練集{X₁,…,X_i,…,X_N}內(nèi)選擇一個(gè)樣本為異構(gòu)測(cè)地線起點(diǎn)，根據(jù)異構(gòu)測(cè)地線起點(diǎn)以及帶權(quán)無(wú)向圖G_Kα，計(jì)算各訓(xùn)練樣本X_i到異構(gòu)測(cè)地線起點(diǎn) 的最短路徑的距離，即得到各樣本的異構(gòu)測(cè)地線距離{d₁,…,d_i,…,d_N}。

上述步驟(5.5)中，從訓(xùn)練集{X₁,…,X_i,…,X_N}內(nèi)隨機(jī)選擇一個(gè)樣本為異構(gòu)測(cè)地線起點(diǎn)可以采用交叉驗(yàn)證方法從訓(xùn)練集{X₁,…,X_i,…,X_N}內(nèi)選擇一個(gè)樣本；也可以采用近鄰方法從訓(xùn)練集{X₁,…,X_i,…,X_N}內(nèi)選擇一個(gè)樣本。

上述步驟6)中，得到故障檢測(cè)模型的優(yōu)化變量的最優(yōu)解{α^*₁,…,α^*_i,…,α^*_N}和超球面半徑R的具體步驟如下：

(6.1)根據(jù)權(quán)值伸縮系數(shù)ε，以及各樣本的異構(gòu)測(cè)地線距離{d₁,…,d_i,…,d_N}，得到異構(gòu)測(cè)地線距離的最小值d_min；

(6.2)根據(jù)各樣本的異構(gòu)測(cè)地線距離{d₁,…,d_i,…,d_N}以及異構(gòu)測(cè)地線距離的最小值d_min；計(jì)算各樣本在加權(quán)SVDD中的權(quán)值

(6.3)根據(jù)高斯核函數(shù)寬度s和SVDD參數(shù)C以及各樣本在加權(quán)SVDD中的權(quán)值進(jìn)行最優(yōu)化求解，得到優(yōu)化變量α_i的最優(yōu)解α^*_i；

式中，α_i為待優(yōu)化變量，

(6.4)根據(jù)優(yōu)化變量的最優(yōu)解α^*_i，得到超球面半徑R為：

式中，對(duì)應(yīng)的權(quán)值和最優(yōu)解α^*_i滿足

上述步驟(6.3)中，高斯核函數(shù)寬度s和SVDD參數(shù)C通過(guò)訓(xùn)練集{X₁,…,X_i,…,X_N}采用交叉驗(yàn)證方法確定。

實(shí)施例，采用國(guó)際通用的化工過(guò)程數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，該數(shù)據(jù)集的訓(xùn)練集中包含500個(gè)正常樣本，測(cè)試集中包含160個(gè)正常樣本和800個(gè)故障樣本。每個(gè)樣本含有33個(gè)過(guò)程變量，采用基于異構(gòu)測(cè)地線距離SVDD的故障檢測(cè)方法進(jìn)行故障檢測(cè)的具體步驟如下：

1)數(shù)據(jù)采集模塊采集數(shù)據(jù)集中的500個(gè)正常樣本構(gòu)成訓(xùn)練集{X₁,…,X_i,…,X₅₀₀}，并將訓(xùn)練集{X₁,…,X_i,…,X₅₀₀}傳輸至參數(shù)設(shè)置模塊；

2)數(shù)據(jù)采集模塊采集160個(gè)正常樣本和800個(gè)故障樣本構(gòu)成測(cè)試集，并將測(cè)試集中的第一樣本X_new傳輸至故障檢測(cè)模塊；

3)參數(shù)設(shè)置模塊設(shè)置近鄰個(gè)數(shù)K設(shè)置為10，置零比例α設(shè)置為95％，權(quán)值伸縮系數(shù)ε設(shè)置為0.1，異構(gòu)測(cè)地線起點(diǎn)

4)異構(gòu)測(cè)地線距離計(jì)算模塊計(jì)算樣本X₃₀₀的異構(gòu)測(cè)地線距離{d₁,…,d_i,…,d₃₀₀}，并傳輸至模型訓(xùn)練模塊；

5)選用高斯核函數(shù)k(X_i,X_j)＝exp(-||X_i-X_j||²/s)，并取s＝66，C＝0.4；模型訓(xùn)練模塊得到權(quán)值利用訓(xùn)練集{X₁,…,X_i,…,X₅₀₀}和權(quán)值 模型訓(xùn)練模塊得到優(yōu)化變量的最優(yōu)解{α^*₁,…,α^*_i,…,α^*₅₀₀}和超球面半徑R＝0.8，并傳輸至故障檢測(cè)模塊；

6)故障檢測(cè)模塊計(jì)算實(shí)時(shí)樣本X_new到超球面半徑R的距離Dist(X_new)，并與超球面半徑R進(jìn)行比較；

7)若Dist(X_new)≤R，則樣本X_new為正常樣本，將測(cè)試集的下一個(gè)樣本X_new傳輸至故障檢測(cè)模塊，返回步驟6)；否則樣本X_new為故障樣本；

8)報(bào)警模塊記錄該樣本X_new，并進(jìn)行報(bào)警，將測(cè)試集的下一個(gè)樣本X_new傳輸至故障檢測(cè)模塊，返回步驟6)。

前160個(gè)正常樣本中，99.37％的樣本被正確判斷為正常樣本，后800個(gè)故障樣本中，95.63％的樣本被判斷為故障樣本，表現(xiàn)出良好的故障檢測(cè)效果；因此，采用基于異構(gòu)測(cè)地線距離SVDD的故障檢測(cè)方法能夠很好地將正常樣本和故障樣本區(qū)分開(kāi)，具有良好的故障檢測(cè)性能。

上述各實(shí)施例僅用于說(shuō)明本發(fā)明，各部件的結(jié)構(gòu)、尺寸、設(shè)置位置及形狀都是可以有所變化的，在本發(fā)明技術(shù)方案的基礎(chǔ)上，凡根據(jù)本發(fā)明原理對(duì)個(gè)別部件進(jìn)行的改進(jìn)和等同變換，均不應(yīng)排除在本發(fā)明的保護(hù)范圍之外。