Multi-mode process monitoring based on a novel weighted local standardization strategy and support vector data description

There are multiple operating modes in the real industrial process, and the collected data follow the complex multimodal distribution, so most traditional process monitoring methods are no longer applicable because their presumptions are that sampled-data should obey the single Gaussian distribution or non-Gaussian distribution. In order to solve these problems, a novel weighted local standardization(WLS) strategy is proposed to standardize the multimodal data, which can eliminate the multi-mode characteristics of the collected data, and normalize them into unimodal data distribution. After detailed analysis of the raised data preprocessing strategy, a new algorithm using WLS strategy with support vector data description(SVDD) is put forward to apply for multi-mode monitoring process. Unlike the strategy of building multiple local models, the developed method only contains a model without the prior knowledge of multi-mode process. To demonstrate the proposed method's validity, it is applied to a numerical example and a Tennessee Eastman(TE) process. Finally, the simulation results show that the WLS strategy is very effective to standardize multimodal data, and the WLS-SVDD monitoring method has great advantages over the traditional SVDD and PCA combined with a local standardization strategy(LNS-PCA) in multi-mode process monitoring.

Multimode Process Monitoring Based on the Density-Based Support Vector Data Description

Complex industry processes often need multiple operation modes to meet the change of production conditions. In the same mode,there are discrete samples belonging to this mode. Therefore,it is important to consider the samples which are sparse in the mode.To solve this issue,a new approach called density-based support vector data description( DBSVDD) is proposed. In this article,an algorithm using Gaussian mixture model( GMM) with the DBSVDD technique is proposed for process monitoring. The GMM method is used to obtain the center of each mode and determine the number of the modes. Considering the complexity of the data distribution and discrete samples in monitoring process,the DBSVDD is utilized for process monitoring. Finally,the validity and effectiveness of the DBSVDD method are illustrated through the Tennessee Eastman( TE) process.

基于DBSVDD-RVR的多模态间歇过程质量变量在线软测量

现有的多模态间歇过程软测量未考虑过程数据的批次差异及过渡模态的复杂时变特性,影响了间歇过程模态识别的合理性及质量变量在线软测量的准确性。提出了一种基于双边界支持向量数据描述-相关向量回归(double boundary support vector data description-relevance vector regression,DBSVDD-RVR)的间歇过程质量变量在线软测量方法。依据间歇过程离线模态划分获得的各稳定及过渡模态历史数据,建立DBSVDD在线模态识别模型,并引入滑动窗,构建间歇过程在线模态识别策略,利用DBSVDD模型实现在线测量数据的模态识别;在此基础上,构建了基于超球体距离的数据相似度计算方法,选择过渡模态在线数据的相似建模数据集,建立过渡模态的即时学习RVR软测量模型,并依据历史数据建立各稳定模态的RVR软测量模型,实现间歇过程质量变量的在线软测量。青霉素发酵过程的实验结果表明,所提方法有效地提高了间歇过程模态识别的合理性和质量变量在线软测量的准确性。

基于图滤波器和SVDD算法的分布式光伏集群发电异常检测研究

由于电网企业不断加快数字化转型,利用北斗定位技术将自动获取区域内光伏计量装置经纬度这一关键技术参数。文章充分利用分布式光伏集群内光伏发电装机位置空间相关性,提出一种在弱监督下基于图滤波与支持向量数据描述(support vector data description,SVDD)的分布式光伏集群发电异常检测方法。首先建立分布式光伏集群发电图数据结构模型,通过加权邻接矩阵描述分布式光伏发电点空间耦合性,其次构造图高通滤波器将时域参数转化为频域参数,然后通过SVDD算法优化图滤波结果,进一步挖掘图高通滤波器阈值与输出功率数据之间的关系。结果表明,采用图滤波器和SVDD算法模型方法在分布式光伏发电异常检测精度上有显著提高。

基于SVDD和改进K-Means的变压器故障诊断模型

变压器状态对于智能配电房的安全稳定运行具有重要意义。为实现对变压器故障的准确诊断,在变压器油中溶解气体分析(DGA)的基础上,提出了一种联合使用支持向量数据描述(SVDD)和改进K-Means聚类的变压器故障诊断方法。首先利用SVDD构造闭合分类曲面实现“正常”和“故障”两类判断,然后对“故障”类样本进行K-Means聚类分析,自动将其划分为低能放电、中低温过热、高能放电、高温过热和局部放电5种故障类型,同时针对K-Means初始聚类中心选取难题,提出局部密度概念自动确定K-Means初始聚类中心,提升聚类性能。最后利用变压器故障真实数据开展实验,结果表明,相较于支持向量机(SVM)和BP神经网络模型,所提方法的故障诊断准确率分别提升9.8%和8%。

基于MKMCC-DSVDD的航空发动机异常检测方法

为解决传统航空发动机异常检测方法准确率和泛化性能较低的问题,提出一种混合核最大相关熵的深度支持向量数据描述(mixed kernel maximum correntropy criterion-deep support vector data description,MKMCC-DSVDD)方法。首先,采用合成少数类过采样技术扩充异常样本规模,提高对非均衡样本的泛化性能;其次,建立基于混合核改进的最大相关熵损失函数,可以在无须数据分布假设的前提下提升准确率;最后,构建基于MKMCC-DSVDD的航空发动机异常检测方法。在航空发动机气路系统和滑油系统异常检测实验中,所提方法平均曲线下的面积(area under curve,AUC)达到98.53%,表明其具有较高的实用性和泛化性能。

利用跟踪轨迹特征和SVDD-SVM联合分类器的水下慢速小目标分类方法

针对蛙人、无人水下航行器(UUV)等慢速小目标分类识别所面临的小样本、类不平衡问题,提出了利用轨迹特征、支持向量数据描述(SVDD)与支持向量机(SVM)的联合分类方法。该方法将水下慢速小目标类型简化为蛙人、UUV、其他3类,利用跟踪轨迹特征设计多维特征量,构建SVDD-SVM联合分类器获得分类结果。具体为,针对小样本问题,采用参数维度小、训练数据量要求低的SVDD、SVM作为分类器的基本单元。针对类不平衡问题,使用2个并联的单分类SVDD和1个与两者串联的二分类SVM设计联合分类器,同时为联合分类器的输出设计投票机制保证分类结果的稳健性。实测数据处理结果表明,所提SVDD-SVM联合分类器对蛙人目标的平均召回率可达86%,平均精确率可达87%;对UUV目标的平均召回率可达85%,平均精确率可达86%。所提方法在小样本、类不平衡条件下具有优于传统方法的分类准确性和稳健性。

基于DK-SVDD的轮毂电机轴承状态识别方法

为了进一步提高电动汽车轮毂电机轴承状态识别技术的高效可靠性,提出一种基于双核支持向量数据描述(double kernel based support vector data description,简称DK-SVDD)的轮毂电机轴承状态识别方法。首先,针对轮毂电机轴承样本数据结构混杂致使SVDD识别率较低问题,通过一定的比例权重将径向基(radial basis function,简称RBF)核函数和高斯差分(difference of Gaussians,简称DOG)核函数结合构建DK核函数;其次,根据最优二叉树原理逐层设计状态识别分类器,并搭建DK-SVDD轮毂电机轴承状态识别模型,同时使用粒子群优化算法对模型参数寻优以提高DK-SVDD的学习能力和泛化能力;最后,基于轮毂电机轴承台架试验数据,验证所提方法的有效性和优越性。结果表明:针对轮毂电机轴承目标状态识别,DK-SVDD方法平均训练时间为0.0655 s,平均状态识别率为97.06%;与采用RBF或DOG核函数相比,DK-SVDD方法在多种工况下可以有效提高状态识别率并降低训练时间。

结合VMD符号熵与SVDD的滚动轴承性能退化评估

针对滚动轴承的早期故障难以检测的问题,提出了一种基于变模态分解(Variable mode decomposition,VMD)符号熵和支持向量数据描述(Support vector data description,SVDD)的滚动轴承性能退化评估模型。首先对振动信号进行VMD分解并提取各个分量符号熵,并采用双样本Z值对各个分量符号熵进行评价,选取双样本Z值最大的特征作为特征向量。特征提取完毕后,采用SVDD模型进行性能退化评估,使用全寿命数据进行模型的验证。实验结果表明,相比于排列熵特征提取方法以及模糊C均值聚类(Fuzzy c-means clustering,FCM)方法,该模型可以更好显示出滚动轴承性能退化规律。

基于优化核函数带宽SVDD的机械振动预警模型

基于高斯核函数的支持向量数据描述(SVDD),因其具有良好的异常检测性能,常被用于机械振动故障预警领域,但其性能的好坏受限于核函数带宽的取值是否适宜。为此,针对常规高斯核函数支持向量数据描述(SVDD)存在需要负类样本训练模型、计算量大、不收敛、不适用于小数值数据等问题,提出了一种不需要专家经验知识和负类样本训练SVDD超球体的优化核函数带宽计算方法,构建了基于优化SVDD核函数带宽的机械振动故障预警模型。首先,根据空间矩阵复杂度的信息熵,量化表征核函数带宽的取值对SVDD超球体的影响;然后,采用粒子群优化(PSO)算法寻找空间矩阵复杂度最大时对应的核函数带宽σ取值,实现了目标函数的快速收敛目的;综合考虑惩罚参数对SVDD超球体描述边界的影响,引入惩罚参数对寻优结果进行了修正,完成了对历史正常运行状态数据驱动的机械振动故障预警模型的构建任务;最后,应用辛辛那提大学智能维护中心轴承试验数据集等6项公开实验室数据和4项工程案例数据,对上述方法的实用性和可靠性进行了验证,并将其结果与采用常规方法所得结果进行了对比验证。研究结果表明:与常规方法相比,采用优化核函数带宽计算方法训练出的机械振动故障预警模型的合格率为100%,超球体描述边界拟合良好,并且不存在不收敛的问题。

多模态耦合特征子空间正则的SVDD

针对传统支持向量数据描述(SVDD)方法无法用于多模态数据异常检测的问题,提出一种新颖的用于处理多模态数据的SVDD方法.该方法将多模态数据通过投影矩阵映射到公共低维子空间,再利用多模态图正则SVDD来保持模态内与模态间的结构关系,同时利用稀疏投影矩阵正则SVDD来降低原始空间中的特征耦合影响.该方法称为耦合特征子空间正则的支持向量数据描述(CFSR-SVDD).实验结果表明,所提出的方法在精度和稳定性上具有更好的优势.

基于O-DAE和SVDD的汽轮机异常检测方法

在未标记且极不平衡的监测数据中进行异常检测是能源行业目前急需解决且最具挑战性的问题之一。由于自动编码器具有强大的高维数据分析能力,使用自动编码器进行异常检测变得越来越流行。基于O-DAE(优化的深度自编码器)和SVDD(支持向量数据描述),提出一种新的异常检测方法。首先,建立了一种样本筛选机制,用于去除未标记训练集中的异常样本,使得训练模型几乎不学习异常样本的特征。其次,以自编码器的隐藏特征和重构误差作为最终特征数据进行异常检测。最后,对不同结构的深度学习方法进行研究与比较,并对某汽轮机实际运行数据进行了实验,结合支持向量数据描述检测异常。与传统异常检测方法相比,该方法的异常检测精度提高了50%,能实现更灵敏鲁棒的汽轮机设备性能无监督异常检测。

一种新的代价敏感SVDD二类分类方法

为提升代价敏感分类性能,通过提升较高误分代价类别的学习精度来降低总误分代价,利用支持向量域描述(Support Vector D omain Description,SVDD)实现代价敏感分类,提出一种代价敏感SVDD二类分类方法CS-SVDD。该方法首先将单类SVDD拓展为二类分类SVDD,对不同类别分别构建SVDD超球体,通过误分类代价调节SVDD分类器对不同类别样本的分类精度,对误分代价高的类别进行更为精确的学习,从而降低总误分代价;对于处于两个超球体之外或覆盖区域的类别属性不明确的样本,以误分代价最小为原则定义代价敏感决策规则。在人工数据集和UCI数据集上与同类方法进行了实验比较,实验结果表明了所提方法的有效性。

基于SVDD的小麦净度检测方法研究

净度是种子质量的重要指标,可以直接影响作物的产量。由于种子杂质类型较多,传统方式二分类机器学习方法,易受建模杂质种类的限制,使得模型准确率降低。为实现种子净度自动化快速检测,本研究提出一种基于支持向量数据描述(SVDD)的小麦净度快速检测方法。利用工业相机获取小麦和麦壳、燕麦、大麦杂质的可见光图像,通过HALCON软件提取每粒样本的13种形态特征,借助皮尔逊相关性分析,筛选有效特征。在此基础上,分别利用SVM算法以及SVDD算法构建小麦净度识别模型,并进行分类识别对比实验。实验结果表明:SVDD算法杂质数据可以不参与建模,识别准确率达到95%以上,结合种子千粒重快速计算种子净度,在杂质数量占比20%时,检测误差为3.2%。基于SVDD的小麦净度检测方法,可以实现对小麦和多种杂质的快速分类,实现对小麦净度快速检测。

基于KECA和BO-SVDD的滚动轴承早期故障检测

为了实现更早地检测出滚动轴承发生故障,提出一种基于核熵成分分析(KECA)和贝叶斯优化(BO)算法优化支持向量数据描述(SVDD)的滚动轴承早期故障检测方法。提取轴承振动信号的时域、频域特征以及小波包分解节点能量特征,组成多维特征矩阵;利用KECA对多维特征矩阵进行降维处理,进而提取有效特征;最后,选取轴承正常状态的特征指标训练模型,利用BO算法确定SVDD的惩罚因子和核宽度,进而得到早期故障检测模型。利用该模型对XJTU-SY数据集中不同工况下的轴承进行早期故障检测,结果表明:KECA能够有效地提取特征信息,减少冗余信息的干扰;该模型整体上能够较早检测出故障的发生,并且有较好的鲁棒性和泛化能力。

面向大规模数据的SVDD在线学习算法

针对支持向量数据描述(Support Vector Data Description,SVDD)在线学习时的支持向量数量随样本规模的扩大呈线性增加,进而导致模型更新时间呈非线性增长的问题,提出一种基于支持向量约减的支持向量数据描述(R-SVDD)在线学习方法。该算法通过执行支持向量约减,控制在线学习时的支持向量数量,从而使其具有比其他SVDD算法更快速且更稳定的模型更新时间,适合大规模数据的分类处理。首先阐述了支持向量约减的原理;进而给出了在线R-SVDD算法。在单分类和多分类数据集上的实验结果表明,R-SVDD算法相较于SVDD算法,能够在保持分类精度的基础上拥有更快的学习速度。

基于SVDD的减压直拔生产沥青的原油种类挖掘方法

减压直拔生产沥青是生产道路沥青的主要方式,其经济性与能效性具有显著优势,但该生产过程对其原油的选择通常依赖定性分析及历史经验,缺乏完备的理论数据支持。通过收集大量沥青生产成功案例,提取对应原油的物性数据并进行处理与分析,结合支持向量数据描述(SVDD)单值分类器特性,建立基于SVDD的减压直拔生产沥青的原油种类识别模型。基于该模型对中国石化原油数据库中273种原油进行数据挖掘与识别,最终得到46种适合通过减压直拔方式生产沥青的原油,并通过可行性分析明确了单值分类器在油品数据挖掘中的有效性,为炼化企业经营决策提供了理论支持,明确了生产沥青的原油选择空间,降低原油试错成本,提高沥青生产的可行性。

基于改进SVDD算法的网络数据流异常检测

利用常规方法检测网络数据流异常存在检测效率低的问题,为此提出基于改进支持向量数据描述(Support Vector Data Description,SVDD)算法的网络数据流异常检测方法。首先,选取一对一的构造方法将通信网络异常流量数据分为两个类别;其次,根据数据流的处理标准和需求,采用聚类分析技术构建监测模型;最后,通过改进SVDD流量异常检测模型对经过聚类特征提取的数据进行识别和检测。实验结果表明,该方法的检测准确率均高于97.5%,检测耗时较短,优于对照组。

基于VMD-SVDD的滚动轴承性能退化评估

针对滚动轴承性能退化初期趋势不明显和早期故障难以检测的问题,提出了一种基于新筛选指标的变分模态分解(variational modal decomposition,VMD)信号预处理与支持向量数据描述(support vector data description,SVDD)相结合的性能退化评估方法。首先对原始信号进行变分模态分解;其次在模态分量(intrinsic mode function,IMF)选择问题上提出了一个新的筛选指标P,该指标的计算公式由包络谱峭度和Wasserstein距离共同组成,选择P值大于阈值M的模态分量进行信号重构;最后提取重构信号的均方根值、波形因子、峰峰值3种特征构建表征轴承性能退化的特征向量,并以健康样本的退化特征向量作为输入建立SVDD性能退化评估模型,用全寿命样本特征向量进行验证。实验结果表明,此方法对早期故障更敏感,能够准确检测到早期故障。

基于SVDD及ARIMA融合模型的给水泵退化状态监测方法

给水泵的退化状态监测对相关工业生产的有序运行具有重要意义。文中提出了一种给水泵退化状态监测方法,通过评估设备的健康状况和性能对设备退化趋势进行预测。该方法包括数据采集、特征提取、安全域构建、退化表征、退化过程建模和退化趋势预测6个步骤。该方法使用最易获取的健康数据作为训练集来构建安全域模型,然后利用超空间中更好的特征提取能力对退化过程进行表征和预测,最后使用异常数据测试预测模型的性能。文中使用一组真实的给水泵工业监测数据进行验证,并提出了一种退化趋势预测的评价方法。该方法通过5个量化指标从退化表征和预测性能两个维度对退化状态监测效果进行评估。实验结果表明,该方法不但较好地反映了给水泵的实际退化,而且实现了高精度的退化趋势预测,为给水泵智能运维提供了可靠的决策依据。