基于支持向量机的工业过程故障监控研究文献综述

3.1 基于统计理论的方法

Vapnik等人在上世纪创建了统计学习理论，1994年J.F. MacGregor 和T. Kourtl已经开始了将多元统计方法（以主元分析法（PCA）与部分最小方差（PLS）为代表）应用于连续型和间歇多变量的统计过程控制流程的尝试^[2]。主元分析法(PCA)是目前基于多元统计过程控制的故障诊断技术的核心，是基于原始数据空间，通过构造一组新的潜隐变量来降低原始数据空间的维数，再从新的映射空间抽取主要变化信息，提取统计特征，从而构成对原始数据空间特性的理解。主元分析法的基本思路是：寻找一组新变量来代替原变量，新变量是原变量的线性组合，个数要比原变量少，并且最大限度地携带原变量的有用信息，且新变量之间互不相关。这样消除了变量间的关联性，简化了原始过程特性分析的复杂程度。

3.2 基于信号分析的方法

随着传感器技术的发展我们可以获得系统变量在不同时刻的采样值组成的信号，基于信号分析的故障诊断技术就是利用各种信号分析技术提取信号时域和频域的变化，从而分析得到系统的运行状态^[1]。目前受到广泛关注的主要有小波变换、S变换和希尔伯特-黄变换。

3.3 基于定量知识的人工智能方法

机器学习法是人工智能的重要内容，主要分为神经网络和支持向量机^[3]。近年来,深度学习在各界迅速发展,在大量数据的支持下识别准确率得到了显著的提高,体现了其处理复杂识别任务的能力^[4]。人工神经网络的主要原理是利用大量的生产数据实现故障识别与分类的映射，然后将训练好的模型用于故障诊断^[1]。然而在设备生产过程中，一旦有故障产生，由于保护装置设备会采取相应的保护措施如停止运行，在这种情况下可用的问题类型样本数量就受到了限制，从而对类似算法的准确性造成影响^[5]。

近年来，研究人员提出了一种针对解决少量样本的机器学习问题，即支持向量机（Support Vector Maschine）。1971年，Vapnik和Chervonenkis提出了支持向量机的重要理论基础——VC维^[6]。1991-2001年间，Vapnik及其同事提出了支持向量机(SVM)的概念。J.Weston和C.Watkins 利用之前的 SVM 研究成果提出了K-Class 多分类算法，解决了多类划分问题。支持向量机是一种基于统计学习理论的机器学习方法，其目标是在得到样本有限的前提下得到最优的结果，而不依赖于样本趋于无穷大的前提^[7]。相比于之前人工神经网络的方法，支持向量机不但结构繁琐度低，而且也具有更强大的泛化本领。支持向量机最大的优势是它更适合于小样本决策，可以从少量的样本中发掘出尽量多的隐含知识，这对于那些故障样本极难获取的系统而言具有实际的应用价值。对于线性可分的数据可以通过直接构造一个最优超平面，将两类数据点正确分开，并使分开的两类数据点的超平面距离间隔最大，而对于线性不可分的数据，首先利用核函数将数据转化到高维空间，然后在该高维空间上进行线性处理。

4 支持向量机在故障诊断领域的应用

4.1 支持向量机对工业机械装置的故障诊断

当前研究人员正致力于SVM在各类场景的应用问题，许多年轻学者首先将目光投射在了对于机械装置的故障研究。任卫红结合蚁群算法与支持向量机方法对柴油机进行了故障诊断研究^[8]。方宇以支持向量机分类算法为基础，建立皮带机故障诊断模型，并采用一种利用差分进化思想改进的灰狼算法实现了模型优化^[10]。陈杰以柴油机为研究对象，结合参数分析法和小波包分析法，进行了基于支持向量机的声发射故障诊断技术研究^[11]。费娜采用不同的核函数及相关参数，基于实际数控磨床进行了提高分类准确性的相关研究^[12]。孟东基于生命二叉树的原理，结合支持向量机技术完成了对挖掘机故障诊断的研究^[13]。

4.2 支持向量机在流程工业中的应用

对于研究学者来说，化工过程的运行数据是很难获取的，因此设计一个根据真实化工过程的而设计的仿真模型很有意义^[3]。田纳西伊斯曼过程（Tenesseeensp;Eastman）是Downs等人基于Tenesseeensp;Eastman化学公司某实际化工生产过程提出的一个仿真系统，目的是为评价过程控制和监控方法提供一个现实的工业过程，其特点是过程变量多、变量关系复杂且连续系统中各单元间较强的相互作用，也正是这样的特点使其成为优化理论与实践研究中较为合适的研究对象，在各研究领域作为数据源得到广泛引用。通常来讲，研究人员会利用这些仿真数据对自己的算法模型进行测试并进一步优化，在有条件的情况下也会利用实际生产数据进行进一步验证。于清超利用核主元方法（KPCA）与简易向量机（SSVM）结合的方法，对TE数据进行仿真，并使用粒子群优化算法对参数选取进行优化，降低了故障诊断的错分率^[14]，Xin Gao与Jian Hou于2015年提出了一种改进的基于网格搜索（GS）与主元分析（PCA）的TE过程支持向量机故障诊断方法^[15]。文道松将特征矢量选择与核主元分析结合，在TE过程中得到了成功的应用^[6]。赵锋云以SVM为基础，提出一个新的缩减算法，对两个典型流程工业（TE过程和高炉冶炼过程）进行了大量的故障诊断实验^[16]。冯永浩提出了一种主元分析-局部保持投影改进算法，并通过微型啤酒生产装置数据进行仿真模拟，证明了所提出算法的有效性^[9]。

5 结论

工业过程中故障监测和诊断是保证工业过程安全、稳定运行的前提和基础。因此采用合适的故障诊断技术对提高工业生产效率、降低维护成本具有重大意义。

结合所读文献中的所提出的诊断方法与本次设计的具体要求，本次决定采用主元分析与支持向量机相结合的方法，首先对数据进行降维，然后利用支持向量机对数据进行聚类分析。鉴于设计中缺少实际工业流程的数据，因此决定利用TE虚拟流程中的相关数据对模型进行训练并检测模型准确度。

参考文献

[1] 李晗，萧德云.基于数据驱动的故障诊断方法综述[J].控制与决策，2011，26（1）：1-9

1. MacGregor J F, Kourti T．Statistical process control of multivariate processes[J]．Control Engineering Practice，1995，3(3)：403-414．
2. 黄剑.基于信息融合的TE过程故障诊断[D].沈阳：沈阳理工大学，2015.
3. 任浩, 屈剑锋, 柴毅,等. 深度学习在故障诊断领域中的研究现状与挑战[J]. 控制与决策, 2017, 32(8):1345-1358.
4. 张帆.基于主元分析法与支持向量机的轴承诊断系统设计与实现[D].北京：北京工业大学，2017.
5. 文道松.基于改进主元分析的工业过程故障检测与诊断[D].哈尔滨：哈尔滨工程大学，2011.
6. Vapnik V.统计学习理论的本质[M].张学工，译.北京:清华大学出版，2000
7. 任卫红. 基于LabVIEW和支持向量机的柴油机故障诊断研究[D]. 中北大学,2014.
8. 冯永浩.基于核主元分析的啤酒酿造过程故障诊断研究[D].哈尔滨：哈尔滨理工大学，2017.
9. 方宇.基于支持向量机的皮带机故障诊断与预测研究[D].徐州：中国矿业大学，2019.
10. 陈杰. 基于支持向量机的柴油机故障诊断技术研究[D]. 武汉：武汉理工大学,2012.