唐明珠，陽春華，桂衛華
中南大學信息科學與工程學院，湖南長沙

摘　　　要：針對氧化鋁蒸發過程樣本集中的類不平衡和故障難以實時檢測問題，提出線性權重遞減粒子群�泊鷥r敏感支持向量機故障檢測方法。深入分析氧化鋁蒸發過程機理，選擇合適輸入條件、操作參數、狀態參數作為代價敏感支持向量機的輸入向量，工況樣本類別作為其輸出。代價敏感支持向量機以較小化誤分類代價為目標，利用線性權重遞減粒子群優化代價敏感支持向量機核參數和誤分類代價參數。實驗結果表明所提出的方法能有效地提高故障識別率和減少平均誤分類代價。

關　鍵　詞：類不平衡樣本集；代價敏感支持向量機；粒子群；氧化鋁蒸發過程

１　引　言
近年來，現代冶金、化工等工業呈現向復雜化，大型化方向發展的新趨勢，這些大型復雜工業過程一方面無法完全依靠傳統方法建立精確的物理模型進行管理監控［１］，另一方面時刻產生大量反映過程運行機理和運行狀態的數據。由于實際需求和成本優化等因素的考慮，如何利用這些海量數據來滿足日益提的系統可靠性成為亟待解決的問題。基于數據驅動的故障診斷方法因可避免解析法要求詳細、準確的定量數學模型的缺點，已成為近年來熱門的研究領域［２～５］。但是復雜工業過程的樣本集中存在２個問題：①類不平衡問題，故障類樣本難于獲取，樣本集中故障類樣本占極少數，正常類樣本占絕大多數；②故障難以實時檢測問題，復雜工業過程工藝指標一般是離線檢測的，依據工藝指標作故障檢測存在滯后性，因此故障難以實時檢測。針對類不平衡問題，代價敏感元學習算法Ｍｅｔａｃｏｓｔ［６］通過修改訓練集中的樣本類標簽，改變訓練集中的樣本分布比例，再重新訓練模型，因該算法修改類標簽，改變了原始的樣本集，不適用解決復雜工業過程樣本集的類不平衡問題；代價敏感概率神經網絡［７］通過代價敏感機制將誤分類代價嵌入到貝葉斯決策中，分析了正常類樣本和故障類樣本在不同誤分類代價下的故障敏感性；代價敏感支持向量［８］將每個樣本嵌入不同的誤分類代價，并作為樣本中的一維，但在實際生產中很難獲取復雜工業過程每個樣本誤分類代價。文獻［９］提出了代價敏感支持向量機，但是由于核函數和誤分類代價參數的引入，核參數和誤分類代價參數的選擇直接影響代價敏感支持向量機的效果。目前交叉驗證是常用的核參數選擇方法。但是該方法耗時嚴重，而且是經驗上的較優值。而粒子群算法［１０］在解決大規模非線性的連續問題中具有更高的優化效率和更好的優化結果，因此可用粒子群優化核參數和誤分類代價參數。復雜工業過程的故障檢測可用工藝指標（如溶液的出口濃度）作為依據，針對出口濃度難以實時檢測問題，文獻［１１］提出了利用變異粒子群優化較小二乘支持向量機蒸發過程的軟測量方法，對該過程一種出口濃度進行預測；文獻［１２］提出了基于魯棒估計的氧化鋁蒸發過程數據協調方法，但要求樣本集符合正態分布。因氧化鋁蒸發過程出口有多個工藝指標，難以建立精確的解析模型。本文以氧化鋁蒸發過程為研究對象，針對樣本集中類不平衡問題和故障難以實時檢測問題，提出了線性權重遞減粒子群�泊鷥r敏感支持向量機（ＰＳＯ�玻茫营玻樱郑停┕收蠙z測方法。將氧化鋁蒸發過程的輸入條件、操作參數、狀態參數作為代價敏感支持向量機的輸入向量，工況樣本類別作為其的輸出變量，用粒子群算法優化核參數和誤分類代價參數，較后代價敏感支持向量機對類不平衡樣本集進行故障檢測。實驗結果表明將所提出的方法應用于氧化鋁蒸發過程樣本集，驗證了該方法的有效性。

登錄網站后可下載文件