张海刚等：基于全局优化支持向量机的多类别高炉故障诊断 ·45· 据中最主要的元素和结构，能够消除特征参数间的冗 0.45 余以及噪声对特征参数的干扰，将原有的复杂数据降 0.40 维，把众多指标转化为少数几个综合指标，同时保留甚 0.35 至强化了该数据的主要特征，揭示了隐藏在复杂数据 ÷0.30 0.25 背后的简单结构，从而使数据更容易处理 0.20 在整个诊断系统中，假设c=(c,c2,…,cn)是n个 0.15 最小二乘支持向量机二元分类器的惩罚系数，c:被限 0.10 定在{2°，2，…，20}；0=(01,02，…，0。，c)是n+ 0.05 ☑ 1个径向基核函数的宽度参数，σ，被限定在123,22， 第一主元 第二主元第三主元其他主元 …,2}:f={∫，…∫m}是m个特征参数的特征选择 主成分变量 集∫=1表示第i个参数被选中，∫=0表示第i个参 图4核主成分分析仿真结果 Fig.4 Simulation results of the KPCA method 数未被选中.组合上述参数集，形成一个混合向量H =(c,σ，)，需运用变尺度离散粒子群优化方法对其进 1000 行优化 800 -Cz 适应度函数是系统总体表现的衡量标准，根据系 =G, 统的训练准确率、支持向量的数量和参数选择的个数 600 评判每个粒子表现的优劣.现设定如下形式的适应度 中图 400 函数： ines=4)[只言(a>0)]广. 200 50100150200250 300 [片豆>0]： (23) 变尺度离散粒子群优化方法迭代次数 式中，f(A-.)表示对训练集的数据运用n重交叉检 图5惩罚因子优化过程 Fig.5 Optimization process of penalty factor 验的平均正确率，言N(“>0)表示支持向量在所 40 —0 有训练样本中占的比例，品三N(>0)表示速中的 3.5 30 特征参数在所有参数中占的比例. 2.5 3实验仿真 20 1.5 为了检验本文提出的基于全局优化支持向量机的 多类别故障诊断方法，选取宝钢高炉生产过程中具有 代表性的500组炉况数据，其中正常炉况数据200组， 0.5 悬料、崩料和管道行程异常炉况各100组，利用其中 50 100150200 250 300 400组数据作为训练样本，剩余100组作为测试样本. 变尺度离散粒子群优化方法迭代次数 在故障检测模型中，我们提取高炉特征数据N= 图6宽度参数优化过程 (F,E).该特征数据含有15维特征，采用核主成分分 Fig.6 Optimization process of width parameter 析方法对其进行降维处理.图4展示了核主成分分析 法在粒子寻优的初期具有极大的搜索范围，粒子的变 方法的仿真结果图.从图中可以看到每个主元所代表 异性能够有效地防止粒子陷入局部极值，在搜索的后 数据特征的比重.我们提取前三个主元所代表的特征 期，该算法能够在小范围内对最优值进行调整，最终得 数据作为模型的输人.前三个主元代表了95.5%的特 到的最优参数如表3所示 征属性，能够满足模型的要求. 表3最优参数值 设置变尺度离散粒子群优化方法最大迭代次数为 Table 3 Optimal parameters 300次，最小二乘支持向量机分类器的惩罚因子= 参量 LS-SVM LS-SVM2 LS-SVM2 KPCA (c1,c2,c3)和径向基核函数的宽度参数0=(01,02， O3,·xc)的自寻优过程分别如图5和图6所示. 127 74 38 3.135 由图5和图6可以看出变尺度离散粒子群优化方 0.367 1.544 1.735张海刚等: 基于全局优化支持向量机的多类别高炉故障诊断 据中最主要的元素和结构,能够消除特征参数间的冗 余以及噪声对特征参数的干扰,将原有的复杂数据降 维,把众多指标转化为少数几个综合指标,同时保留甚 至强化了该数据的主要特征,揭示了隐藏在复杂数据 背后的简单结构,从而使数据更容易处理. 在整个诊断系统中,假设 c = (c1 ,c2 ,…,cn )是 n 个 最小二乘支持向量机二元分类器的惩罚系数,ci 被限 定在{2 0 ,2 1 ,…,2 10 };滓 = (滓1 ,滓2 ,…,滓n ,滓KPCA )是 n + 1 个径向基核函数的宽度参数,滓i 被限定在{2 - 3 ,2 - 2 , …,2 5 };f = {f 1 ,f 2 ,…,fm }是 m 个特征参数的特征选择 集,f i = 1 表示第 i 个参数被选中,f i = 0 表示第 i 个参 数未被选中. 组合上述参数集,形成一个混合向量 H = (c,滓,f),需运用变尺度离散粒子群优化方法对其进 行优化. 适应度函数是系统总体表现的衡量标准,根据系 统的训练准确率、支持向量的数量和参数选择的个数 评判每个粒子表现的优劣. 现设定如下形式的适应度 函数: fitness = f(Atest - n ) [ 1 N 移 N i = 1 N(琢i > 0) ] - 1 [ · 1 m 移 m i = 1 N(f i > 0) ] - 1 . (23) 式中,f(Atest - n )表示对训练集的数据运用 n 重交叉检 验的平均正确率, 1 N 移 N i = 1 N(琢i > 0)表示支持向量在所 有训练样本中占的比例, 1 m 移 m i = 1 N( f i > 0)表示选中的 特征参数在所有参数中占的比例. 3 实验仿真 为了检验本文提出的基于全局优化支持向量机的 多类别故障诊断方法,选取宝钢高炉生产过程中具有 代表性的 500 组炉况数据,其中正常炉况数据 200 组, 悬料、崩料和管道行程异常炉况各 100 组,利用其中 400 组数据作为训练样本,剩余 100 组作为测试样本. 在故障检测模型中,我们提取高炉特征数据 IN = (F,E). 该特征数据含有 15 维特征,采用核主成分分 析方法对其进行降维处理. 图 4 展示了核主成分分析 方法的仿真结果图. 从图中可以看到每个主元所代表 数据特征的比重. 我们提取前三个主元所代表的特征 数据作为模型的输入. 前三个主元代表了 95郾 5% 的特 征属性,能够满足模型的要求. 设置变尺度离散粒子群优化方法最大迭代次数为 300 次,最小二乘支持向量机分类器的惩罚因子 c = (c1 ,c2 ,c3 )和径向基核函数的宽度参数 滓 = (滓1 ,滓2 , 滓3 ,滓KPCA )的自寻优过程分别如图 5 和图 6 所示. 由图 5 和图 6 可以看出变尺度离散粒子群优化方 图 4 核主成分分析仿真结果 Fig. 4 Simulation results of the KPCA method 图 5 惩罚因子优化过程 Fig. 5 Optimization process of penalty factor 图 6 宽度参数优化过程 Fig. 6 Optimization process of width parameter 法在粒子寻优的初期具有极大的搜索范围,粒子的变 异性能够有效地防止粒子陷入局部极值,在搜索的后 期,该算法能够在小范围内对最优值进行调整,最终得 到的最优参数如表 3 所示. 表 3 最优参数值 Table 3 Optimal parameters 参量 LS鄄SVM1 LS鄄SVM2 LS鄄SVM3 KPCA c 127 74 38 — 滓 3郾 135 0郾 367 1郾 544 1郾 735 ·45·