本發(fā)明涉及故障診斷領(lǐng)域，尤其涉及一種基于相對(duì)核主元分析的鋁電解槽況故障診斷方法。

背景技術(shù)：
鋁電解槽是一個(gè)復(fù)雜的、特殊的冶金工業(yè)設(shè)備，因其受到槽內(nèi)電場(chǎng)、磁場(chǎng)、溫度場(chǎng)等多種物理場(chǎng)耦合影響，易出現(xiàn)陰極破損、電解質(zhì)漂浮碳渣、鋁液波動(dòng)等病槽和異常槽況現(xiàn)象。異常槽況如不能準(zhǔn)確及時(shí)地診斷并調(diào)整控制策略，將嚴(yán)重影響到電解槽的生產(chǎn)效率和使用壽命。但是，由于鋁電解槽的狀態(tài)參數(shù)較多，測(cè)量值不易采集，參數(shù)間呈現(xiàn)出非線性、強(qiáng)耦合性特性，給鋁電解槽故障診斷帶來很大困難。因此，鋁電解槽況診斷一直以來都是工業(yè)控制領(lǐng)域研究的熱點(diǎn)、難點(diǎn)。在現(xiàn)有的槽況診斷方法中，主元分析(PrincipalComponentAnalysis，PCA)可以將鋁電解高維的變量轉(zhuǎn)換成低維主元進(jìn)行槽況診斷，在保留原始數(shù)據(jù)信息的同時(shí)，利用少數(shù)幾個(gè)相對(duì)獨(dú)立的變量進(jìn)行診斷，大大減少計(jì)算工作量，因此被廣泛應(yīng)用于槽況診斷中。但是，該方法在對(duì)原始矩陣進(jìn)行標(biāo)準(zhǔn)化處理后，協(xié)方差矩陣的特征值大小近似相等，即原始的隨機(jī)矩陣在幾何上出現(xiàn)分布“均勻”的現(xiàn)象，很難提取到具有代表性的主元。中國(guó)專利申請(qǐng)文件“用于鋁電解槽況故障診斷的優(yōu)化權(quán)重相對(duì)主元分析方法”(公開號(hào)：CN103952724A)提出了一種優(yōu)化權(quán)重的相對(duì)主元分析方法來進(jìn)行鋁電解槽故障診斷，能夠利用遺傳算法產(chǎn)生一個(gè)最優(yōu)的相對(duì)轉(zhuǎn)換矩陣，通過相對(duì)化處理，將“均勻”分布的量突顯出來，以便更好地提取出具有代表性的主元，從而提高鋁電解槽況故障診斷的精確度，但是該方法并沒有考慮到鋁電解槽狀態(tài)參數(shù)的非線性特性，對(duì)于實(shí)際應(yīng)用而言并不是最有效的方法?，F(xiàn)有技術(shù)的缺陷是：沒有考慮到鋁電解槽的狀態(tài)參數(shù)是非線性的特性，在實(shí)際的鋁電解故障診斷中的精確度還有待提高。參考文獻(xiàn)：[1]文成林,胡靜,王天真,等.相對(duì)主元分析及其在數(shù)據(jù)壓縮和故障診斷中的應(yīng)用研究[J].自動(dòng)化學(xué)報(bào),2008,34(9):1128-1139.

技術(shù)實(shí)現(xiàn)要素：
本發(fā)明的主要目的是，提供一種基于特征子空間優(yōu)化相對(duì)矩陣的鋁電解槽況診斷方法，充分考慮鋁電解槽狀態(tài)參數(shù)的非線性特性，結(jié)合相對(duì)主元分析方法，提高鋁電解槽況故障診斷的精確度。為了實(shí)現(xiàn)上述目的，本發(fā)明表述了一種基于特征子空間優(yōu)化相對(duì)矩陣的鋁電解槽況診斷方法，其關(guān)鍵在于：包括下列步驟：步驟一，采集原始測(cè)量樣本集，對(duì)該原始測(cè)量樣本集進(jìn)行預(yù)處理后投影到核空間，包括：第一步：隨機(jī)采集n組鋁電解槽況數(shù)據(jù)組成原始測(cè)量樣本集每個(gè)樣本含有m個(gè)獨(dú)立的鋁電解槽況參數(shù)采樣值；第二步：對(duì)原始測(cè)量樣本集X0進(jìn)行標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)化后樣本矩陣X；標(biāo)準(zhǔn)化處理的目的主要是為了消除量綱不同帶來的虛假變異影響，影響主元的選取。標(biāo)準(zhǔn)化處理的具體內(nèi)容可參見參考文獻(xiàn)[1]。第三步：利用核函數(shù)，將標(biāo)準(zhǔn)化后樣本矩陣X投影到高維特征空間后得到矩陣K0；核函數(shù)的種類較多，常用的核函數(shù)有：高斯核函數(shù)：多項(xiàng)式核函數(shù)：K(x,xi)＝(x·xi+c)d,d＝1,2,L,N感知器核函數(shù)：K(x,xi)＝tanh(β·xi+b)投影到高維特征空間后，非線性的樣本矩陣X變?yōu)榫€性矩陣K0，便于進(jìn)行相對(duì)主元分析。第四步：對(duì)矩陣K0進(jìn)行中心化處理，得到中心化矩陣K，中心化處理按下式進(jìn)行：K＝K0-InK0-K0In+InK0In其中，步驟二，對(duì)中心化矩陣K進(jìn)行相對(duì)主元分析，建立鋁電解槽況診斷模型，并對(duì)鋁電解槽況進(jìn)行診斷，包括：第一步：在[0,50)范圍內(nèi)隨機(jī)產(chǎn)生相對(duì)轉(zhuǎn)換矩陣Λ，所述相對(duì)轉(zhuǎn)換矩陣Λ為對(duì)角矩陣：即在所述相對(duì)轉(zhuǎn)換矩陣中，λi的取值范圍為[0,50)，其中，i＝1，2，…，m。第二步：對(duì)中心化矩陣K進(jìn)行相對(duì)化轉(zhuǎn)換，得到相對(duì)化樣本矩陣KR＝K·Λ，即：相對(duì)化處理能夠?qū)ⅰ熬鶆颉狈植嫉牧客伙@出來，便于在主元分析中提取到具有代表性的主元。第三步：對(duì)KR進(jìn)行主元分析，計(jì)算檢驗(yàn)統(tǒng)計(jì)量及對(duì)應(yīng)控制限實(shí)現(xiàn)對(duì)鋁電解槽況的診斷；檢驗(yàn)統(tǒng)計(jì)量按下式計(jì)算：其中，SPE和SPE0分別表示SPE檢驗(yàn)統(tǒng)計(jì)量和對(duì)應(yīng)的控制限；T2和分別表示T2檢驗(yàn)統(tǒng)計(jì)量和對(duì)應(yīng)的控制限；若則認(rèn)為鋁電解槽況正常；若則認(rèn)為鋁電解槽況異常。由于在工業(yè)過程監(jiān)測(cè)中，利用T2與SPE進(jìn)行故障診斷時(shí)，均會(huì)出現(xiàn)一定程度上的誤報(bào)與漏報(bào)的情況，且兩個(gè)統(tǒng)計(jì)量使用較為繁瑣，因此，在實(shí)際應(yīng)用時(shí)，運(yùn)用一個(gè)合成指標(biāo)將使得故障診斷更加簡(jiǎn)單方便。第四步：統(tǒng)計(jì)鋁電解槽況診斷情況，記錄診斷錯(cuò)誤的樣本點(diǎn)個(gè)數(shù)q，按下式計(jì)算漏檢率C：步驟三，通過細(xì)菌覓食算法(BacterialForagingOptimizationalgorithm，BFO)在搜索區(qū)域內(nèi)尋得最優(yōu)相對(duì)轉(zhuǎn)換矩陣，具體包括以下步驟：第一步：初始化細(xì)菌覓食算法相關(guān)參數(shù)：細(xì)菌群體大小BIOsize＝50，趨向次數(shù)Nc＝100，趨向行為執(zhí)行中前進(jìn)次數(shù)NS＝4，繁殖次數(shù)Nre＝6，驅(qū)散次數(shù)Ned＝4，執(zhí)行驅(qū)散行為的概率Ped＝0.25；第二步：將診斷模型中的漏檢率C作為評(píng)價(jià)函數(shù)，利用細(xì)菌覓食算法在給定范圍內(nèi)優(yōu)化相對(duì)轉(zhuǎn)換矩陣，當(dāng)漏檢率到達(dá)最低時(shí)，得到的相對(duì)轉(zhuǎn)換矩陣即為最優(yōu)；BFO算法具有構(gòu)造簡(jiǎn)單、易于理解、極易跳出局部極小值等優(yōu)點(diǎn)。BFO算法可以通過四個(gè)尋優(yōu)過程完成優(yōu)化問題，即趨向、群聚、繁殖和驅(qū)散。步驟四，按步驟二所述方法，利用最優(yōu)相對(duì)轉(zhuǎn)換矩陣建立鋁電解槽況診斷模型，實(shí)現(xiàn)對(duì)鋁電解槽況的準(zhǔn)確診斷。鋁電解實(shí)際生產(chǎn)中，影響槽況的參數(shù)較多、參數(shù)間相關(guān)性強(qiáng)，且不易測(cè)量。在綜合考慮現(xiàn)場(chǎng)實(shí)際參數(shù)的測(cè)量難度后，所述鋁電解槽況參數(shù)可選為：系列電流、NB次數(shù)、分子比、出鋁量、鋁水平、電解質(zhì)水平、槽溫、槽電壓。本發(fā)明的有益效果是：充分考慮鋁電解槽況非線性的特性，在相對(duì)主元分析方法的基礎(chǔ)上引入核函數(shù)，將非線性空間內(nèi)參數(shù)投影到高維線性特征空間內(nèi)，借助細(xì)菌覓食算法對(duì)核空間內(nèi)隨機(jī)產(chǎn)生的相對(duì)轉(zhuǎn)換矩陣進(jìn)行優(yōu)化，尋得最優(yōu)相對(duì)轉(zhuǎn)換矩陣，有效提取具有代表性的主元，運(yùn)用檢驗(yàn)進(jìn)行故障診斷，大大提高了鋁電解槽況故障診斷的精確度。附圖說明圖1為本發(fā)明的流程圖；圖2為利用BFO算法實(shí)現(xiàn)相對(duì)轉(zhuǎn)換矩陣的最優(yōu)化的流程圖；圖3為實(shí)施例中優(yōu)化前主元分析中的檢測(cè)圖；圖4為實(shí)施例中投影后相對(duì)主元分析中的檢測(cè)圖；圖5為實(shí)施例中投影后優(yōu)化相對(duì)主元分析中的檢測(cè)圖。具體實(shí)施方式下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明做進(jìn)一步詳細(xì)說明。實(shí)施例1：如圖1所示，一種基于特征子空間優(yōu)化相對(duì)矩陣的鋁電解槽況診斷方法，包括下列步驟：步驟一，采集原始測(cè)量樣本集，對(duì)該原始測(cè)量樣本集進(jìn)行預(yù)處理后投影到核空間，包括：第一步：隨機(jī)采集n組鋁電解槽況數(shù)據(jù)組成原始測(cè)量樣本集每個(gè)樣本含有m個(gè)獨(dú)立的鋁電解槽況參數(shù)采樣值；第二步：對(duì)原始測(cè)量樣本集X0進(jìn)行標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)化后樣本矩陣X；第三步：利用核函數(shù)，將標(biāo)準(zhǔn)化后樣本矩陣X投影到高維特征空間后得到矩陣K0；第四步：對(duì)矩陣K0進(jìn)行中心化處理，得到中心化矩陣K，中心化處理按下式進(jìn)行：K＝K0-InK0-K0In+InK0In其中，步驟二，對(duì)中心化矩陣K進(jìn)行相對(duì)主元分析，建立鋁電解槽況診斷模型，并對(duì)鋁電解槽況進(jìn)行診斷，包括：第一步：在[0,50)范圍內(nèi)隨機(jī)產(chǎn)生相對(duì)轉(zhuǎn)換矩陣Λ，所述相對(duì)轉(zhuǎn)換矩陣Λ為對(duì)角矩陣：即在所述相對(duì)轉(zhuǎn)換矩陣中，λi的取值范圍為[0,50)，其中，i＝1，2，…，m。第二步：對(duì)中心化矩陣K進(jìn)行相對(duì)化轉(zhuǎn)換，得到相對(duì)化樣本矩陣KR＝K·Λ，即：第三步：對(duì)KR進(jìn)行主元分析，計(jì)算檢驗(yàn)統(tǒng)計(jì)量及對(duì)應(yīng)控制限實(shí)現(xiàn)對(duì)鋁電解槽況的診斷；檢驗(yàn)統(tǒng)計(jì)量按下式計(jì)算：其中，SPE和SPE0分別表示SPE檢驗(yàn)統(tǒng)計(jì)量和對(duì)應(yīng)的控制限；T2和分別表示T2檢驗(yàn)統(tǒng)計(jì)量和對(duì)應(yīng)的控制限；若則認(rèn)為鋁電解槽況正常；若則認(rèn)為鋁電解槽況異常。第四步：統(tǒng)計(jì)鋁電解槽況診斷情況，記錄診斷錯(cuò)誤的樣本點(diǎn)個(gè)數(shù)q，按下式計(jì)算漏檢率C：步驟三，通過細(xì)菌覓食算法在搜索區(qū)域內(nèi)尋得最優(yōu)相對(duì)轉(zhuǎn)換矩陣，具體包括以下步驟：第一步：初始化細(xì)菌覓食算法相關(guān)參數(shù)：細(xì)菌群體大小BIOsize＝50，趨向次數(shù)Nc＝100，趨向行為執(zhí)行中前進(jìn)次數(shù)NS＝4，繁殖次數(shù)Nre＝6，驅(qū)散次數(shù)Ned＝4，執(zhí)行驅(qū)散行為的概率Ped＝0.25；第二步：將診斷模型中的漏檢率C作為評(píng)價(jià)函數(shù)，利用細(xì)菌覓食算法在給定范圍內(nèi)優(yōu)化相對(duì)轉(zhuǎn)換矩陣，當(dāng)漏檢率到達(dá)最低時(shí)，得到的相對(duì)轉(zhuǎn)換矩陣即為最優(yōu)；利用BFO算法實(shí)現(xiàn)相對(duì)轉(zhuǎn)換矩陣的最優(yōu)化如圖2所示。步驟四，按步驟二所述方法，利用最優(yōu)相對(duì)轉(zhuǎn)換矩陣建立鋁電解槽況診斷模型，實(shí)現(xiàn)對(duì)鋁電解槽況的準(zhǔn)確診斷。本實(shí)施例中，n＝500，m＝8；即共采集500組鋁電解槽況數(shù)據(jù)，每個(gè)樣本中含有8個(gè)獨(dú)立的槽況數(shù)據(jù)采樣值。8個(gè)獨(dú)立的槽況參數(shù)分別為：系列電流、NB次數(shù)、分子比、出鋁量、鋁水平、電解質(zhì)水平、槽溫、槽電壓。表1給出了500組鋁電解槽況數(shù)據(jù)。本實(shí)施例中，核函數(shù)采用高斯核函數(shù)。表1電解槽樣本數(shù)據(jù)樣本編號(hào)12……500系列電流/A17191719……1746NB次數(shù)695728……646分子比2.562.54……2.54出鋁量/kg12601210……1260鋁水平/cm19.516.5……17電解質(zhì)水平1823……16槽溫/℃936940……939槽電/c壓m/mV36543638……3606表2優(yōu)化前后漏檢率統(tǒng)計(jì)表圖3、圖4、圖5分別給出了采用主元分析、投影到核空間進(jìn)行相對(duì)主元分析以及投影到核空間后優(yōu)化相對(duì)主元分析三種方法對(duì)表1的電解槽樣本數(shù)據(jù)進(jìn)行槽況診斷的檢測(cè)圖，表2列出了三種方法的漏檢率?？梢钥闯?，投影到核空間進(jìn)行相對(duì)主元分析相比單純的主元分析，漏檢率明顯降低；而三種方法中漏檢率最低的是投影到核空間后優(yōu)化相對(duì)主元分析，即本實(shí)施例采用的方法。表3三種優(yōu)化算法的迭代次數(shù)細(xì)菌覓食法遺傳算法粒子群優(yōu)化算法367051表3分別列出了采用細(xì)菌覓食法、遺傳算法、粒子群優(yōu)化算法優(yōu)化相對(duì)轉(zhuǎn)換矩陣時(shí)的迭代次數(shù)?？梢钥闯?，細(xì)菌覓食法相比其他兩種常用的優(yōu)化算法而言，迭代次數(shù)更少，收斂速度更快。