[0036] 如图1所示，一种改进粒子群优化支持向量机的精馏塔故障诊断方法，该方法具体包括以下步骤：
[0037] 步骤1：粒子群初始值的设定，给定输入数据X＝{X1,...,Xn}和学习目标y＝{y1,...,yn}均来源于精馏塔故障数据，其中Tmax为最大的迭代次数为300，设定w为惯性权值0.9，加速因子c1为1.6，加速因子c2为1.5，Vmax初始最大设定速度为120，Xmax为初始最大设定位置为180。给定参数C,σ的范围[0,100]，C是惩罚系数，σ是选择RBF函数(K(xi,xj)＝exp(||
2 2
xi‑xj|| /σ))作为kernel后，该函数自带的一个参数，i＝1,2，...n，j＝1,2，...n，xi＝[x1,...,xn]∈X表示其中输入数据的每个样本包含的多个特征量空间，xj＝[x1,...,xn]∈X表示其中输入数据的每个样本包含的多个特征量空间。
[0038] 步骤2：随机产生粒子的位置与速度，根据适应度函数评价每个微粒的适应值，通过比较支持向量机模型的实际值与目标输出结果之间的一个比较。
[0039] 步骤3：根据以下公式更新速度和位置。
[0040] 假设种群规模为N，在迭代时刻t，在高维空间中，每个粒子的坐标位置为速度为 两者在t+1刻时可以按如下公式更新速度和位置：
[0041] vid(t+1)＝vid(t)+c1r1(pid‑xid(t))+c2r2(pgd‑xid(t))
[0042] xid(t+1)＝xid(t)+vid(t+1)
[0043]
[0044] 式中，i＝1,2，...n，为第i个粒子；d＝1,2,...m，为第d维；Vmax为初始最大速度，Vid关于时间t的一个速度变量，e表示为在模型的设定的最大的允许变化的范围。
[0045] 该算法需要判断当前速度与速度极限值之间的一个变化量是否小于设定的最大的允许变化范围内，是的话将当前速度值赋予速度极限值，否的话将速度极限值赋予当前速度值。
[0046] 步骤4：检查是否满足终止条件，如果满足就结束寻找，不满足再返回步骤2重新计算。
[0047] 步骤5：得到优化的支持向量机的参数，建立改进粒子群优化支持向量机模型。
[0048] 步骤6：将步骤5得到的参数带入到支持向量机中。
[0049] 支持向量机区分类别的最优化公式：
[0050]
[0051] 式中，j＝1,...,k；wj为第j个样本的超平面法向量，C为惩罚因子，ξ为松弛变量。
[0052] 约束条件：
[0053]
[0054]
[0055]
[0056] 式中，Φ：X→H的一个映射函数，X为输入的精馏塔故障数据，H为希尔伯特空间，b为截距常量，yt表示t时刻学习目标为二元变量y＝{‑1,1}之一。其中，核函数选择K(xi,xj)2 2
＝exp(||xi‑xj||/σ)
[0057] 式中，i＝1,2，...n，j＝1,2，...n，xi＝[x1,...,xn]∈X表示其中输入数据的每个样本包含的多个特征量空间，xj＝[x1,...,xn]∈X表示其中输入数据的每个样本包含的多个特征量空间。
[0058] 根据如上内容，本实施所提供的一种改进粒子群优化支持向量机的精馏塔故障诊断方法，有效的改善了一开始在速度极限值选择上过大或过小而引起的陷入局部最优等的问题，提高支持向量机的分类精度和粒子的平均适应度。
[0059] 为验证上述改进粒子群优化支持向量机优化算法的正确性和有效性，本发明进行了仿真验证，与基本粒子群优化支持向量机和支持向量机在参数选择和分来精度上进行了对比。本实验研究的数据来自某化工厂空分制氮过程的现场采样数据。对于表3故障F1，F2，F3构造出两个二类分类器。第一个二类分类器选取150组F2故障和150组包含F1和F3的故障，其中设置F2故障为1，F1和F3故障为‑1进行仿真研究。第二个二类分类器选取150组F1故障和150组F3故障，其中设置F1故障为1，F3故障为‑1进行仿真研究。同个分类器中的故障混合后，取前150组作为训练数据，余下的数据作为测试数据。分别采用SVM和基本PSO‑SVM以及改进的PSO‑SVM进行测试。
[0060] 表1第一个二类分类器三种算法的分类精度表
[0061] 类别1 C σ 训练精度％ 测试精度％SVM 1.3195 0.7579 84 88.67
基本PSO‑SVM 92.1387 1.8484 100 89.33
改进PSO‑SVM 25.4187 3.4747 100 90.00
[0062] 表2第二个二类分类器三种算法的分类精度表
[0063] 类别1 C σ 训练精度％ 测试精度％SVM 0.0474 2.2974 100 93.33
基本PSO‑SVM 12.5007 0.0100 100 94.67
改进PSO‑SVM 16.9218 0.0100 100 98.67
[0064] 从表1、表2可知，在第一个和第二个分类器上三种算法的训练精度大致相同，但在测试精度上改进的PSO‑SVM算法精确度最高，由图2和图3也可以看出改进的PSO‑SVM与基本PSO‑SVM最佳适应度相似，但平均适应度上改进的PSO‑SVM比基本PSO‑SVM的适应度提高5‑10左右，说明该算法在该化工厂故障分析中有其存在的实际作用。
[0065] 通过仿真结果显示，基于改进的粒子群优化支持向量机算法能够较优的选取最终的支持向量机参数，在故障诊断中的精确度相比于前两种方法有明显的提高，研究成果有一定的可行性，在工程应用中有发展的可能性。
[0066] 表3精馏塔常见故障现象表
[0067]序号 单位
F1 下塔液泛
F2 再沸器功能故障
F3 回流阀故障
F4 上塔液泛
F5 液氧液面变化
F6 工作周期变化
F7 进料温度变化
