專利名稱：基于模糊核函數(shù)支持向量機的空氣預熱器熱點檢測方法
技術領域：
本發(fā)明屬于工業(yè)自動檢測技術領域，涉及一種工業(yè)過程檢測的方法，尤其是涉及一種基于模糊核函數(shù)支持向量機的空氣預熱器熱點檢測方法。
背景技術：
電站鍋爐空預器是利用鍋爐的排煙余熱加熱空氣的熱交換器。當空預器受熱面上積存的過量燃料(包括碳黑和油滴)經氧化升溫，達到著火溫度就會導致空預器本身的燃燒事故?？疹A器燃燒有兩個條件1.受熱面上積存有燃料；2.空預器內空氣、煙氣流速低或不均勻，導致散熱條件變差。當沒有燃燒或部分燃燒的燃料，特別是霧化不良的油氣凝聚在空預器的傳熱部件上，溫度升高到350℃左右時，沉積物會被烘干并點著。由于著火初期范圍較小，很難被發(fā)現(xiàn)，當元件溫度繼續(xù)上升至700℃時，就足以導致鋼制蓄熱元件及整個空預器起火，從而影響整個機組的正常運行。這種燃燒被稱為空預器的再燃燒(又稱二次燃燒)。由于空預器從發(fā)生再燃燒，到造成火災是一個緩慢發(fā)展過程，它要經歷碳黑及油滴的氧化反應到自燃，從一個波紋板箱的燃燒蔓延至相鄰波紋板箱，并不斷擴大這樣一個過程，這個過程往往需要好幾個小時。由此可見，只要能在空預器發(fā)生再燃燒的早期做出準確判斷，并及時采取有效措施，空預器再燃燒造成的火災損失是可以控制在很小程度內的，因此有必要采用著火探測裝置，提早采取有效的防火措施。目前國內外已經先后研制出空預器熱點檢測系統(tǒng)并已投入使用。這些檢測系統(tǒng)均采用紅外傳感器或熱電偶作為測溫元件，將測到的溫度值與事先設定的報警閾值相比較，從而判斷是否有火情發(fā)生。但是報警閾值的設定過多的依賴于經驗和現(xiàn)場工況，容易發(fā)生漏報和誤報。同時也有文獻將神經網絡應用于火災信號的檢測中，并取得了滿意的結果。但是在實際應用中，神經網絡的結構過于復雜，需要估計的參數(shù)相對于較少的數(shù)據(jù)樣本顯得太多，導致所得到的神經網絡模型對數(shù)據(jù)過學習，泛化能力不夠，探測精度不高。另外神經網絡的結構難以選擇也限制了它的應用。
統(tǒng)計學習理論是(Statistical learning theory，SLT)由Vapnik建立的一種專門研究小樣本情況下機器學習規(guī)律的理論，支持向量機(Support vectormachines，SVM)是在這一理論基礎上發(fā)展起來的一種新的分類和回歸的工具。支持向量機通過結構風險最小化原理來提高泛化能力，較好的解決了小樣本、非線性、高維數(shù)、局部極小點等實際問題。文獻“基于最小二乘支持向量機的電站鍋爐空預器熱點檢測系統(tǒng)研究”(劉涵，李琦，劉丁，梁炎明，宋念龍《基于最小二乘支持向量機的電站鍋爐空預器熱點檢測系統(tǒng)研究》，中國電機工程學報，2005，25(3)；147-152)，應用最小二乘支持向量機(LS-SVM)對空預器熱點檢測系統(tǒng)進行了研究，但該方法使用的最小二乘支持向量機分類的精度相對較低，執(zhí)行速度慢，并且參數(shù)的選擇采用交叉檢驗的方法，較多依賴于經驗。

發(fā)明內容
針對上述現(xiàn)有空預器熱點檢測技術存在的缺陷或不足，本發(fā)明的目的是提供一種基于模糊核函數(shù)支持向量機的空預器熱點檢測的方法，該方法給出了支持向量機分類器最優(yōu)參數(shù)整定的方法；采用模糊核函數(shù)替換標準的核函數(shù)，簡化了計算，提高了工程應用的效率，為支持向量機在熱點檢測技術中的應用提供了可靠的基礎和依據(jù)。
為了實現(xiàn)上述目的，本發(fā)明采取以下技術方案一種基于模糊核函數(shù)支持向量機的空氣預熱器熱點檢測方法，其特征在于，該方法將空氣預熱器內可測的5個溫度熱點值作為分類器的輸入變量，火情類型的標記作為輸出變量，并將輸入變量進行歸一化處理，輸入與輸出的映射關系由支持向量機來完成，并構造三個二值分類器，將數(shù)據(jù)樣本劃分為兩部分，2/3的樣本用作訓練，余下的樣本用來測試，分別訓練三個分類器，并用測試樣本來評估分類器的性能，計算分類器的ROC曲線以比較分類器的性能。在使用支持向量機進行分類時，采用自適應參數(shù)優(yōu)化的方法來選取支持向量機的正則化參數(shù)和核參數(shù)，并使核函數(shù)模糊化。
本發(fā)明的方法避免了經驗方法中過多的依賴于設計者的經驗和交叉驗證方法中計算量太大的缺點。本發(fā)明的參數(shù)確定方法有嚴格的理論基礎，且簡潔、方便、易用，非常適合于實際應用。同時，本發(fā)明將核函數(shù)模糊化，使得實際應用時可以大大減少計算量，便于工程應用。


圖1sigmoid核函數(shù)的模糊語言表達示意圖；圖2模糊sigmoid核函數(shù)的隸屬度函數(shù)。
以下結合附圖和實施例對本發(fā)明作進一步的詳細描述。
具體實施例方式
目前的空預器熱點檢測方法在不同程度上存在著一些問題，很難照顧到各個方面。本發(fā)明給出了一種基于模糊核函數(shù)支持向量機的空預器熱點檢測方法，可以有效克服目前較多使用的基于神經網絡的檢測方法所具有的缺陷。針對支持向量機中正則化參數(shù)和核參數(shù)的選擇困難問題，本發(fā)明直接給出了具體的參數(shù)確定方法。
該方法將空氣預熱器內可測的5個溫度熱點值作為分類器的輸入變量，火情類型的標記作為輸出變量，輸入與輸出的映射關系由支持向量機來完成，包括下列內容1)基于模糊核函數(shù)支持向量機的火情分類器基于支持向量機的空預器火情分類器屬于黑盒子一類的模型，輸入與輸出的映射關系由支持向量機來完成，空預器內可測的5個溫度值作為分類器的輸入變量，火情類型的標記作為輸出變量。將空預器內的火情狀況分為三級“1”級對應有火災發(fā)生；“2”級對應火災預警，表示有可能將要發(fā)生火災；“3”級對應無火情，為最安全的狀態(tài)。在空預器熱點檢測技術中，需要對三種不同級別的火情做出正確的分類，為了完成這樣一個多值分類問題，構造三個二值分類器，分別命名為“1級和2級”、“1級和3級”、“2級和3級”，用已知的數(shù)據(jù)樣本對這三個分類器進行充分訓練，這三個分類器由基于模糊核函數(shù)的支持向量機構成。訓練好的分類器作為火情的判別器，系統(tǒng)實時采集空預器的5個溫度測點，并由分類器實時進行分類，從而完成對不同的火情狀況進行準確的分類。
2)分類器最優(yōu)參數(shù)的選擇方法在進行支持向量機分類時，分類器中有兩類參數(shù)正則化參數(shù)C和核參數(shù)α和β需要整定，整定的方法如下將這三個參數(shù)分別在其取值范圍內進行等分，并將等分后的值構建三維的數(shù)據(jù)空間，分別取數(shù)據(jù)空間的參數(shù)值進行支持向量機的訓練，選取最小學習誤差的參數(shù)最為整定的參數(shù)。具體實現(xiàn)如下a.首先確定正則化參數(shù)C和核參數(shù)α、β的取值范圍。基于支持向量機的原理以及本技術所研究的對象，選取C、α和β的取值范圍分別為
、
和
；b.構建參數(shù)對{Ci，αj，βki＝1，...，m；j＝1，...，n；k＝1，...，h}，即將取值范圍分別m、n和k等份，則構成m×n×h的三維參數(shù)空間{Ci，αj，βk}。
c.將生成的參數(shù)對應用于支持向量機學習，并計算學習誤差。取最小學習誤差對應的參數(shù)對{Ci，αj，βk}Emin為最優(yōu)參數(shù)。
d.如果誤差精度不能達到要求，則以{Ci，αj，βk}Emin為中心，縮小參數(shù)的取值范圍，重復步驟c，不斷的優(yōu)化支持向量機的參數(shù)，直至達到所要求的誤差精度。
3)構造模糊sigmoid核函數(shù)目前常用的核函數(shù)均為非線性的函數(shù)，這些核函數(shù)在支持向量機的訓練和計算時，會帶來很大的計算負擔。通過利用模糊邏輯技術，將核函數(shù)模糊化，簡化了計算，從而大大提高了工程應用時的效率，其原理如下在支持向量機中選用的核函數(shù)為sigmoid核函數(shù)，如式(1)所示，為簡化計算將其模糊化K(xi，xj)＝tanh(α·xi·xj+β) (1)K(xi,xj)=-1,xi·xjislow+1,xi·xjishighα·xi·xjxi·xjismedium---(2)]]>式中α為常數(shù)，表示sigmoid函數(shù)的光滑程度，xi·xj表示向量的內積，α和β為核函數(shù)的參數(shù)。
基于模糊邏輯的sigmoid核函數(shù)就是將(1)用模糊語言的形式描述出來，如(2)所示。其中α為常數(shù)，表示了sigmoid函數(shù)的光滑程度，見附圖1所示。
根據(jù)(2)式，sigmoid核可以被定義為一系列隸屬度函數(shù)。為簡單起見，采用三角形的隸屬度函數(shù)，如附圖2所示。模糊分區(qū)分別由low，medium，high組成，當然也可以選擇由very low，low，medium，high，very high構成，但是這樣會加大計算的負擔。由于sigmoid核函數(shù)必須是連續(xù)的，因此計算三角形函數(shù)的上、下界的值分別為(-β±1)/α。最終(2)可以寫為如下α和β的函數(shù) 其中M(xi，xj，α，β)＝2(xi·xj+β/α)-α2(xi·xj+β/α)|xi·xj+β/α|(4)即sigmoid核函數(shù)可以由(5)來描述K(xi，xj)＝(-1)μ1(xi·xj)+axi·xjμ2(xi·xj)+(+1)μ3(xi·xj) (5)模糊化后的sigmoid核函數(shù)有以下優(yōu)點1.函數(shù)在整個定義域內每一點都是可微的；2.附圖2所定義的隸屬度函數(shù)可以由微處理器、數(shù)字信號處理器等硬件簡單的實現(xiàn)；3.通過這種模糊化的方法，選擇不同數(shù)量、不同復雜程度的隸屬度函數(shù)就可以近似不同非線性程度的核函數(shù)。
以下提供一個具體的實例，以便對本發(fā)明的技術方案作進一步的了解實例山東省A電廠的200MW機組、貴州省B電廠的300MW機組以及河南省C電廠的300MW機組的實驗數(shù)據(jù)。具體操作步驟是步驟1根據(jù)要求采集5個溫度測點作為分類器的輸入變量；步驟2為提高計算效率，將輸入變量進行歸一化處理，xi‾=xi-min(xi)max(xi)-min(xi),]]>歸一化后的屬性值xi∈
；步驟3選用模糊sigmoid核函數(shù)作為支持向量機的核函數(shù)；步驟4利用正則化參數(shù)和核參數(shù)的自適應整定方法進行整定；
步驟5構造三個二值分類器分別命名為“1級和2級”、“1級和3級”、“2級和3級”，用所獲的數(shù)據(jù)分別對三個分類器進行訓練，其中2/3的樣本用作訓練，余下的樣本用來測試；步驟6用建立好的分類器完成空預器熱點的檢測和火情的判斷。
表1為訓練支持向量機分類器所采集的三組樣本及個數(shù)，如表1所示。
表1 不同火情級別的訓練樣本對數(shù)

表2 模糊sigmoid核函數(shù)SVM分類器的訓練和測試結果

經過參數(shù)自適應整定后的正則化參數(shù)C以及核參數(shù)α和β的整定結果見表2，對所采集的總共130組樣本分別對三個分類器進行了訓練和測試，從測試的結果來看，該方法的準確率很高，完全可以應用于工程實際。將本發(fā)明和背景技術所描述的最小二乘支持向量機的檢測方法的結果進行比較，采用了與背景技術中所述方法相同的數(shù)據(jù)源。表3為兩種分類方法的ROC(Receiver Operating Characteristic)特性以及運算效率的比較結果，可以看出，本發(fā)明的分類器的ROC特性的AUC(Area under curve)值要明顯大于背景技術中所述的分類器，表明本發(fā)明的分類器更為精確和高效，并且運算執(zhí)行速度有較大的提高。
表3 兩種不同分類器的性能比較

權利要求
1.一種基于模糊核函數(shù)支持向量機的空氣預熱器熱點檢測方法，其特征在于，該方法將空氣預熱器內可測的5個溫度熱點值作為分類器的輸入變量，火情類型的標記作為輸出變量，并將輸入變量進行歸一化處理，輸入與輸出的映射關系由支持向量機來完成，并構造三個二值分類器，由基于模糊核函數(shù)支持向量機完成對分類器不同的火情狀況進行準確的分類，將數(shù)據(jù)樣本劃分為兩部分，2/3的樣本用作訓練，余下的樣本用來測試，分別訓練三個分類器，并用測試樣本來評估分類器的性能，計算分類器的ROC曲線以比較分類器的性能，在使用支持向量機進行分類時，采用自適應參數(shù)優(yōu)化的方法來選取支持向量機的正則化參數(shù)和核參數(shù)，并使核函數(shù)模糊化。
2.如權利要求1所述的方法，其特征在于，該方法具體包括下列內容1.1基于模糊核函數(shù)支持向量機的火情分類器將空預器內的火情狀況分為“1”、“2”、“3”級，其中“1”級表示有火災發(fā)生；“2”級表示火災預警，即有可能將要發(fā)生火災；“3”級表示無火情，為最安全狀態(tài)；根據(jù)上述分類情況，構造三個二值分類器，分別命名為“1級和2級”、“1級和3級”、“2級和3級”，由基于模糊核函數(shù)支持向量機完成對分類器不同的火情狀況進行準確的分類；1.2分類器最優(yōu)參數(shù)的選擇在進行支持向量機分類時，采用自適應參數(shù)優(yōu)化的方法來選取支持向量機的正則化參數(shù)和核參數(shù)，正則化參數(shù)C和核參數(shù)α和β均需要整定；1.3構造模糊核函數(shù)在支持向量機中選用核函數(shù)為sigmoid核函數(shù)，如(1)式所示K(xi，xj)＝tanh(α·xi·xj+β) (1)為簡化計算將其模糊化K(xi,xj)=-1,xi·xjislow+1,xi·xjishighaα·xi·xj,xi·xjismedium---(2)]]>基于模糊邏輯的sigmoid核函數(shù)就是將標準sigmoid核函數(shù)用模糊語言的形式描述出來，如(2)式所示，其中a為常數(shù)，表示了sigmoid函數(shù)的光滑程度；根據(jù)(2)式，sigmoid核被定義為一系列隸屬度函數(shù)，為簡單起見，采用三角形的隸屬度函數(shù)，模糊分區(qū)分別由low，medium，high組成，由于sigmoid核函數(shù)必須是連續(xù)的，因此計算三角形函數(shù)的上、下界的值分別為(-β±1)/α，最終(2)式寫為如下α和β的函數(shù) 式中a為常數(shù)，表示sigmoid函數(shù)的光滑程度，xi·xj表示向量的內積，α和β為核函數(shù)的參數(shù)。其中M(xi，xj，α，β)＝2(xi·xj+β/α)-α2(xi·xj+β/α)|xi·xj+β/α| (4)即sigmoid核函數(shù)由下式描述K(xi，xj)＝(-1)μ1(xi·xj)+axi·xjμ2(xi·xj)+(+1)μ3(xi·xj) (5)函數(shù)在整個定義域內每一點都是可微的；所定義的隸屬度函數(shù)由微處理器、數(shù)字信號處理器硬件簡單的實現(xiàn)；通過這種模糊化的方法，選擇不同數(shù)量、不同復雜程度的隸屬度函數(shù)就可以近似不同非線性程度的核函數(shù)。
3.如權利要求1所述的方法，其特征在于，所述的輸入變量進行歸一化處理滿足下列公式x‾i=xi-min(xi)max(xi)-min(xi)]]>歸一化后的屬性值xi∈
。
4.如權利要求2所述的方法，其特征在于，所述的正則化參數(shù)C和核參數(shù)α和β整定方法按照下列步驟1)首先確定正則化參數(shù)C和核參數(shù)α、β的取值范圍，選取C、α和β的取值范圍分別為
、
和
；2)構建參數(shù)對{Ci，αj，βki＝1，...，m；j＝1，...，n；k＝1，...，h}，即將取值范圍分別m、n和h等份，則構成m×n×h的三維參數(shù)空間{Ci，αj，βk}；3)將生成的數(shù)據(jù)空間的參數(shù)值對應用于支持向量機學習，并計算學習誤差，取最小學習誤差對應的參數(shù)對{Ci，αj，βk}Emin為最優(yōu)參數(shù)；4)如果誤差精度不能達到要求，則以{Ci，αj，βk}Emin為中心，縮小參數(shù)的取值范圍，并重復步驟③，不斷優(yōu)化支持向量機的參數(shù)，直至達到所要求的誤差精度。
全文摘要
本發(fā)明公開了一種基于模糊核函數(shù)支持向量機的電站鍋爐空氣預熱器熱點檢測方法，用于工業(yè)自動檢測領域。包括兩個部分基于模糊核函數(shù)支持向量機的空預器三種不同火情的分類方法由支持向量機來完成，可測的溫度值作為分類器的輸入變量，火情類型的標記作為輸出變量。在具體使用支持向量機進行分類判別時，將數(shù)據(jù)樣本劃分為兩部分，2/3的樣本用作訓練，余下的樣本用來測試，分別訓練三個分類器，并用測試樣本來評估分類器的性能，計算分類器的ROC曲線以比較分類器的性能。在使用支持向量機進行分類時，采用自適應參數(shù)優(yōu)化的方法來選取支持向量機的正則化參數(shù)和核參數(shù)。
文檔編號G01D1/18GK1763478SQ20051009604
公開日2006年4月26日 申請日期2005年9月19日 優(yōu)先權日2005年9月19日
發(fā)明者劉丁, 劉涵, 李琦, 梁炎明, 宋念龍 申請人:西安理工大學