[發明專利]一種基于集成半監督費舍爾判別的工業過程故障分類方法

有效

• 申請號: 201611235949.5
• 申請日: 2016-12-28
• 公開（公告）號: CN106649789B
• 公開（公告）日: 2019-07-23
• 發明（設計）人: 葛志強;王虹鑒
• 申請（專利權）人: 浙江大學
• 主分類號: G06F16/28
• 分類號: G06F16/28;G06K9/62
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 邱啟旺

本發明公開了一種基于集成半監督費舍爾判別的工業過程故障分類方法，該方法首先進行離線建模，對無標簽數據進行隨機采樣，并與有標簽數據組成若干個隨機訓練子集，然后進行半監督費舍爾降維，獲得多個費舍爾判別矩陣。將降維后的樣本數據根據貝葉斯統計方法得到一系列的后驗概率矩陣，將有標簽數據的后驗概率矩陣和對應的標簽作為度量層融合算法K近鄰的訓練樣本。在線分類時調用上述各個半監督費舍爾判別分類器得到每個在線待測樣本的后驗概率矩陣，輸入到度量層融合K近鄰分類器中得到最終的故障分類結果。相比目前其他方法，本發明提高了工業過程的故障分類效果，增強了過程操作員對過程的掌握和操作信心，更加有利于工業過程的自動化實施。

技術領域

本發明屬于工業過程控制領域，尤其涉及一種基于集成半監督費舍爾判別的工業過程故障分類方法。

背景技術

作為過程系統工程的重要組成部分，過程監測技術對于保障過程安全及提高產品質量等現代流程工業的核心目標而言，具有重大的研究意義和應用價值。得益于過程工業控制技術的不斷發展，集散控制系統(DCS)在流程工業中得到了廣泛應用，流程工業因而采集到了海量的過程數據。因此，基于多變量統計和模式識別的過程監測技術受到了學術界和工業界的普遍關注，成為過程監測領域的研究熱點。近二十年來，大量的研究成果和應用隨之產生。

雖然傳統的模式識別的故障分類方法，如基于聚類或分類的方法在過程監測領域已經取得了不錯的進展，可是工業過程的實際數據往往是比理想的假設前提要復雜得多。其中，現代工業過程廣泛存在如故障數據數目與正常數據數目極其不均衡，訓練樣本的標簽丟失或者變量丟失等問題?；诒O督學習的故障分類方法在面對訓練樣本較少的情況，會出現學習得到的特征空間對少量樣本過擬合的問題?？墒?，實際工業過程會有大量無標簽數據伴隨產生，這些數據含有對于分析過程信息的有用信息，如果能夠有效利用這些信息，那么數據驅動的故障分類方法會得到更優的結果，因此半監督算法的引入是解決這一問題的重要途徑。但實際問題是，半監督學習的表現并不穩定，在特定的數據下表現可能還不如有監督學習的效果。集成學習是使用一系列學習器進行學習，并使用某種規則把各個學習結果進行整合從而獲得比單個學習器更好的學習效果的一種機器學習方法。分類器融合中的度量層融合屬于集成學習的一個分支。本發明采用將半監督學習和集成學習相結合的方法，通過半監督算法利用無標簽數據中所包含的大量信息，用集成算法的泛化能力提高半監督算法表現不穩定的缺陷，兩種算法的結合可以互為補充泛化出更穩定更準確的學習模型，提高工業過程故障分類的準確率。

發明內容

本發明的目的在于針對現有方法的假設局限，提供一種基于集成半監督費舍爾判別的工業過程故障分類方法。

本發明的目的是通過以下技術方案來實現的：一種基于集成半監督費舍爾判別的工業過程故障分類方法，包括以下步驟：

(1)利用系統收集過程正常工況的數據以及各種故障數據組成建模用的有標簽訓練樣本集：假設故障類別為C,在加上一個正常類，建模數據的總類別為C+1,即X_i＝[x₁；x₂；…；x_n]i＝1,2,…,C+1。其中X_i∈R^n×m，n為訓練樣本數，m為過程變量數，R為實數集，R^n×m表示X滿足n×m的二維分布。所以完整的有標簽訓練樣本集為X_l＝[X₁；X₂；…；X_C+1],X∈R^((C+1)*n)*m，記錄所有數據的標簽信息，正常工況下標記標簽為1，故障1標簽為2，以此類推，即Y_i＝[i；i；…；i]i＝1,2,…,C+1，完整的標簽集為Y_l＝[Y₁,Y₂,…,Y_C+1],Y_l∈R^{1×((C+1)*n)*m}。將這些數據存入歷史數據庫作為有標簽數據集。