[發明專利]基于偏F值SELM的多變量工業過程故障分類方法

有效

• 申請號: 201811401207.4
• 申請日: 2018-11-22
• 公開（公告）號: CN109164794B
• 公開（公告）日: 2019-11-29
• 發明（設計）人: 鄧曉剛;高凱;曹玉蘋
• 申請（專利權）人: 中國石油大學(華東)
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 37256 青島清泰聯信知識產權代理有限公司
• 代理人: 徐艷艷<國際申請>=<國際公布>=<進入

本發明涉及一種基于偏F值SELM的堆棧極限學習機故障分類方法，首先對訓練數據集進行標準化處理；其次，求出所有故障類型對于每一個變量的偏F值，根據所有變量的偏F值得出所有變量的權值，進一步對訓練以及測試數據進行加權；通過訓練數據集利用堆棧極限學習機建模方法構建FSELM分類模型；在此基礎上，對測試數據集進行標準化處理；最后通過測試數據集驗證該分類模型的好壞。本發明能夠明顯提升故障診斷性能，提高故障分類的準確率。

技術領域

本發明屬于工業過程故障診斷技術領域，涉及一種利用基于偏F值堆棧極限學習機(簡稱：FSELM)對多變量工業過程故障進行分類的方法。

背景技術

分布式計算機控制技術的進步極大地推動了工業過程生產規模的擴大。對于復雜龐大的工業生產過程而言，高效的故障診斷技術不僅有助于提高裝置生產的穩定性，而且也有助于保障工作人員的人身安全。故障診斷技術的核心在于故障出現后準確的識別故障類型，因此故障分類技術對于現場工程師排除故障具有重要意義。

極限學習機(Extreme Learning Machine,簡稱：ELM)是由Guang-Bin Huang等人于2006年提出的一種單隱含層前饋神經網絡學習算法，該算法訓練過程中無需多次迭代調整，只需合理選擇隱含層神經元的個數、選擇合適的激活函數，便可獲得唯一的最優解。因其具有訓練速度快、分類精度高、泛化能力強等優點，目前已經在時間序列預測、圖像處理、故障分類等多個領域得到廣泛應用。為處理復雜多變量工業數據，研究人員進一步提出了堆棧極限學習機(簡稱：SELM)，在堆棧學習框架下構建多層ELM，以實現對數據特征信息的深度挖掘和提取。然而，傳統的SELM在構建模式分類器時將所有的過程變量同等對待，賦予相同的權值，使得部分有助于故障分類的重要變量信息被整體變量信息掩蓋，從而降低了分類效果。因此，如何判斷過程變量的重要性差異并賦予不同權值，成為SELM故障分類器構建中的挑戰課題。

發明內容

本發明針對SELM故障分類器未充分挖掘局部重要變量信息導致分類效果降低的問題，提供一種基于偏F值SELM的多變量工業過程故障分類方法。該方法能夠準確提取過程數據中有助于故障分類的部分重要變量，降低冗余變量對故障分類的影響，提高故障分類準確度。

為了達到上述目的，本發明提供了一種基于偏F值SELM的多變量工業過程故障分類方法，含有以下步驟：

(一)采集工業過程正常操作工況數據集X_o和C類故障工況數據集{X₁,X₂,…X_C}作為訓練數據集，并使用正常操作工況數據集的均值MX_o和標準差SX_o對訓練數據集進行標準化處理，得到標準化后的正常操作工況數據集和C類故障工況數據集

(二)針對每個故障工況數據集，計算過程變量的偏F值F(i,j),其中F(i,j)表示第i,1≤i≤C類故障工況數據集中第j個變量的偏F值；

(三)對所有故障工況數據集得到的偏F值求和，得到第j個變量在所有故障工況情形下的總體偏F值Fs(j)，并根據各個變量偏F值在所有變量中的占比per(j)計算每個變量在故障分類過程中的重要性權值w(j)；

(四)利用重要性權值w(j)對故障工況數據集進行加權處理；