[發明專利]基于集成學習方法的改進FDA流程工業故障診斷方法

在審

• 申請號: 202011374338.5
• 申請日: 2020-11-30
• 公開（公告）號: CN112598022A
• 公開（公告）日: 2021-04-02
• 發明（設計）人: 賀彥林;趙陽;朱群雄;徐圓;張洋
• 申請（專利權）人: 北京化工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/20
• 代理公司: 北京太兆天元知識產權代理有限責任公司 11108
• 代理人: 王宇

1.一種基于集成學習方法的改進FDA流程工業故障診斷方法，其特征在于，包括對所獲得的故障數據進行預處理、構建動態化輸入過程、FDA數據降維以及特征提取、集成學習方法AdaboostM2方法模式分類、構建故障診斷模型；

所述集成學習方法AdaboostM2方法模式分類的步驟包括：

給定訓練集S和基本分類器空間Ψ，表達式如下：

其中，z_i是數據Z的行向量，y是類別標簽，c是故障類別數，φ代表基本分類器；

初始化訓練集權重，表達式如下：

對于每個弱分類器，劃分樣本空間Z，得到Z₁,Z₂,...,Z_m，在概率分布D_f下計算樣本類別屬性概率，表達式如下：

在所述劃分樣本空間Z中設置基本分類器的輸出，表達式如下：

計算求得歸一化因子，表達式如下：

其中，共有F個特征，f＝1,2,…,F；

選擇基本分類器使得歸一化因子最小，表達式如下：

計算誤分率，表達式如下：

其中，T_m(z)是由基本分類器預測的樣本標簽；

計算每個基本分類器的權重，表達式如下：

更新樣本權重，表達式如下：

獲得組合分類器，表達式如下：

其中，

2.根據權利要求1所述的基于集成學習方法的改進FDA流程工業故障診斷方法，其特征在于，所述對所獲得的故障數據進行預處理的步驟包括：選擇田納西-伊斯曼過程的52個過程變量作為輸入，對田納西-伊斯曼過程的21個故障進行故障診斷；

獲得故障原始訓練樣本的歸一化數據集X₀，表達式如下：

其中，n表示樣本數量，m表示變量個數；

所述構建動態化輸入過程的步驟包括：對所述歸一化數據集X₀進行動態化處理，選擇時滯常數L＝2，得到增廣矩陣X，表達式如下：

所述FDA數據降維以及特征提取的步驟包括：對所述增廣矩陣X進行降維，計算FDA特征向量，進行L2范數歸一化。

3.根據權利要求2所述的基于集成學習方法的改進FDA流程工業故障診斷方法，其特征在于，所述對所述增廣矩陣X進行降維，計算FDA特征向量，進行L2范數歸一化的步驟包括：

構建總離散度矩陣，表達式如下：

S_t＝S_w+S_b (3)

其中，S_w表示類內離散度矩陣，S_b表示類間離散度矩陣；

計算FDA向量，滿足最小化類內離散度的同時最大化類間離散度，表達式如下：

使用拉格朗日乘數法，通過求解廣義特征值來獲得FDA向量w_k，表達式如下：

S_bw_k＝λ_pS_ww_k (5)

對所述FDA向量w_k進行L2范數歸一化，表達式如下：

選擇r個FDA向量構建線性變換矩陣W_new，表達式如下：

W_new＝(w²_I，w²₂，...，w²_r)^T (7)

進行過程工業數據降維，表達式如下：

Z＝W^T_new×X (8)。