基于集成学习方法的改进FDA流程工业故障诊断方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112598022A(43)申请公布日2021.04.02(21)申请号202011374338.5(22)申请日2020.11.30(71)申请人北京化工大学地址100029北京市朝阳区北三环东路15号北京化工大学(72)发明人贺彦林赵阳朱群雄徐圆张洋(74)专利代理机构北京太兆天元知识产权代理有限责任公司11108代理人王宇(51)Int.Cl.G06K9/62(2006.01)G06N20/20(2019.01)权利要求书3页说明书8页附图3页(54)发明名称基于集成学习方法的改进FDA流程工业故障诊断方法(57)摘要本发明公开了一种基于集成学习方法的改进FDA流程工业故障诊断方法，对数据进行动态化处理后，数据间充分保留了工业流程的时序关联性以及更多有用信息，便于L2范数归一化的FDA方法进行特征提取。本发明提供的技术方案在集成学习方法的作用下，综合故障诊断模型建立时间缩短，提高了故障诊断效率。通过实验仿真结果来看，与未进行动态化处理以及基于贝叶斯方法的故障诊断模型相比，本发明提供的技术方案具有显著优势。CN112598022ACN112598022A权利要求书1/3页1.一种基于集成学习方法的改进FDA流程工业故障诊断方法，其特征在于，包括对所获得的故障数据进行预处理、构建动态化输入过程、FDA数据降维以及特征提取、集成学习方法AdaboostM2方法模式分类、构建故障诊断模型；所述集成学习方法AdaboostM2方法模式分类的步骤包括：给定训练集S和基本分类器空间Ψ，表达式如下：其中，zi是数据Z的行向量，y是类别标签，c是故障类别数，φ代表基本分类器；初始化训练集权重，表达式如下：对于每个弱分类器，划分样本空间Z，得到Z1,Z2,...,Zm，在概率分布Df下计算样本类别属性概率，表达式如下：在所述划分样本空间Z中设置基本分类器的输出，表达式如下：计算求得归一化因子，表达式如下：其中，共有F个特征，f＝1,2,…,F；选择基本分类器使得归一化因子最小，表达式如下：计算误分率，表达式如下：其中，Tm(z)是由基本分类器预测的样本标签；计算每个基本分类器的权重，表达式如下：更新样本权重，表达式如下：2CN112598022A权利要求书2/3页获得组合分类器，表达式如下：其中，2.根据权利要求1所述的基于集成学习方法的改进FDA流程工业故障诊断方法，其特征在于，所述对所获得的故障数据进行预处理的步骤包括：选择田纳西‑伊斯曼过程的52个过程变量作为输入，对田纳西‑伊斯曼过程的21个故障进行故障诊断；获得故障原始训练样本的归一化数据集X0，表达式如下：其中，n表示样本数量，m表示变量个数；所述构建动态化输入过程的步骤包括：对所述归一化数据集X0进行动态化处理，选择时滞常数L＝2，得到增广矩阵X，表达式如下：所述FDA数据降维以及特征提取的步骤包括：对所述增广矩阵X进行降维，计算FDA特征向量，进行L2范数归一化。3.根据权利要求2所述的基于集成学习方法的改进FDA流程工业故障诊断方法，其特征在于，所述对所述增广矩阵X进行降维，计算FDA特征向量，进行L2范数归一化的步骤包括：构建总离散度矩阵，表达式如下：St＝Sw+Sb(3)其中，Sw表示类内离散度矩阵，Sb表示类间离散度矩阵；计算FDA向量，满足最小化类内离散度的同时最大化类间离散度，表达式如下：使用拉格朗日乘数法，通过求解广义特征值来获得FDA向量wk，表达式如下：Sbwk＝λpSwwk(5)对所述FDA向量wk进行L2范数归一化，表达式如下：3CN112598022A权利要求书3/3页选择r个FDA向量构建线性变换矩阵Wnew，表达式如下：222TWnew＝(wI，w2，...，wr)(7)进行过程工业数据降维，表达式如下：TZ＝Wnew×X(8)。4CN112598022A说明书1/8页基于集成学习方法的改进FDA流程工业故障诊断方法技术领域[0001]本发明涉及流程工业故障诊断的技术领域，尤其涉及一种基于集成学习方法的改进FDA流程工业故障诊断方法。背景技术[0002]涉及石油、化工、冶金、造纸等行业的流程工业作为我国国民经济的重要支柱产业，其安全生产向来是重要的关注点。得益于学科融合和计算机技术的不断发展更新，流程工业发展至今逐渐呈现出生产设备规模大、非线性、强耦合的特点，生产过程也相应具有高度复杂性、高度危险性，时常发生各种故障，造成经济甚至人员生命损失。因此，流程工业的故障诊断始终是生产过程的重要研究课题，是工业安全的关键技术，对工业控制系统的安全运行至关重要。及时发现故障、解决故障是提高生产安全性和经济效益的重要手段。因此，对于故障诊断模型的研究、提高故障诊断准确率具有重要的实际