[发明专利]一种改进的群智能机器学习故障诊断系统

权利要求书

1.一种改进的群智能机器学习故障诊断系统，用于对田纳西伊斯曼过程进行故障诊断，其特征在于：包括数据预处理模块、主成分分析模块、加权最小二乘支持向量机模块和粒子群算法模块。

2.根据权利要求1所述改进的群智能机器学习故障诊断系统，其特征在于，所述数据预处理模块的输入为田纳西伊斯曼过程的52个变量由于每个变量都有不同的单位，为了防止不同的量纲引起数据量级之间的误差，先对所有数据进行标准化处理，标准化公式如下：

其中，mean表示各变量的算术平均值，std表示各变量的标准差，表示输入变量的值，下标i表示第i次检测、j分别表示第j维变量，x_ij表示标准化后输入变量的值作为输入数据。标准化后的数据为S＝{x_i1,x_i2,...x_i52}。

3.根据权利要求1所述改进的群智能机器学习故障诊断系统，其特征在于，所述主成分分析模块通过主成分分析来保证在不降低系统精度的情况下降低系统的复杂度。将标准化后的数据S＝{x_i1,x_i2,...x_i52}进行主成分分析，保留85％的主要成分。

4.根据权利要求1所述改进的群智能机器学习故障诊断系统，其特征在于，所述加权最小二乘支持向量机模块用于建立诊断系统，由支持向量机进行改进，引入权重系数：

通过误差函数最小化来完成输入到输出的一种高度非线性映射，映射中保持拓扑不变性。其中J表示目标函数、w表示惯性权重、ξ表示误差、C表示惩罚因子、u表示权重系数、表示核函数映射、b表示偏执、x为输入数据、y为输出数据，下标i表示第i个数据，上标T表示矩阵的转置。该模块采用性能优秀、所需参数少的RBF核函数K，函数如下：

其中，K是核函数，表示输入数据的平均值，σ表示核参数。

5.根据权利要求1所述改进的群智能机器学习故障诊断系统，其特征在于，所述粒子群算法模块用于优化加权最小二乘支持向量机模块的RBF核参数σ和惩罚因子C。粒子群算法的具体步骤如下：

(1)种群初始化：在D维问题解空间随机产生N个粒子的位置l_i＝(l_i1,l_i2,...l_iD)，和速度v_i＝(v_i1,v_i2,...v_iD)，i＝1,2,…,N，设置粒子学习速率c₁＝c₂＝2，设置惯性权重最大值与最小值w_max＝0.8，w_min＝0.2，设置种群数量N＝20，设置最大迭代次数iter_max＝100。同时，设置迭代次数k＝1；

(2)更新粒子：根据公式(4)更新粒子的速度和位置；

其中，v_i(k)是粒子i在第k次迭代时的速度，l_i(k)是粒子i在第k次迭代时的位置，P_best是粒子自身经验的局部最优解；g_best是所有粒子经验的全局最优解，w是惯性权重，c₁和c₂是学习速率，r₁和r₂是在0到1之间的随机数，w_max和w_min是惯性权重的最大值和最小值，iter_max是最大迭代次数。

(3)更新P_best：比较某个粒子的适应度值与其个体最优解P_best，如果适应度值优于P_best，则用该粒子当前的位置作为P_best，其中适应度值f(x)采用如下公式进行计算；

其中，表示输出变量的真实值，表示输出变量的预测值，n表示样本个数。

(4)更新g_best：比较所有粒子的适应度值与种群的全局最优解g_best，选择最优适应度值的粒子的位置作为g_best；

(5)终止条件判断：判断迭代次数是否达到设定值或者精度是否小于0.001，若达到，迭代终止，若没有达到，转向(2)继续迭代；迭代终止时的RBF核参数σ和惩罚因子C即为加权最小二乘支持向量机的最优参数。

田纳西伊斯曼过程共有21个故障，将不同故障的数据输入到群智能优化诊断系统中进行训练，建立故障诊断模型。

当未知故障的数据输入到此故障诊断系统时，诊断结果显示仪显示诊断结果。