[发明专利]基于集成学习方法的改进FDA流程工业故障诊断方法

权利要求书

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，z_i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,...,Z_m，在概率分布D_f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，T_m(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：

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：

S_t＝S_w+S_b (3)

其中，S_w表示类内离散度矩阵，S_b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w_k，表达式如下：

S_bw_k＝λ_pS_ww_k (5)

对所述FDA向量w_k进行L2范数归一化，表达式如下：

选择r个FDA向量构建线性变换矩阵W_new，表达式如下：

W_new＝(w²_I，w²₂，...，w²_r)^T (7)

进行过程工业数据降维，表达式如下：

Z＝W^T_new×X (8)。