[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在审

专利信息
申请号: 202011374338.5 申请日: 2020-11-30
公开(公告)号: CN112598022A 公开(公告)日: 2021-04-02
发明(设计)人: 贺彦林;赵阳;朱群雄;徐圆;张洋 申请(专利权)人: 北京化工大学
主分类号: G06K9/62 分类号: G06K9/62;G06N20/20
代理公司: 北京太兆天元知识产权代理有限责任公司 11108 代理人: 王宇
地址: 100029 北京市*** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 集成 学习方法 改进 fda 流程 工业 故障诊断 方法
【说明书】:

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。

技术领域

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

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意义。

近年来基于多元统计技术的数据驱动型故障诊断技术得到了广泛的研究和应用,例如主成分分析方法、局部保留投影方法、规范变量分析方法等。主元分析(PrincipalComponent Analysis,PCA)曾经是工业监控系统中使用最广泛的数据驱动技术,是进行数据降维的经典方法。使用PCA技术提取数据的结构特征可以消除变量的相关性,同时确保样本数据具有最大的方差。由于PCA方法在数据结构特征提取中的优势,对PCA的进一步研究一直没有中断。例如,有学者提出了一种基于多尺度PCA(MSPCA)的新型模式识别框架,该框架结合了自适应神经模糊推理系统,在提取数据特征后将状态空间创造性地分为得分空间和剩余空间,这使得故障诊断可以由多个分类器执行。但是故障诊断过程中,对数据进行降维时,各模式类别之间的数据信息也是需要重点关注的对象,基于此,本发明采用费舍尔判别分析进行数据降维。费舍尔判别分析(Fisher discriminant analysis,FDA)是一种广泛应用于模式分类中的数据降维方法,这种技术能够充分考虑各模式类别之间的数据信息。尤其对于影响生产的过程故障观测数量相对较少,而故障模式类所包含的变量数目相对较多的情况下,在确定更低维度的表示形式时,FDA由于其具有关注类间信息的能力,更适合应用于故障诊断。

作为一种有监督的学习方法,FDA已得到广泛研究,具有特征提取和模式分类的功能。作为数据特征选择的一种方法,FDA在故障诊断方面优于PCA。FDA还可以在特征提取的同时执行预分类,与其他数据驱动方法相比,FDA在执行故障模式识别时能够降低对分类器的性能要求。

本发明在进行故障模式分类时,选择了机器学习和数据挖掘领域中应用十分广泛的算法:Adaboost算法。Adaboost算法是一种集成算法,应用在二分类领域有Adaboost M1变体,应用在多分类领域有Adaboost M2变体。考虑到流程工业故障类型较多,故障诊断属于多分类任务,本发明选择Adaboost M2变体。本发明中,该算法针对多分类任务,应用特殊的结合策略,将数个分类性能较差的同质弱分类器(基本分类器)集合起来,提升为一种强分类器,获得优异的分类性能。Adaboost M2的工作机制是:首先从训练集中利用初始权重训练出第一个基本分类器1,然后对模式进行分类,根据基本分类器1对于故障模式的学习误差率进一步更新训练集中样本的权重,增大分类错误样本的权重而减小分类正确样本的权重,使得每一次的错分样本得到更多的重视。获得更新权重的训练样本后,开始训练基本分类器2,如此迭代数次,直到基本分类器个数达到事先预先设定的数目T,则终止训练,将T个基本分类器通过集合策略进行结合,最终提升为强分类器。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京化工大学,未经北京化工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202011374338.5/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top