[发明专利]一种基于样本分割的多尺度二叉树高炉故障诊断方法

摘要

本发明一种基于样本分割的多尺度二叉树高炉故障诊断方法，属于高炉故障诊断技术领域，首先采集高炉生产状况和设备运行状态数据，对数据进行检测并对提取的数据采用均值‑方差标准化方法进行归一化处理；将高炉故障诊断问题转化成二分类问题进行多分类器设计；利用改进的广义特征值支持向量机寻找到一条分割面，转化为两个二分类问题，并分别去寻找适应每一类故障数据自己的具有局部特性的距离测度矩阵，借助支持向量机设计出两条基于不同尺度的分类超平面；本发明适合高维非线性故障数据的识别，通过对样本数据的分割与多尺度标准衡量样本间的相似度，兼顾被识别数据的全局与局部逻辑结构，降低被识别故障问题复杂度，提升故障诊断的精度。

主权项

1.一种基于样本分割的多尺度二叉树高炉故障诊断方法，包括以下步骤；步骤1、采集高炉生产状况历史数据和设备运行状态的历史故障类型；步骤2、对采集的历史数据进行归一化处理，获得训练样本集；步骤3、采用极大似然估计法获得各类故障样本的均值和类内散度；步骤4、构建二叉树分类器，从二叉树分类器中的根结点开始，采用改进广义特征值支持向量机方法，获得二叉树分类器各节点的一条距离正类训练样本最近且距离负类训练样本最远的分割面，再进一步获得分割后两部分各自的分类超平面，完成故障诊断模型的建立；所述的二叉树分类器中的根结点，其正类为类内散度最大的样本所对应的故障类型；其负类为训练样本集中除类内散度最大的样本以外的其余样本所对应的故障类型；步骤5、采集高炉生产状况实际数据，对采集的实际数据进行归一化处理；步骤6、将归一化处理后的实际数据导入建立的故障诊断模型中，获得高炉实际所属故障类型，完成高炉故障诊断；其特征在于，所述改进广义特征值支持向量机方法为：对原有的广义特征值支持向量机算法仅仅应用半幅：即仅寻找一个正类超平面，使得正类样本尽量接近此超平面时对负类样本尽量远离；步骤4所述的获得二叉树分类器各节点的一条距离正类训练样本最近且距离负类训练样本最远的分割面，所述的分割面包括超平面和曲面；(1)所述的超平面确定方式如下：超平面法向量与参数的优化公式如下；其中，x为位于分类超平面上的样本点，Ai表示第i类故障的正类训练样本集合；Bi表示表示第i类故障的负类训练样本集合；ωi表示超平面法向量；e表示分量全为1的列向量；bi∈R，R表示实数；δ＞0，表示正则化因子，||·||表示L2范数；令G＝[A_i e]^T[A_i e]+δI，H＝[B_i e]^T[B_i e]，I表示单位矩阵，则公式(1)转换为：求取Gz＝λHz，z≠0的最小特征值λ对应的特征向量z，获得最优解，即获得超平面(2)所述的曲面K(x，Ci)ωi+bi＝0确定方式如下：曲面法向量与参数的优化公式如下；其中，表示训练样本，核函数选取径向高斯核函数x_i、x_j分别为映射前特征空间中的第i个和第j个样本点，σ为函数的宽度参数，距离d(x_i，x_j)＝(x_i‑x_j)^T(x_i‑x_j)；令G＝[K(A_i，C_i)e]^T[K(A_i，C_i)e]+δI，H＝[K(B_i，C_i)e]^T[K(B_i，C_i)e]，则公式(3)转换为公式(2)：求取Gz＝λHz，z≠0的最小特征值λ对应的特征向量z，获得最优解，即获得曲面K(x，C_i)ω_i+b_i＝0。