[发明专利]基于偏F值SELM的多变量工业过程故障分类方法

摘要

本发明涉及一种基于偏F值SELM的堆栈极限学习机故障分类方法，首先对训练数据集进行标准化处理；其次，求出所有故障类型对于每一个变量的偏F值，根据所有变量的偏F值得出所有变量的权值，进一步对训练以及测试数据进行加权；通过训练数据集利用堆栈极限学习机建模方法构建FSELM分类模型；在此基础上，对测试数据集进行标准化处理；最后通过测试数据集验证该分类模型的好坏。本发明能够明显提升故障诊断性能，提高故障分类的准确率。

主权项

1.一种基于偏F值SELM的多变量工业过程故障分类方法，含有以下步骤：/n(一)采集工业过程正常操作工况数据集X_o和C类故障工况数据集{X₁,X₂,…X_C}作为训练数据集，并使用正常操作工况数据集的均值MX_o和标准差SX_o对训练数据集进行标准化处理，得到标准化后的正常操作工况数据集和C类故障工况数据集/n(二)针对每个故障工况数据集，计算过程变量的偏F值F(i,j),其中F(i,j)表示第i,1≤i≤C类故障工况数据集中第j个变量的偏F值；/n(三)对所有故障工况数据集得到的偏F值求和，得到第j个变量在所有故障工况情形下的总体偏F值Fs(j)，并根据各个变量偏F值在所有变量中的占比per(j)计算每个变量在故障分类过程中的重要性权值w(j)；/n(四)利用重要性权值w(j)对故障工况数据集进行加权处理；/n(五)利用堆栈极限学习机建模方法构建FSELM分类模型，FSELM分类模型表示为：y＝f(x,W⁽¹⁾,…,W^(P),V⁽¹⁾,…,V^(P),B⁽¹⁾,…,B^(P))，其中，x表示输入向量，即待分类的过程样本，y表示输出向量，为样本的类别编码，f(·)表示一个多层ELM堆栈网络函数，W^(k),k＝1,2,...,P，表示输入层权重参数，V^(k),k＝1,2,...,P，表示线性变换阵，B^(k),k＝1,2,...,P，表示输出权重参数,P表示堆栈层数；/n(六)采集测试数据集X_t，并利用正常操作工况数据集的均值和方差进行标准化处理，得到标准化后的测试数据集/n(七)利用重要性权值w(j)对测试数据集进行加权处理；/n(八)将加权后的测试数据集输入FSELM分类模型，根据FSELM分类模型输出确定故障类型。/n