[发明专利]一种基于工业大数据挖掘的状态预测方法

说明书

技术领域

本发明属于工业大数据挖掘领域，特别涉及一种基于工业大数据挖掘的状态预测方法

背景技术

随着工业系统日益大型化和复杂化，人们对系统运行的安全性和可靠性要求也越来越高。系统之间的连接更加紧密，一个零部件的故障会导致子系统故障甚至是整个系统瘫痪，这些问题都给企业带来巨大的经济损失，甚至会造成环境污染甚至是人员伤亡。提前估计系统的运行状态，预测发生异常的时间和位置，是及时排除潜在危险，维护系统的正常运行，提高安全性和经济效益的有效手段。

神经网络、Markov模型、Bayesian估计和ELM等是目前常见的预测方法。其中，ELM(极限学习机器，是一种泛化的单隐层前馈神经网络)方法更适合处理海量数据，具有训练速度快、人工干预少、泛化能力强等特点。OS-ELM(在线顺序极限学习机器)方法能够对系统状态进行在线实时预测，但是OS-ELM网络是基于序列输入数据随机产生的，预测效果可能遇到最差的情形。为了避免这种情形，EOS-ELM方法将若干个OS-ELM的预测结果取平均值，以便能适应不同的数据适应能力，提高方法的稳定性和可靠性。当输入数据连续地进入EOS-ELM系统，部分OS-ELM网络模型能够更快更好地适应新数据，这样能获取更好的预测结果。本发明就是利用EOS-ELM方法解决工业大数据的状态预测问题。

针对上诉问题，本发明人一种基于工业大数据挖掘的状态预测方法。

发明内容

本发明的目的在于提供一种基于工业大数据挖掘的状态预测方法，以解决目前工业系统中系统状态难以预测的问题，提高预测的稳定性和可靠性。

为了实现上述目的，本发明采用如下技术方案：

一种基于工业大数据挖掘的状态预测方法，包括以下步骤：

步骤一，数据采集：将反映系统历史运行状态的样本作为训练集其中x_i是系统状态变量，即模型的输入，t_i是关注的预测指标，即模型的输出；

步骤二，OS-ELM模型：采用步骤一的训练样本建立若干个OS-ELM模型，并计算得到若干个预测值；

步骤三，EOS-ELM模型：对OS-ELM模型的的预测结果取平均值，得到EOS-ELM模型预测结果。

所述OS-ELM模型建立过程包括：

初始化之前，先确定网络初始参数：网络有L个隐含节点，首先确定隐含节点类型，隐含节点类型包括为RBF或additive隐含节点；

初始化阶段，从训练样本中选取部分样本进行初始化，该初始化阶段包括以下步骤：

步骤1：随机对输入参数赋值

其中，对RBF隐含节点，参数为中心点a_i和影响因子b_i；对additive隐含节点，参数为输入权重a_i和偏差b_i；

步骤2：计算初始的隐含层输出矩阵H₀

其中，利用RBF隐含节点时，G(a_i，b_i，x_j)＝g(b_i||x_j-a_i||)，b_i∈R⁺，当利用additive隐含节点时，G(a_i，b_i，x_j)＝g(a_i·x_j+b_i)，b_i∈R；

步骤3：估计初始的输出权重β⁽⁰⁾

令权重求解问题转化为最小化||H₀β-t₀||；

由ELM算法的求解，可知最小化||H₀β-t₀||的求解结果为其中

步骤4：令k＝0，k表示加入网络的数据块的数量；

连续学习阶段，包括以下步骤：

k+1数据块的观测值为：

其中，N_k+1是k+1数据块的观测值的数量；

步骤5：计算局部的隐含层输出矩阵H_k+1

步骤6：设置参数

步骤7：计算输出权重β^(k+1)