[发明专利]一种复杂机电系统服役模式自动识别方法

权利要求书

1.一种复杂机电系统服役模式自动识别方法，其特征在于，包括以下步骤：

步骤1)模式识别训练数据收集：收集流程工业复杂机电系统运行状态历史监测数据，建立高维原始数据集，对收集到的数据进行标准化处理得到标准化训练数据集；

步骤2)初始模式识别模型建模：依据步骤1)得到的标准化训练数据集，采用无监督聚类和多目标优化相结合的方法建立初始抗体库，计算初始抗体库中抗体的亲和度阈值，建立初始模式识别模型；

步骤3)基于人工免疫算法的离群点检测：依据步骤2)建立的初始模式识别模型，采用人工免疫算法对测试数据集进行离群点检测，确定测试数据的免疫反应类型，确定测试数据的模式识别结果；

步骤4)基于增量学习的模式识别模型更新：依据步骤3)的离群点检测结果，分别对连续离群点和抗体二次免疫进行计数，从而实现对模式识别抗体库的增加新抗体、删除无用抗体和修订已有抗体的操作，实现模式识别模型自动更新；

步骤5)复杂机电系统实时模式识别：依据步骤4)更新后的模式识别模型，对复杂机电系统实时监测数据进行模式识别，将复杂机电系统服役模式划分为噪声数据、已有模式和新模式；

所述步骤1)包括以下步骤：

步骤1.1)原始训练数据收集：对复杂机电系统n个传感器以相同的采样频率从历史监测数据中抽取数据，获得一个复杂机电系统n维的监测时间序列矩阵D：

其中：X_i是矩阵中第i个样本点；d_i,j是第i个样本点中的第j个属性值；矩阵中每一列是一个特定监测变量的观测时间序列；

步骤1.2)训练数据标准化：对步骤1.1)中收集的复杂机电系统n维的监测时间序列矩阵D按列进行标准化处理：

获得一个复杂机电系统n维的标准化监测时间序列矩阵D′，作为n维标准化训练数据集：

其中：X_i′是标准化后矩阵中的第i个样本点；d_i,j′是标准化后的第i个样本点中的第j个属性值；矩阵中每一列是一个特定监测变量标准化后的观测时间序列；

所述步骤2)，包括以下步骤：

步骤2.1)初始模式识别抗体数据库生成；

步骤2.2)抗体二次免疫响应亲和度阈值计算；

所述步骤2.1)，包括以下步骤：

步骤2.1.1)无监督聚类，建立模式类别数据库：对步骤1.2)的n维标准化训练数据集，选择适当的ε和MinPts参数，采用DBSCAN方法进行无监督聚类，获得n维标准化训练数据集中每一个训练数据的模式类别，并建立模式类别数据库C；

C＝{c₁,c₂,...,c_m}

其中，c_i＝{c_i1,c_i2,...,c_ik}代表第i类模式中有k个数据；

步骤2.1.2)遗传算法优化，获得模式识别初始抗体数据库：对步骤2.1.1)中建立的模式类别数据库C的每一个模式的训练数据c_ik，利用基于遗传算法的Pareto优化算法，按照下述目标函数进行多目标优化：

其中：ab_j为服役模式j的最优特征数据，即模式j对应的抗体数据；是模式j的第i个抗原；dist_ij是模式j的第i个抗原与优化的抗体数据之间的亲和度测量；variance(·)是方差函数；

得到模式识别初始抗体数据库:

antibody_database＝{ab₁,ab₂,…,ab_n}

其中：ab_j为服役模式j对应的抗体数据；

所述步骤2.2)，包括以下步骤：

步骤2.2.1)最优抗体与模式类别数据库亲和度值计算：对步骤2.1.2)中的模式识别初始抗体数据库中的每一个初始抗体数据ab_j，按照下式计算ab_j与步骤2.1.1)中对应模式c_j＝{c_j1,c_j2,...,c_jk}中每一个元素之间的亲和度值：

其中，c_jil是模式类别c_j的第i个元素c_ji的第l维数据，ab_jl是抗体ab_j的第l维数据；

然后，得到初始抗体数据ab_j与其对应的模式类别数据库c_j之间的亲和度值的数据库：

fitvalue_database＝{fitvalue₁,fitvalue₂,…,fitvalue_n}

其中，fitvalue_j＝min{fitvalue_j1,fitvalue_j2,…,fitvalue_jk}，fitvalue_jk是初始抗体数据ab_j与模式类别数据库c_j中第k个数据c_jk之间的亲和度值；

步骤2.2.2)抗体二次免疫响应亲和度阈值计算：按照下式计算ab_j抗体类发生免疫响应的亲和度阈值：

fitforce_j＝fitvalue_j×fitrate

其中，fitvalue_j是步骤2.2.1)得到的亲和度值；fitrate是亲和率，代表抗体对抗原的耐受性；

得到抗体二次免疫响应亲和度阈值数据库：

fitforce_database＝{fitforce₁,fitforce₂,…,fitforce_n}；

所述步骤3)，包括以下步骤：

步骤3.1)离群点检测，包括以下步骤：

步骤3.1.1)按时间顺序输入测试数据，作为抗原ag；

步骤3.1.2)按照下式计算每一个测试数据，即抗原ag与步骤2.1.2)中的初始抗体ab_j的亲和度值：

步骤3.1.3)将步骤3.1.2)计算的亲和度值fitvalue_j与步骤2.2.2)中的抗体二次免疫响应亲和度阈值{fitforce₁,fitforce₂,…,fitforce_n}进行大小比较；

所述步骤4)，包括以下步骤：

步骤4.1)抗体二次免疫响应计数：为每一类已有抗体分别设置计数器J_i，如果步骤3.2)中抗原不是离群点，抗原触发了某一类抗体的二次免疫响应，则对应的计数器执行以下操作：J_i＝J_i+1；同时，如果J_num个连续的抗原均没有触发某一类抗体的二次免疫响应，则对应的计数器执行以下操作：J_i＝J_i-1；其中，J_num为计数器自减阈值；

步骤4.2)基于增量学习的新抗体生成：如果步骤3.3)中持续检测离群点数量I_i达到离群点数量阈值I_num，则利用基于遗传算法的Pareto优化算法，按照下述目标函数进行多目标优化，得到新抗体ab_new：

其中：ab_new为连续I_num个离群点对应的最优新抗体数据；ag_i是第i个离群点；dist_i是第i个离群点与优化的抗体数据ab之间的亲和度测量；variance(·)是方差函数；

步骤4.3)更新抗体数据库。