[发明专利]一种基于集成即时学习的电磁阀故障监测方法

权利要求书

1.一种基于集成即时学习的电磁阀故障监测方法，其特征在于：包括如下步骤，

S1、获取电磁阀的历史输入、输出和健康标记的样本；

S2、通过Kmeans对样本进行分类；

S3、获取电磁阀新的样本，假设有多种相似性指标，确定每个相似性指标下相关样本，并获得每个相似性指标下相关样本的数量；

S4、针对每个相似性指标计算所有历史样本的相似度权重；

S5、使用根据步骤S3获得的相关样本和相关样本的数量和基于步骤S4所述的相似度权重，通过神经网络方法得到新的样本的在线故障检测局部模型；

S6、根据所有相关样本的健康标记情况和对应的在线故障检测局部模型的输出，训练SVM模型，使SVM模型能正确的将在线故障检测局部模型的输出分为两类，一类为故障样本，另一类为健康样本；

S7、根据在线故障检测局部模型获得新的样本的在线故障检测局部模型，然后将新的在线故障检测局部模型的输出代入SVM模型，根据模型的输出判断当前电磁阀的健康状态；

所述步骤S1的具体方法如下：

令电磁阀的历史输入、输出和健康标记的样本表示为，

，

其中表示第H个样本的健康标记，健康样本的标记为0，故障样本的标记为1；

所述步骤S2的具体方法如下：

通过Kmeans将样本分为C类，且，其中为第类的样本数，为至少需要获得的相关样本数量；

所述步骤S3的具体方法如下：

当获得新的样本时，假设有种相似性指标，通过公式确定在每个相似性指标下从第类中选择个相关样本，从而获得每个相似性指标下相关样本的数量，其中为在相似性指标下新的样本与第类的相似度。

2.根据权利要求1所述一种基于集成即时学习的电磁阀故障监测方法，其特征在于，所述步骤S4的具体方法如下：

针对每个相似性指标计算所有历史样本的相似度权重；对于相似性指标，根据个样本计算的权重是。

3.根据权利要求2所述一种基于集成即时学习的电磁阀故障监测方法，其特征在于，所述步骤S5的具体方法如下：

使用根据步骤S3获得在每个相似性指标下的相关样本

和，通过神经网络方法得到新的样本的在线故障检测局部模型；

其中，和表示通过相似性指标建立的在线故障检测局部模型的输出和输入，表示与对应的真实输出。

4.根据权利要求3所述一种基于集成即时学习的电磁阀故障监测方法，其特征在于，所述步骤S6的具体方法如下：

根据所有相关样本的健康标记情况和在每个相似性指标下对应的，训练SVM分类模型，使SVM分类模型能正确的将分为两类，一类为故障样本，用1表示，另一类为健康样本，用0表示，并计算正确率，其中，TP表示故障样本分类为故障样本，FP表示健康样本分类为故障样本，TN表示健康样本分类为健康样本，FN表示故障样本分类为健康样本。

5.根据权利要求4所述一种基于集成即时学习的电磁阀故障监测方法，其特征在于，所述步骤S7的具体方法如下：

根据公式，获得新的样本的在线故障检测局部模型，然后将分别代入SVM分类模型，并计算综合健康状态值，最后当时，当前电磁阀为故障状态，反之，当前电磁阀为健康状态；其中，为第个模型的分类结果，为阈值。