[发明专利]基于自适应集成半监督费舍尔判别的故障分类方法

摘要

本发明公开了一种基于自适应的集成半监督费舍尔判别的工业过程故障分类方法，该方法在进行离线建模时，首先对无标签数据进行随机采样，与有标签数据组成半监督随机训练子集。在每次迭代训练子分类器时进行半监督费舍尔降维获得费舍尔判别矩阵，将降维后的有标签样本数据根据贝叶斯统计方法得到后验概率矩阵、该子分类器的融合权重以及下次迭代时有标签数据的样本权重。将有标签数据的后验概率矩阵及其标签作为融合算法K近邻的训练集。在线分类时，调用上述各个子分类器得到在线待测样本的后验概率矩阵，输入到带有权重的融合K近邻分类器中得到最终结果。相比现存方法，本发明提高了工业过程的故障分类效果，更有利于工业过程的自动化实施。

主权项

1.一种基于自适应的集成半监督费舍尔判别的故障分类方法，其特征在于，包括以下步骤：(1)利用系统收集过程正常工况的数据以及各种故障数据组成建模用的有标签训练样本集：假设故障类别为C,在加上一个正常类，建模数据的总类别为C+1,即Xi＝[x1；x2；…；xn]i＝1,2,…,C+1；其中Xi∈Rni×m，ni为第i类样本的训练样本数，m为过程变量数，R为实数集，Rni×m表示X满足ni×m的二维分布；所以完整的有标签训练样本集为Xl＝[X1；X2；…；XC+1],X∈R(∑ni)*m，记录所有数据的标签信息，正常工况下标记标签为1，故障1标签为2，以此类推，即Yi＝[i；i；…；i]i＝1,2,…,C+1，完整的标签集为Yl＝[Y1,Y2,…,YC+1],Yl∈R1×(∑ni)；将这些数据存入历史数据库作为有标签数据集；(2)利用系统收集若干工况及故障情况未知的数据组成建模用的无标签训练样本集：Xu＝[xu1；xu2；…；xuq],Xu∈Rq×m，其中q为训练样本数，m为过程变量数，R为实数集，Rq×m表示X满足q×m的二维分布；将这些数据存入历史数据库作为无标签数据集；(3)从数据库中调用训练用的有标签数据和无标签数据数据X_l,X_u，对其进行预处理和归一化，使得各个过程变量的均值为零，方差为1，得到新的数据矩阵集为；(4)设定迭代次数即弱分类器个数为G，每次在无标签数据矩阵集中随机抽取α％的数据和有标签数据矩阵集组成训练子集 在本次迭代的训练子集和该次迭代的有标签数据权重系数向量α_g＝[α₁,α₂,…,α_(∑ni)],α_g∈R^1×(∑ni)下建立不同的半监督费舍尔判别分类器模型，初始权重均为1；(5)在有标签数据矩阵集下，利用不同的分类器模型和参数，计算每个样本x_i的度量矩阵P_i,i＝1,2,…,(C+1)*n，并且P_i∈R^g×(C+1)，R为实数集，R^g×(C+1)表示X满足g×(C+1)的二维分布并计算下一次迭代时样本的权重系数α_g＝[α₁,α₂,…,α_(∑ni)],α_g∈R^1×(∑ni)和该次迭代所得子分类器的权重ω_g，重复(4)、(5)两步骤，直至完成G次迭代；(6)将建模数据和各个模型参数以及各个有标签数据的度量层矩阵存入历史数据库中备用；(7)在线收集新的过程数据X_new，并对其进行预处理和归一化使得各个过程变量的均值为零，方差为1，得到；分别采用不同的半监督费舍尔判别模型对其进行监测得到度量层矩阵；(8)将在线过程数据的度量层矩阵和之前得到的有标签数据度量层矩阵及其标签进行K近邻融合，得到待分类过程数据的最终分类结果。