CN109164794B - 基于偏f值selm的多变量工业过程故障分类方法 - Google Patents
基于偏f值selm的多变量工业过程故障分类方法 Download PDFInfo
- Publication number
- CN109164794B CN109164794B CN201811401207.4A CN201811401207A CN109164794B CN 109164794 B CN109164794 B CN 109164794B CN 201811401207 A CN201811401207 A CN 201811401207A CN 109164794 B CN109164794 B CN 109164794B
- Authority
- CN
- China
- Prior art keywords
- value
- data set
- formula
- variable
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Devices For Executing Special Programs (AREA)
Abstract
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。
Description
技术领域
本发明属于工业过程故障诊断技术领域,涉及一种利用基于偏F值堆栈极限学习机(简称:FSELM)对多变量工业过程故障进行分类的方法。
背景技术
分布式计算机控制技术的进步极大地推动了工业过程生产规模的扩大。对于复杂庞大的工业生产过程而言,高效的故障诊断技术不仅有助于提高装置生产的稳定性,而且也有助于保障工作人员的人身安全。故障诊断技术的核心在于故障出现后准确的识别故障类型,因此故障分类技术对于现场工程师排除故障具有重要意义。
极限学习机(Extreme Learning Machine,简称:ELM)是由Guang-Bin Huang等人于2006年提出的一种单隐含层前馈神经网络学习算法,该算法训练过程中无需多次迭代调整,只需合理选择隐含层神经元的个数、选择合适的激活函数,便可获得唯一的最优解。因其具有训练速度快、分类精度高、泛化能力强等优点,目前已经在时间序列预测、图像处理、故障分类等多个领域得到广泛应用。为处理复杂多变量工业数据,研究人员进一步提出了堆栈极限学习机(简称:SELM),在堆栈学习框架下构建多层ELM,以实现对数据特征信息的深度挖掘和提取。然而,传统的SELM在构建模式分类器时将所有的过程变量同等对待,赋予相同的权值,使得部分有助于故障分类的重要变量信息被整体变量信息掩盖,从而降低了分类效果。因此,如何判断过程变量的重要性差异并赋予不同权值,成为SELM故障分类器构建中的挑战课题。
发明内容
本发明针对SELM故障分类器未充分挖掘局部重要变量信息导致分类效果降低的问题,提供一种基于偏F值SELM的多变量工业过程故障分类方法。该方法能够准确提取过程数据中有助于故障分类的部分重要变量,降低冗余变量对故障分类的影响,提高故障分类准确度。
为了达到上述目的,本发明提供了一种基于偏F值SELM的多变量工业过程故障分类方法,含有以下步骤:
(一)采集工业过程正常操作工况数据集Xo和C类故障工况数据集{X1,X2,…XC}作为训练数据集,并使用正常操作工况数据集的均值MXo和标准差SXo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
(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;
(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);
(四)利用重要性权值w(j)对故障工况数据集进行加权处理;
(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;
(六)采集测试数据集Xt,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
(七)利用重要性权值w(j)对测试数据集进行加权处理;
(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。
进一步的,利用正常操作工况数据集的均值MXo和标准差SXo通过公式(1)对正常操作工况数据集Xo和C类故障工况数据集{X1,X2,…XC}进行标准化处理,公式(1)的表达式为:
正常操作工况数据集Xo和C类故障工况数据集{X1,X2,…XC}由上述公式(1)标准化处理后,即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
进一步的,步骤(二)中,针对故障工况数据集通过计算公式(2)计算第j变量的偏F值F(i,j),计算公式(2)表示为:
式中,v=n0+ni-2,n0为正常操作工况数据集中的样本数目,ni为故障工况数据集中的样本数目,m为单个数据集的过程变量个数,Ti 2为考虑所有过程变量时的T2统计量,表示为:
式中,v=n0+ni-2,n0为正常操作工况数据集中的样本数目,ni为故障工况数据集中的样本数目,m为正常操作工况数据集和故障工况数据集两个数据集的变量个数,Ti 2为考虑所有过程变量时的T2统计量,表示为:
式中,为b0去掉第j个变量后的向量,为bi去掉第j个变量后的向量;为Si去掉第j行和第j列后的矩阵。
进一步的,步骤(三)中,对所有故障数据集得到的偏F值求和,得到第j个变量在所有故障情形下的总体偏F值Fs(j),总体偏F值Fs(j)表示为:
通过公式(6)计算第j个变量的总体偏F值Fs(j)在所有变量中的占比per(j),公式(6)表示为:
根据各个变量偏F值占比per(j)通过公式(7)计算每个变量在故障分类过程中的重要性权值w(j),公式(7)表示为:
式中,m正常操作工况数据集和故障工况数据集两个数据集的变量个数。
进一步的,步骤(四)中,利用重要性权值w(j)通过公式(8)对故障工况数据集进行加权处理,公式(8)表达为:
式中,为加权处理后的故障工况数据集。
进一步的,步骤(五)中,利用堆栈极限学习机建模方法构建FSELM分类模型的步骤为:
(1)构建训练数据集并根据数据类别编制相应的输出矩阵Y;设置堆栈极限学习机的超参数P、L、L1,L,L≥1表示隐含层单元个数,L1,1≤L1≤C表示输出权重矩阵降维后的列维数;
(2)随机初始化输入层权重参数W(k),k=1,2,...,P,其中,W(1)为L×m维矩阵,W(2),…W(P)为(L-L1)×m维矩阵;初始化隐含层序号p=1;
(3)计算第p个隐含层输出矩阵H(p)=g(X(W(p))T),其中,g()表示sigmoid激活函数;
(4)计算输出权重矩阵B(p)=(H(p))*Y,其中,B(p)为L×C维矩阵,*表示MP广义逆运算;
(5)对输出权重矩阵B(p)进行主元分析,得到L×L1维的线性变换阵V(p);
(6)求出第p+1个隐含层矩阵H(p+1)=[H(p)V(p) g(X(W(p+1))T)];
(7)令p=p+1,如果p<P,将新的隐含层矩阵H(p+1)代替H(p),重复步骤(4)-(6),进一步计算B(p+1)、V(p+1);否则达到堆栈层数,FSELM模型构建完成;构建的FSELM分类模型表示为:
y=f(x,W(1),…,W(P),V(1),…,V(P),B(1),…,B(P)) (9)
进一步的,步骤(六)中,利用正常操作工况数据集的均值MXo和标准差SXo通过公式(10)对测试数据集Xt进行标准化处理,公式(10)表示为:
测试数据集Xt由上述公式(10)标准化处理后,即得到标准化后的测试数据集
进一步的,步骤(七)中,利用重要性权值w(j)通过公式(11)对测试数据集进行加权处理,公式(11)表示为:
式中,为加权处理后的测试数据集。
进一步的,步骤(八)中,将加权后的测试数据集输入FSELM分类模型,根据FSELM分类模型输出得出测试数据集的故障类型矩阵故障类型矩阵表示为:
与现有技术相比,本发明的有益效果在于:
本发明提供的基于偏F值SELM的多变量工业过程故障分类方法,对采集的训练数据集进行标准化处理,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,通过测试数据集验证该分类模型的好坏,并根据FSELM分类模型对故障类型进行分类。本发明挖掘有助于故障分类的过程变量并给予较大权重,准确提取过程数据中有助于故障分类的部分重要变量,降低冗余变量对故障分类的影响,能够有效地提高故障分类的准确率。
附图说明
图1为本发明所述基于偏F值SELM的多变量工业过程故障分类方法的流程图;
图2为本发明实施例所述田纳西-伊斯曼(简称:TE)过程的结构图;
图3a为本发明实施例所述故障1各个变量的偏F值;
图3b为本发明实施例所述故障2各个变量的偏F值;
图3c为本发明实施例所述故障3各个变量的偏F值;
图3d为本发明实施例所述故障4各个变量的偏F值。
具体实施方式
下面,通过示例性的实施方式对本发明进行具体描述。然而应当理解,在没有进一步叙述的情况下,一个实施方式中的元件、结构和特征也可以有益地结合到其他实施方式中。
参见图1,本发明揭示了一种基于偏F值SELM的多变量工业过程故障分类方法,含有以下步骤:
(一)采集工业过程正常操作工况数据集Xo和C类故障工况数据集{X1,X2,…XC}作为训练数据集,并使用正常操作工况数据集的均值MXo和标准差SXo通过公式(1)对训练数据集进行标准化处理,公式(1)的表达式为:
训练数据集由上述公式(1)标准化处理后,即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
(二)针对故障工况数据集通过计算公式(2)计算第j变量的偏F值F(i,j),其中F(i,j)表示第i类故障工况数据集中第j个变量的偏F值。计算公式(2)表示为:
式中,v=n0+ni-2,n0为正常操作工况数据集中的样本数目,ni为故障工况数据集中的样本数目,m为单个数据集的过程变量个数,Ti 2为考虑所有过程变量时的T2统计量,表示为:
式中,v=n0+ni-2,n0为正常操作工况数据集中的样本数目,ni为故障工况数据集中的样本数目,m为正常操作工况数据集和故障工况数据集两个数据集的变量个数,Ti 2为考虑所有过程变量时的T2统计量,表示为:
式中,为b0去掉第j个变量后的向量,为bi去掉第j个变量后的向量;为Si去掉第j行和第j列后的矩阵。
若针对某类故障数据的偏F值越大,说明此变量对该类故障进行分类时的贡献越大;反之,针对某类故障数据的偏F值越小,说明此变量对该类故障进行分类的贡献越小。
(三)对所有故障数据集得到的偏F值求和,得到第j个变量在所有故障情形下的总体偏F值Fs(j),总体偏F值Fs(j)表示为:
通过公式(6)计算第j个变量的总体偏F值Fs(j)在所有变量中的占比per(j),公式(6)表示为:
根据各个变量偏F值占比per(j)通过公式(7)计算每个变量在故障分类过程中的重要性权值w(j),公式(7)表示为:
(四)利用重要性权值w(j)通过公式(8)对故障工况数据集进行加权处理,公式(8)表达为:
式中,为加权处理后的故障工况数据集。
(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。构建FSELM分类模型的具体步骤为:
(1)构建训练数据集并根据数据类别编制相应的输出矩阵Y;设置堆栈极限学习机的超参数P、L、L1,L,L≥1表示隐含层单元个数,L1,1≤L1≤C表示输出权重矩阵降维后的列维数;
(2)随机初始化输入层权重参数W(k),k=1,2,...,P,其中,W(1)为L×m维矩阵,W(2),…W(P)为(L-L1)×m维矩阵;初始化隐含层序号p=1;
(3)计算第p个隐含层输出矩阵H(p)=g(X(W(p))T),其中,g()表示sigmoid激活函数;
(4)计算输出权重矩阵B(p)=(H(p))*Y,其中,B(p)为L×C维矩阵,*表示MP广义逆运算;
(5)对输出权重矩阵B(p)进行主元分析,得到L×L1维的线性变换阵V(p);
(6)求出第p+1个隐含层矩阵H(p+1)=[H(p)V(p) g(X(W(p+1))T)];
(7)令p=p+1,如果p<P,将新的隐含层矩阵H(p+1)代替H(p),重复步骤(4)-(6),进一步计算B(p+1)、V(p+1);否则达到堆栈层数,FSELM模型构建完成;构建的FSELM分类模型表示为:
y=f(x,W(1),…,W(P),V(1),…,V(P),B(1),…,B(P)) (9)
(六)采集测试数据集Xt,利用正常操作工况数据集的均值MXo和标准差SXo通过公式(10)对测试数据集Xt进行标准化处理,公式(10)表示为:
测试数据集Xt由上述公式(10)标准化处理后,即得到标准化后的测试数据集
(七)利用重要性权值w(j)通过公式(11)对测试数据集进行加权处理,公式(11)表示为:
式中,为加权处理后的测试数据集。
(八)将加权后的测试数据集输入FSELM分类模型,根据FSELM分类模型输出得出测试数据集的故障类型矩阵故障类型矩阵表示为:
上述方法中,步骤(一)至(五)为离线建模阶段,步骤(六)至(八)为在线测试阶段。
本发明上述故障分类方法对训练数据集进行标准化处理;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;在此基础上,对测试数据集进行标准化处理;通过训练数据建立基于堆栈极限学习机的故障分类模型。本发明挖掘有助于故障分类的过程变量并给予较大权重,准确提取过程数据中有助于故障分类的部分重要变量,降低冗余变量对故障分类的影响,能够有效地提高故障分类的准确率。
为了能更清楚地说明本发明上述故障分类方法的有益效果,以下结合具体实施例对本发明上述故障分类方法做出进一步说明。
实施例:田纳西-伊斯曼(以下简称:TE)过程是由美国伊斯曼化学公司的Downs和Vogel根据一个实际的化工过程建立的实验平台,现被广泛用于验证控制算法和过程监控方法的优劣。参见图2,TE过程主要由五个单元组成,包括反应器、产品冷凝器、气液分离器、循环压缩机和汽提塔组成。TE过程共53个变量,其中包括22个连续测量变量、19个成分变量和12个操作变量。其中34个变量包括22个连续测量变量和12个操作变量,如表1所示。
表1
变量标号 | 变量描述 | 变量标号 | 变量描述 |
1 | A进料(流1) | 18 | 汽提器温度 |
2 | D进料(流2) | 19 | 汽提器流量 |
3 | E进料(流3) | 20 | 压缩机功率 |
4 | A和C进料(流4) | 21 | 反应器冷却水出口温度 |
5 | 再循环流量(流8) | 22 | 分离器冷却水出口温度 |
6 | 反应器进料速度(流6) | 23 | D进料量(流2) |
7 | 反应器压力 | 24 | E进料量(流3) |
8 | 反应器等级 | 25 | A进料量(流1) |
9 | 反应器温度 | 26 | A和C料量(流4) |
10 | 放空速率 | 27 | 压缩机再循环阀 |
11 | 产品分离器温度 | 28 | 放空阀 |
12 | 产品分离器液位 | 29 | 分离器罐液流量(流10) |
13 | 产品分离器压力 | 30 | 汽提器液体产品流量(流11) |
14 | 产品分离器塔底流量(流10) | 31 | 汽提器水流阀 |
15 | 汽提器等级 | 32 | 反应器冷水流量 |
16 | 汽提器压力 | 33 | 冷凝器冷水流量 |
17 | 汽提器塔底流量(流11) | 34 | 搅拌速度(无) |
实验中采用TE过程故障的4类故障数据,如表2所示,用来验证各方法的分类准确率。
表2
在本实施中,主要是对TE过程的故障1、故障2、故障3、故障4这4类故障类型进行分类,其中训练集中每类故障各300个样本,测试集中每类故障各200个样本。
图3a表示的是故障1中各个变量的偏F值,图3b表示的是故障2中各个变量的偏F值,图3c表示的是故障3中各个变量的偏F值,图3d表示的是故障4中各个变量的偏F值。根据各个变量的偏F值和各个变量的偏F值在所有变量中的占比得出其中的15个变量的权值为1,即变量1、44、50、40、9、17、52、21、38、18、35、41、34、29、10。
分别利用极限学习机(简称:ELM)、堆栈极限学习机(简称:SELM)、本发明基于偏F值SELM的多变量工业过程故障分类方法(简称:FSELM)对以上4类TE故障进行分类。故障分类准确率结果如表3所示。
表3
故障1 | 故障2 | 故障3 | 故障4 | 平均值 | |
ELM | 0.6662 | 0.5858 | 0.5458 | 0.9160 | 0.6785 |
SELM | 0.8598 | 0.6110 | 0.5558 | 0.9432 | 0.7425 |
FSELM | 0.9925 | 0.7180 | 0.6535 | 0.9655 | 0.8324 |
由上述表3可知,本发明提出的基于偏F值SELM故障分类方法能够明显的提高分类的准确率。
以上所举实施例仅用为方便举例说明本发明,并非对本发明保护范围的限制,在本发明所述技术方案范畴,所属技术领域的技术人员所作各种简单变形与修饰,均应包含在以上申请专利范围中。
Claims (9)
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:
(一)采集工业过程正常操作工况数据集Xo和C类故障工况数据集{X1,X2,…XC}作为训练数据集,并使用正常操作工况数据集的均值MXo和标准差SXo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
(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;
(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);
(四)利用重要性权值w(j)对故障工况数据集进行加权处理;
(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;
(六)采集测试数据集Xt,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
(七)利用重要性权值w(j)对测试数据集进行加权处理;
(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。
2.如权利要求1所述的基于偏F值SELM的多变量工业过程故障分类方法,其特征在于,步骤(一)中,利用正常操作工况数据集的均值MXo和标准差SXo通过公式(1)对训练数据集进行标准化处理,公式(1)的表达式为:
训练数据集由上述公式(1)标准化处理后,即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
3.如权利要求2所述的基于偏F值SELM的多变量工业过程故障分类方法,其特征在于,步骤(二)中,针对故障工况数据集通过计算公式(2)计算第j变量的偏F值F(i,j),计算公式(2)表示为:
式中,v=n0+ni-2,n0为正常操作工况数据集中的样本数目,ni为故障工况数据集中的样本数目,m为单个数据集的过程变量个数,Ti 2为考虑所有过程变量时的T2统计量,表示为:
式中,b0为正常类数据的均值向量;bi是第i类故障数据的均值向量;Si为组合矩阵的协方差矩阵;为剔除变量j之后的Ti 2值,即:
式中,为b0去掉第j个变量后的向量,为bi去掉第j个变量后的向量;为Si去掉第j行和第j列后的矩阵。
4.如权利要求3所述的基于偏F值SELM的多变量工业过程故障分类方法,其特征在于,步骤(三)中,对所有故障数据集得到的偏F值求和,得到第j个变量在所有故障情形下的总体偏F值Fs(j),总体偏F值Fs(j)表示为:
通过公式(6)计算第j个变量的总体偏F值Fs(j)在所有变量中的占比per(j),公式(6)表示为:
根据各个变量偏F值占比per(j)通过公式(7)计算每个变量在故障分类过程中的重要性权值w(j),公式(7)表示为:
5.如权利要求4所述的基于偏F值SELM的多变量工业过程故障分类方法,其特征在于,步骤(四)中,利用重要性权值w(j)通过公式(8)对故障工况数据集进行加权处理,公式(8)表达为:
式中,为加权处理后的故障工况数据集。
6.如权利要求5所述的基于偏F值SELM的多变量工业过程故障分类方法,其特征在于,步骤(五)中,利用堆栈极限学习机建模方法构建FSELM分类模型的步骤为:
(1)构建训练数据集并根据数据类别编制相应的输出矩阵Y;设置堆栈极限学习机的超参数P、L、L1,L,L≥1表示隐含层单元个数,L1,1≤L1≤C表示输出权重矩阵降维后的列维数;
(2)随机初始化输入层权重参数W(k),k=1,2,...,P,其中,W(1)为L×m维矩阵,W(2),...W(P)为(L-L1)×m维矩阵;初始化隐含层序号p=1;
(3)计算第p个隐含层输出矩阵H(p)=g(X(W(p))T),其中,g()表示sigmoid激活函数;
(4)计算输出权重矩阵B(p)=(H(p))*Y,其中,B(p)为L×C维矩阵,*表示MP广义逆运算;
(5)对输出权重矩阵B(p)进行主元分析,得到L×L1维的线性变换阵V(p);
(6)求出第p+1个隐含层矩阵H(p+1)=[H(p)V(p)g(X(W(p+1))T)];
(7)令p=p+1,如果p<P,将新的隐含层矩阵H(p+1)代替H(p),重复步骤(4)-(6),进一步计算B(p+1)、V(p+1);否则达到堆栈层数,FSELM模型构建完成;构建的FSELM分类模型表示为:
y=f(x,W(1),…,W(P),V(1),…,V(P),B(1),…,B(P)) (9)。
7.如权利要求6所述的基于偏F值SELM的多变量工业过程故障分类方法,其特征在于,步骤(六)中,利用正常操作工况数据集的均值MXo和标准差SXo通过公式(10)对测试数据集Xt进行标准化处理,公式(10)表示为:
测试数据集Xt由上述公式(10)标准化处理后,即得到标准化后的测试数据集
8.如权利要求7所述的基于偏F值SELM的多变量工业过程故障分类方法,其特征在于,步骤(七)中,利用重要性权值w(j)通过公式(11)对测试数据集进行加权处理,公式(11)表示为:
式中,为加权处理后的测试数据集。
9.如权利要求8所述的基于偏F值SELM的多变量工业过程故障分类方法,其特征在于,步骤(八)中,将加权后的测试数据集输入FSELM分类模型,根据FSELM分类模型输出得出测试数据集的故障类型矩阵故障类型矩阵表示为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811401207.4A CN109164794B (zh) | 2018-11-22 | 2018-11-22 | 基于偏f值selm的多变量工业过程故障分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811401207.4A CN109164794B (zh) | 2018-11-22 | 2018-11-22 | 基于偏f值selm的多变量工业过程故障分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109164794A CN109164794A (zh) | 2019-01-08 |
CN109164794B true CN109164794B (zh) | 2019-11-29 |
Family
ID=64875111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811401207.4A Active CN109164794B (zh) | 2018-11-22 | 2018-11-22 | 基于偏f值selm的多变量工业过程故障分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109164794B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490496B (zh) * | 2019-06-19 | 2022-03-11 | 中南大学 | 一种基于分步约简筛选复杂工业过程中影响产品质量的敏感变量的方法 |
CN110244692B (zh) * | 2019-06-20 | 2020-07-07 | 中国石油大学(华东) | 化工过程微小故障检测方法 |
CN113159225B (zh) * | 2021-05-17 | 2022-04-19 | 中国石油大学(华东) | 多变量工业过程故障分类方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105182955B (zh) * | 2015-05-15 | 2016-06-22 | 中国石油大学(华东) | 一种多变量工业过程故障识别方法 |
CN108052793B (zh) * | 2017-12-26 | 2023-10-31 | 杭州电子科技大学 | 一种基于模糊加权elm的移动污染源排放浓度预测方法 |
-
2018
- 2018-11-22 CN CN201811401207.4A patent/CN109164794B/zh active Active
Non-Patent Citations (1)
Title |
---|
ASELM: Adaptive semi-supervised ELM with application in question subjectivity identification;Hongping Fu et al.;《Neurocomputing》;20160522;第599-609页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109164794A (zh) | 2019-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fu et al. | Fault diagnosis for rolling bearings based on composite multiscale fine-sorted dispersion entropy and SVM with hybrid mutation SCA-HHO algorithm optimization | |
CN106355030B (zh) | 一种基于层次分析法和加权投票决策融合的故障检测方法 | |
CN106845717B (zh) | 一种基于多模型融合策略的能源效率评价方法 | |
CN111626336B (zh) | 一种基于不平衡数据集的地铁故障数据分类方法 | |
CN103914064B (zh) | 基于多分类器和d-s证据融合的工业过程故障诊断方法 | |
CN109164794B (zh) | 基于偏f值selm的多变量工业过程故障分类方法 | |
CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
CN100595780C (zh) | 一种基于模块神经网络的手写体数字自动识别方法 | |
Arbin et al. | Comparative analysis between k-means and k-medoids for statistical clustering | |
CN109740655B (zh) | 基于矩阵分解及神经协同过滤的物品评分预测方法 | |
CN116108758B (zh) | 滑坡易发性评价方法 | |
CN106202952A (zh) | 一种基于机器学习的帕金森疾病诊断方法 | |
CN106649789A (zh) | 一种基于集成半监督费舍尔判别的工业过程故障分类方法 | |
CN110381079A (zh) | 结合gru和svdd进行网络日志异常检测方法 | |
CN106681305A (zh) | 一种Fast RVM污水处理在线故障诊断方法 | |
CN107704883A (zh) | 一种菱镁矿矿石的品级的分类方法及*** | |
CN112766283B (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
CN111126820A (zh) | 反窃电方法及*** | |
CN108491991A (zh) | 基于工业大数据产品工期的约束条件分析***与方法 | |
CN110021340A (zh) | 一种基于卷积神经网络和规划动态算法的rna二级结构生成器及其预测方法 | |
Chen et al. | Wafer map failure pattern recognition based on deep convolutional neural network | |
CN109816030A (zh) | 一种基于受限玻尔兹曼机的图像分类方法及装置 | |
CN109594967A (zh) | 一种基于录井大数据的卡钻事故检测预警方法 | |
CN110378035A (zh) | 一种基于深度学习的加氢裂化软测量建模方法 | |
CN113159225B (zh) | 多变量工业过程故障分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |