CN112598022A - 基于集成学习方法的改进fda流程工业故障诊断方法 - Google Patents
基于集成学习方法的改进fda流程工业故障诊断方法 Download PDFInfo
- Publication number
- CN112598022A CN112598022A CN202011374338.5A CN202011374338A CN112598022A CN 112598022 A CN112598022 A CN 112598022A CN 202011374338 A CN202011374338 A CN 202011374338A CN 112598022 A CN112598022 A CN 112598022A
- Authority
- CN
- China
- Prior art keywords
- expression
- fda
- follows
- fault diagnosis
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 105
- 238000003745 diagnosis Methods 0.000 title claims abstract description 57
- 230000008569 process Effects 0.000 title claims abstract description 50
- 238000007636 ensemble learning method Methods 0.000 title claims abstract description 20
- 238000010606 normalization Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 20
- 239000006185 dispersion Substances 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000003416 augmentation Effects 0.000 claims description 5
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 13
- 238000004088 simulation Methods 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000009471 action Effects 0.000 abstract description 4
- 238000013398 bayesian method Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于集成学习方法的改进FDA流程工业故障诊断方法，对数据进行动态化处理后，数据间充分保留了工业流程的时序关联性以及更多有用信息，便于L2范数归一化的FDA方法进行特征提取。本发明提供的技术方案在集成学习方法的作用下，综合故障诊断模型建立时间缩短，提高了故障诊断效率。通过实验仿真结果来看，与未进行动态化处理以及基于贝叶斯方法的故障诊断模型相比，本发明提供的技术方案具有显著优势。
Description
技术领域
本发明涉及流程工业故障诊断的技术领域，尤其涉及一种基于集成学习方法的改进FDA流程工业故障诊断方法。
背景技术
涉及石油、化工、冶金、造纸等行业的流程工业作为我国国民经济的重要支柱产业，其安全生产向来是重要的关注点。得益于学科融合和计算机技术的不断发展更新，流程工业发展至今逐渐呈现出生产设备规模大、非线性、强耦合的特点，生产过程也相应具有高度复杂性、高度危险性，时常发生各种故障，造成经济甚至人员生命损失。因此，流程工业的故障诊断始终是生产过程的重要研究课题，是工业安全的关键技术，对工业控制***的安全运行至关重要。及时发现故障、解决故障是提高生产安全性和经济效益的重要手段。因此，对于故障诊断模型的研究、提高故障诊断准确率具有重要的实际意义。
近年来基于多元统计技术的数据驱动型故障诊断技术得到了广泛的研究和应用，例如主成分分析方法、局部保留投影方法、规范变量分析方法等。主元分析(PrincipalComponent Analysis，PCA)曾经是工业监控***中使用最广泛的数据驱动技术，是进行数据降维的经典方法。使用PCA技术提取数据的结构特征可以消除变量的相关性，同时确保样本数据具有最大的方差。由于PCA方法在数据结构特征提取中的优势，对PCA的进一步研究一直没有中断。例如，有学者提出了一种基于多尺度PCA(MSPCA)的新型模式识别框架，该框架结合了自适应神经模糊推理***，在提取数据特征后将状态空间创造性地分为得分空间和剩余空间，这使得故障诊断可以由多个分类器执行。但是故障诊断过程中，对数据进行降维时，各模式类别之间的数据信息也是需要重点关注的对象，基于此，本发明采用费舍尔判别分析进行数据降维。费舍尔判别分析(Fisher discriminant analysis，FDA)是一种广泛应用于模式分类中的数据降维方法，这种技术能够充分考虑各模式类别之间的数据信息。尤其对于影响生产的过程故障观测数量相对较少，而故障模式类所包含的变量数目相对较多的情况下，在确定更低维度的表示形式时，FDA由于其具有关注类间信息的能力，更适合应用于故障诊断。
作为一种有监督的学习方法，FDA已得到广泛研究，具有特征提取和模式分类的功能。作为数据特征选择的一种方法，FDA在故障诊断方面优于PCA。FDA还可以在特征提取的同时执行预分类，与其他数据驱动方法相比，FDA在执行故障模式识别时能够降低对分类器的性能要求。
本发明在进行故障模式分类时，选择了机器学习和数据挖掘领域中应用十分广泛的算法：Adaboost算法。Adaboost算法是一种集成算法，应用在二分类领域有Adaboost M1变体，应用在多分类领域有Adaboost M2变体。考虑到流程工业故障类型较多，故障诊断属于多分类任务，本发明选择Adaboost M2变体。本发明中，该算法针对多分类任务，应用特殊的结合策略，将数个分类性能较差的同质弱分类器(基本分类器)集合起来，提升为一种强分类器，获得优异的分类性能。Adaboost M2的工作机制是：首先从训练集中利用初始权重训练出第一个基本分类器1，然后对模式进行分类，根据基本分类器1对于故障模式的学习误差率进一步更新训练集中样本的权重，增大分类错误样本的权重而减小分类正确样本的权重，使得每一次的错分样本得到更多的重视。获得更新权重的训练样本后，开始训练基本分类器2，如此迭代数次，直到基本分类器个数达到事先预先设定的数目T，则终止训练，将T个基本分类器通过集合策略进行结合，最终提升为强分类器。
为了验证本发明的可行性，以田纳西-伊斯曼过程(Tennessee Eastman Process，TEP)中的故障类型为研究对象，基于FDA方法进行了故障诊断模型建立，目的是为了及时诊断出流程工业发生的故障，减少因故障造成的经济损失，以实现高效、安全生产。TEP是美国伊斯曼化学品公司创建的现实工业过程仿真，为过程监控的科学研究提供了模型范本。该仿真过程包括反应器、冷凝器、压缩机、分离器以及汽提塔五个核心组成单元，物料流涉及八种化学成分。本发明提出的故障诊断模型基于TEP的实验结果表明，与其他模型相比，基于集成学习方法的改进FDA故障诊断模型能够实现更高精度的故障诊断。
发明内容
为解决现有技术存在的局限和缺陷，本发明提供一种基于集成学习方法的改进FDA流程工业故障诊断方法，包括对所获得的故障数据进行预处理、构建动态化输入过程、FDA数据降维以及特征提取、集成学习方法AdaboostM2方法模式分类、构建故障诊断模型；
所述集成学习方法AdaboostM2方法模式分类的步骤包括：
给定训练集S和基本分类器空间Ψ，表达式如下：
其中，zi是数据Z的行向量，y是类别标签，c是故障类别数，φ代表基本分类器；
初始化训练集权重，表达式如下：
对于每个弱分类器，划分样本空间Z，得到Z1，Z2，...，Zm，在概率分布Df下计算样本类别属性概率，表达式如下：
在所述划分样本空间Z中设置基本分类器的输出，表达式如下：
计算求得归一化因子，表达式如下：
其中，共有F个特征，f＝1，2，...，F；
选择基本分类器使得归一化因子最小，表达式如下：
计算误分率，表达式如下：
其中，Tm(z)是由基本分类器预测的样本标签；
计算每个基本分类器的权重，表达式如下：
更新样本权重，表达式如下：
获得组合分类器，表达式如下：
其中，
可选的，所述对所获得的故障数据进行预处理的步骤包括：选择田纳西-伊斯曼过程的52个过程变量作为输入，对田纳西-伊斯曼过程的21个故障进行故障诊断；
获得故障原始训练样本的归一化数据集X0，表达式如下：
其中，n表示样本数量，m表示变量个数；
所述构建动态化输入过程的步骤包括：对所述归一化数据集X0进行动态化处理，选择时滞常数L＝2，得到增广矩阵X，表达式如下：
所述FDA数据降维以及特征提取的步骤包括：对所述增广矩阵X进行降维，计算FDA特征向量，进行L2范数归一化。
可选的，所述对所述增广矩阵X进行降维，计算FDA特征向量，进行L2范数归一化的步骤包括：
构建总离散度矩阵，表达式如下：
St＝Sw+Sb (3)
其中，Sw表示类内离散度矩阵，Sb表示类间离散度矩阵；
计算FDA向量，满足最小化类内离散度的同时最大化类间离散度，表达式如下：
使用拉格朗日乘数法，通过求解广义特征值来获得FDA向量wk，表达式如下：
Sbwk＝λpSwwk (5)
对所述FDA向量wk进行L2范数归一化，表达式如下：
选择r个FDA向量构建线性变换矩阵Wnew，表达式如下：
Wnew＝(w2 1，w2 2，...，，w2 r)T (7)
进行过程工业数据将维，表达式如下：
Z＝WT new×X (8)。
本发明具有下述有益效果：
本发明提供的基于集成学习方法的改进FDA流程工业故障诊断方法，对数据进行动态化处理后，数据间充分保留了工业流程的时序关联性以及更多有用信息，便于L2范数归一化的FDA方法进行特征提取。本发明提供的技术方案在集成学习方法的作用下，综合故障诊断模型建立时间缩短，提高了故障诊断效率。通过实验仿真结果来看，与未进行动态化处理以及基于贝叶斯方法的故障诊断模型想比，本发明提供的技术方案具有显著优势。
附图说明
图1为本发明实施例一提供的TEP流程图。
图2为本发明实施例一提供的训练过程平均分类正确率曲线示意图。
图3为本发明实施例一提供的数据集降维后样本点分布效果图。
图4为本发明实施例一提供的故障诊断结果混淆矩阵示意图。
图5为本发明实施例一提供的不同方法故障诊断结果对比图。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图对本发明提供的基于集成学习方法的改进FDA流程工业故障诊断方法进行详细描述。
实施例一
本实施例提出了一种基于Adaboost M2的动态L2范数归一化的费舍尔判别分析(D-L2-FDA)的新型故障诊断方法，在构建的D-L2-FDA模型中，考虑到所收集过程数据的时序特征，对故障数据集进行了动态处理。L2范数归一化的FDA用于提取数据特征并降低故障数据的维数。另外，为了对不同类型的故障模式进行分类，本实施例采用了Adaboost M2这种集成学习方法。为了验证所提出的基于Adaboost M2的D-L2-FDA模型在故障诊断中的有效性，本实施例基于田纳西伊士曼过程进行了案例研究。仿真结果表明，基于Adaboost M2的D-L2-FDA模型的诊断性能优于其他方法。
图1为本发明实施例一提供的TEP流程图。为了提高故障诊断精确度，本实施例提供了一种基于集成学习方法的改进FDA流程工业故障诊断方法，以精确诊断过程故障，确保生产安全。本实施例包括：获得数据并进行数据预处理、构建动态化输入过程、FDA数据降维以及特征提取、集成学习方法AdaboostM2方法模式分类、构建故障诊断模型。本实施例提供的技术方案在集成学习方法的作用下，综合故障诊断模型建立时间缩短，提高了故障诊断效率。
本实施例基于TEP仿真，真实模拟实际工厂生产，获得的数据集分为训练集和测试集，训练集由480个样本组成，测试集由960个样本组成。训练集和测试集中的数据包含了控制变量和测量变量共52个变量在不同采样时刻的信息，变量信息如表1所示。所有数据集涵盖了22种不同的工况，包括1组无故障工况和21组故障工况，故障工况描述及其类型如表2所示。
表1过程变量及其描述
表2故障及其描述
图2为本发明实施例一提供的训练过程平均分类正确率曲线示意图。本实施例进行数据预处理，为了考虑过程的连续性、动态性，对原始数据集进行了动态化处理。
图3为本发明实施例一提供的数据集降维后样本点分布效果图。本实施例对故障数据集进行降维和特征提取，采用改进的FDA方法，求解FDA特征向量后，进行了L2范数归一化，以获得特征向量方向，而忽略特征向量大小，简化了模型计算复杂度。
本实施例进行故障模式分类，得到降维后的规范数据后，采用基于决策树的集成学习方法Adaboost M2进行故障模式分类，完成故障诊断。
图4为本发明实施例一提供的故障诊断结果混淆矩阵示意图。图5为本发明实施例一提供的不同方法故障诊断结果对比图。本实施例为基于集成学习方法的改进FDA故障诊断模型，用于诊断流程工业的过程故障，通过对原始数据集进行动态化处理，对求得的FDA特征向量进行L2范数归一化得到故障特征提取模型，结合基于决策树集成的Adaboost M2算法进行故障模式分类，最终实现流程工业故障诊断。
本实施例获得故障原始训练样本的归一化数据集X0：
其中，n表示样本数量，m表示变量个数。
本实施例对X0进行动态化处理，选择时滞常数L＝2，得到增广矩阵X：
本实施例对增广矩阵进行降维，计算FDA特征向量，并做L2范数归一化。本实施例构建总离散度矩阵：
St＝Sw+Sb (3)
其中，Sw表示类内离散度矩阵，Sb表示类间离散度矩阵。
本实施例计算FDA向量，满足最小化类内离散度的同时最大化类间离散度：
本实施例应用拉格朗日乘数法，通过求解以下方程式的广义特征值来获得FDA向量wk：
Sbwk＝λpSwwk (5)
本实施例对求得的一系列FDA向量进行L2范数归一化：
本实施例选择r个FDA向量构建线性变换矩阵Wnew：
Wnew＝(w2 I，w2 2，...，w2 r)T (7)
本实施例进行过程工业数据降维：
Z＝WT new×X (8)
本实施例应用集成学习方法Adaboost M2进行故障模式分类，组合分类器生成过程如下：
本实施例给定训练集S和基本分类器空间Ψ：
其中，zi是数据Z的行向量，代表一个样本。y是类别标签，c是故障类别数，φ代表基本分类器。
本实施例初始化训练集权重：
本实施例假设共有F个特征需要得到，对于f＝1，2，…，F：
针对每个弱分类器，本实施例执行以下操作：
本实施例划分样本空间Z，得到Z1，Z2，...，Zm；
在概率分布下，本实施例计算样本类别属性概率：
本实施例在以上划分中设置基本分类器的输出：
本实施例计算得到归一化因子：
本实施例选择一个基本分类器使得归一化因子最小：
本实施例计算误分率：
其中，Tm(z)是由基本分类器预测的样本标签。
本实施例计算每个基本分类器的权重：
本实施例更新样本权重：
本实施例得到组合分类器：
其中，
由表达式(18)得到的组合分类器将若干分类能力比较弱的基本分类器整合为一个强分类器，本实施例称这种强分类器为集成学习方法。作为一种集成学习方法，AdaboostM2提供了一种新颖的模式分类器，该模式分类器通过根据提取的过程数据特征预测测试集数据的标签来实现模式分类，为故障诊断提供了新思路。Adaboost M2方法的思想是基于原始数据分布构建第一个简单的分类器。然后，bootstrap生成T个弱分类器，最后将这些不同的分类器组合在一起，以构建性能更好的强分类器。从算法流程可以看出，在权重更新过程中，误分类样本的权重增加，正确分类样本的权重降低。因此，Adaboost M2加强了对错误分类的样本的学习。
本实施例最终设计出一个基于集成学习方法Adaboost M2的改进FDA故障诊断模型，从模型在TEP故障诊断实验结果来看，本实施例具有较高的故障诊断正确率，具有一定的实际应用价值。
本实施例提供的基于集成学习方法的改进FDA流程工业故障诊断方法，对数据进行动态化处理后，数据间充分保留了工业流程的时序关联性以及更多有用信息，便于L2范数归一化的FDA方法进行特征提取。本实施例提供的技术方案在集成学习方法的作用下，综合故障诊断模型建立时间缩短，提高了故障诊断效率。通过实验仿真结果来看，与未进行动态化处理以及基于贝叶斯方法的故障诊断模型想比，本实施例提供的技术方案具有显著优势。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。
Claims (3)
1.一种基于集成学习方法的改进FDA流程工业故障诊断方法，其特征在于，包括对所获得的故障数据进行预处理、构建动态化输入过程、FDA数据降维以及特征提取、集成学习方法AdaboostM2方法模式分类、构建故障诊断模型；
所述集成学习方法AdaboostM2方法模式分类的步骤包括：
给定训练集S和基本分类器空间Ψ，表达式如下：
其中，zi是数据Z的行向量，y是类别标签，c是故障类别数，φ代表基本分类器；
初始化训练集权重，表达式如下：
对于每个弱分类器，划分样本空间Z，得到Z1,Z2,...,Zm，在概率分布Df下计算样本类别属性概率，表达式如下：
在所述划分样本空间Z中设置基本分类器的输出，表达式如下：
计算求得归一化因子，表达式如下：
其中，共有F个特征，f＝1,2,…,F；
选择基本分类器使得归一化因子最小，表达式如下：
计算误分率，表达式如下：
其中，Tm(z)是由基本分类器预测的样本标签；
计算每个基本分类器的权重，表达式如下：
更新样本权重，表达式如下：
获得组合分类器，表达式如下：
其中，
2.根据权利要求1所述的基于集成学习方法的改进FDA流程工业故障诊断方法，其特征在于，所述对所获得的故障数据进行预处理的步骤包括：选择田纳西-伊斯曼过程的52个过程变量作为输入，对田纳西-伊斯曼过程的21个故障进行故障诊断；
获得故障原始训练样本的归一化数据集X0，表达式如下：
其中，n表示样本数量，m表示变量个数；
所述构建动态化输入过程的步骤包括：对所述归一化数据集X0进行动态化处理，选择时滞常数L＝2，得到增广矩阵X，表达式如下：
所述FDA数据降维以及特征提取的步骤包括：对所述增广矩阵X进行降维，计算FDA特征向量，进行L2范数归一化。
3.根据权利要求2所述的基于集成学习方法的改进FDA流程工业故障诊断方法，其特征在于，所述对所述增广矩阵X进行降维，计算FDA特征向量，进行L2范数归一化的步骤包括：
构建总离散度矩阵，表达式如下：
St＝Sw+Sb (3)
其中，Sw表示类内离散度矩阵，Sb表示类间离散度矩阵；
计算FDA向量，满足最小化类内离散度的同时最大化类间离散度，表达式如下：
使用拉格朗日乘数法，通过求解广义特征值来获得FDA向量wk，表达式如下：
Sbwk＝λpSwwk (5)
对所述FDA向量wk进行L2范数归一化，表达式如下：
选择r个FDA向量构建线性变换矩阵Wnew，表达式如下：
Wnew＝(w2 I，w2 2，...，w2 r)T (7)
进行过程工业数据降维，表达式如下：
Z＝WT new×X (8)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011374338.5A CN112598022A (zh) | 2020-11-30 | 2020-11-30 | 基于集成学习方法的改进fda流程工业故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011374338.5A CN112598022A (zh) | 2020-11-30 | 2020-11-30 | 基于集成学习方法的改进fda流程工业故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112598022A true CN112598022A (zh) | 2021-04-02 |
Family
ID=75187312
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011374338.5A Pending CN112598022A (zh) | 2020-11-30 | 2020-11-30 | 基于集成学习方法的改进fda流程工业故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112598022A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105260601A (zh) * | 2015-10-10 | 2016-01-20 | 沈阳化工大学 | 一种基于融合dkpca-fda的聚合釜故障诊断方法 |
| CN106649789A (zh) * | 2016-12-28 | 2017-05-10 | 浙江大学 | 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 |
| CN106843195A (zh) * | 2017-01-25 | 2017-06-13 | 浙江大学 | 基于自适应集成半监督费舍尔判别的故障分类方法 |
| CN108446529A (zh) * | 2018-06-22 | 2018-08-24 | 太原理工大学 | 基于广义互熵—dpca算法的有机朗肯循环***故障检测方法 |
| CN109583482A (zh) * | 2018-11-13 | 2019-04-05 | 河海大学 | 一种基于多特征融合与多核迁移学习的红外人体目标图像识别方法 |
| CN109784356A (zh) * | 2018-07-18 | 2019-05-21 | 北京工业大学 | 基于Fisher判别分析的矩阵变量受限玻尔兹曼机图像分类方法 |
| CN110765587A (zh) * | 2019-09-30 | 2020-02-07 | 北京化工大学 | 基于动态正则化判别局部保留投影的复杂石化过程故障诊断方法 |
| CN111507504A (zh) * | 2020-03-18 | 2020-08-07 | 中国南方电网有限责任公司 | 基于数据重采样的Adaboost集成学习电网故障诊断***及方法 |
| CN111738309A (zh) * | 2020-06-03 | 2020-10-02 | 哈尔滨工业大学 | 多尺度分析和集成学习的气敏传感器故障模式识别方法 |
-
2020
- 2020-11-30 CN CN202011374338.5A patent/CN112598022A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105260601A (zh) * | 2015-10-10 | 2016-01-20 | 沈阳化工大学 | 一种基于融合dkpca-fda的聚合釜故障诊断方法 |
| CN106649789A (zh) * | 2016-12-28 | 2017-05-10 | 浙江大学 | 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 |
| CN106843195A (zh) * | 2017-01-25 | 2017-06-13 | 浙江大学 | 基于自适应集成半监督费舍尔判别的故障分类方法 |
| CN108446529A (zh) * | 2018-06-22 | 2018-08-24 | 太原理工大学 | 基于广义互熵—dpca算法的有机朗肯循环***故障检测方法 |
| CN109784356A (zh) * | 2018-07-18 | 2019-05-21 | 北京工业大学 | 基于Fisher判别分析的矩阵变量受限玻尔兹曼机图像分类方法 |
| CN109583482A (zh) * | 2018-11-13 | 2019-04-05 | 河海大学 | 一种基于多特征融合与多核迁移学习的红外人体目标图像识别方法 |
| CN110765587A (zh) * | 2019-09-30 | 2020-02-07 | 北京化工大学 | 基于动态正则化判别局部保留投影的复杂石化过程故障诊断方法 |
| CN111507504A (zh) * | 2020-03-18 | 2020-08-07 | 中国南方电网有限责任公司 | 基于数据重采样的Adaboost集成学习电网故障诊断***及方法 |
| CN111738309A (zh) * | 2020-06-03 | 2020-10-02 | 哈尔滨工业大学 | 多尺度分析和集成学习的气敏传感器故障模式识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| YAN-LIN HE.ET AL: "Fault diagnosis using novel AdaBoost based discriminant locality preserving projection with resample", 《ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE》, 8 April 2020 (2020-04-08), pages 1 - 11 * |
| 侯杰等: "基于FDA的快速haar特征选取及其在级联AdaBoost人脸检测中的应用", 《中国自动化学会控制理论专业委员会D卷》, 31 December 2011 (2011-12-31), pages 3234 - 3238 * |
| 陈定三等: "一种基于改进加权粗糙集的多模型软测量建模方法", 《化工自动化及仪表》, no. 01, 10 January 2010 (2010-01-10) * |
| 魏雪倩等: "基于AdaBoost多分类算法变压器故障诊断", 《西安工程大学学报》, no. 02, 31 December 2016 (2016-12-31) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Fault diagnosis of rotating machinery based on combination of deep belief network and one-dimensional convolutional neural network | |
| Ge et al. | Semisupervised kernel learning for FDA model and its application for fault classification in industrial processes | |
| Xiong et al. | A Wasserstein gradient-penalty generative adversarial network with deep auto-encoder for bearing intelligent fault diagnosis | |
| Zheng et al. | A rolling bearing fault diagnosis method based on multi-scale fuzzy entropy and variable predictive model-based class discrimination | |
| CN105116397B (zh) | 基于mmfa模型的雷达高分辨率距离像目标识别方法 | |
| Guo et al. | Deep convolution feature learning for health indicator construction of bearings | |
| Zheng et al. | Sucker rod pumping diagnosis using valve working position and parameter optimal continuous hidden Markov model | |
| CN108564107A (zh) | 基于原子拉普拉斯图正则化的半监督字典学习的样本类别归类方法 | |
| CN112881942B (zh) | 基于小波分解与经验模态分解的异常电流诊断方法和*** | |
| CN108764265A (zh) | 一种基于支持向量机算法的故障诊断方法 | |
| CN110765587A (zh) | 基于动态正则化判别局部保留投影的复杂石化过程故障诊断方法 | |
| CN108717149A (zh) | 基于M-RVM融合动态加权AdaBoost的变压器故障诊断方法 | |
| Yang et al. | Enhanced hierarchical symbolic dynamic entropy and maximum mean and covariance discrepancy-based transfer joint matching with Welsh loss for intelligent cross-domain bearing health monitoring | |
| Masood et al. | Differential evolution based advised SVM for histopathalogical image analysis for skin cancer detection | |
| CN114139638A (zh) | 一种考虑多变量相关性的风机叶片覆冰故障诊断方法 | |
| Samantaray et al. | Performance analysis of machine learning algorithms using bagging ensemble technique for software fault prediction | |
| CN108898157B (zh) | 基于卷积神经网络的数值型数据的雷达图表示的分类方法 | |
| CN112598022A (zh) | 基于集成学习方法的改进fda流程工业故障诊断方法 | |
| CN112183569A (zh) | 基于fda与som的间歇工业过程反应阶段聚类以及故障分类可视化 | |
| Zhu et al. | Novel imbalanced fault diagnosis method based on CSMOTE integrated with LSDA and LightGBM for industrial process | |
| Baruque et al. | THE S 2-ENSEMBLE FUSION ALGORITHM | |
| Ye et al. | Monitoring and diagnosis of multi-channel profile data based on uncorrelated multilinear discriminant analysis | |
| Cen et al. | Diffusion model and vision transformer for intelligent fault diagnosis under small samples | |
| Yang et al. | Convolutional autoencoder-based sensor fault classification | |
| Jiang et al. | Recurrence plot quantitative analysis-based fault recognition method of rolling bearing |
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 |