[发明专利]一种基于偏置加权AdaBoost的故障诊断方法

说明书

本发明公开了一种基于偏置加权AdaBoost的故障诊断方法。首先，考虑到正常工况样本和故障工况样本之间的边界样本在寻找决策函数中起着重要作用，基于欠采样技术构造偏置数据集；然后，基于偏置数据集构建代价敏感的弱分类器，在其损失函数中为少数类分配更高的代价，即赋予少数类对应的项更高的权重，从而充分刻画弱分类器对不平衡样本的分类能力；最后，基于损失函数计算弱分类器的权重，将上述弱分类器自适应集成为强分类器以实现对故障的诊断。

技术领域

本发明涉及数据驱动技术领域，尤其涉及一种基于偏置加权AdaBoost的故障诊断方法。

背景技术

系统运行过程中大多处于正常状态，发生故障的情况较少，因此可获取的正常测量样本较多，故障测量样本明显不足，如何在不平衡样本的环境下快速准确地实现故障诊断，避免安全隐患和经济损失，成为故障诊断领域的一个新的挑战。近些年来，数据驱动的故障诊断方法被广泛地研究，它不依赖于过程本身的复杂机理，而是通过分析历史数据诊断系统当前是否发生故障。但是，数据驱动的故障诊断方法严重依赖于数据的质量，在这种样本不平衡环境下的故障诊断结果往往倾向于多数类即正常工况，影响了故障诊断的效果。

AdaBoost算法能有效地提高诊断结果的精度和鲁棒性，被广泛应用到故障诊断问题当中。然而当样本呈现不平衡特性时，AdaBoost的结果仍倾向于多数类，诊断效果不佳。为了解决上述不平衡问题，有学者利用SMOTE算法生成更多的少数类样本，或者利用bootstrap算法对多数类进行了欠采样，而后再采用AdaBoost实现分类，但上述方法对所有样本的学习过程是相似的，并未关注到边界样本(即多数类与少数类样本之间的样本)起到的重要作用。此外，在AdaBoost算法中，通过计算每个弱分类器的损失函数刻画其分类能力，从而决定各弱分类器的权重。然而，在该损失函数中，多数类和少数类对应的项的权重是相同的，由于多数类项的数值远高于少数类，使得多数类对损失函数影响过大，导致该损失函数不足以有效地刻画该弱分类器对不平衡样本的分类能力。

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偏置加权AdaBoost的故障诊断方法，包括：构造基于欠采样的偏置数据集的步骤、构建基于代价敏感的弱分类器的步骤以及构建自适应集成弱分类器的步骤；

所述构造基于欠采样的偏置数据集的步骤包括：利用K近邻算法采集每个少数类样本附近的若干个多数类样本，在平衡样本数量的同时采集边界样本，删除欠采样后的多数类样本数据集中的重复项，将剩余样本与全部少数类样本进行组成，构造偏置数据集；

所述构建基于代价敏感的弱分类器的步骤包括：基于偏置数据集训练弱分类器，在构建弱分类器的过程中，根据多数类和少数类将损失函数中原有的正确分类项和误分类项拆分为四项：多数类正确分类项、多数类误分类项、少数类正确分类项和少数类误分类项，赋予少数类对应项预设的权重，对少数类进行预设的惩罚力度；

所述构建自适应集成弱分类器的步骤包括：通过每个弱分类器的损失函数计算对应的权重，依据对应的权重将弱分类器集成为强分类器，根据强分类器的输出确定故障诊断结果。

可选的，所述构造基于欠采样的偏置数据集的步骤还包括：

构造原始数据集，包括少数类样本S_min和多数类样本S_maj，其中，所述少数类样本表示为(x_v,y_v),x_v∈R^d,y_v＝-1,v＝1,2,...,m，所述多数类样本表示为(x_j,y_j),x_j∈R^d,y_j＝1,j＝1,2,...,n，y表示x的标签，R为实数集，x的维度为1×d，n表示少数类样本的数量，m表示多数类样本的数量(m≥4n)；