[发明专利]基于多分类器和D-S证据融合的工业过程故障诊断方法

摘要

本发明公开了一种基于多分类器和D-S证据融合的工业过程故障诊断方法，该方法首先根据对工业过程的故障数据进行独立重复采样，然后对新的训练数据应用多个分类器方法，获得各自的离线建模模型，同时每个分类器方法的性能以融合矩阵的形式表现。然后，通过D-S证据理论计算不同类别的基本概率赋值函数，根据相似性指数，对多个分类器决策进行选择性集成和综合，求得联合基本概率赋值函数，通过比较，获得最后的分类诊断结果。相比目前的其它方法，本发明可以大大提高工业过程的诊断效果，减小延迟诊断时间，提高诊断准确率，很大程度上改善了监测性能，增强了过程操作员对过程的理解能力和操作信心，更加有利于工业过程的自动化实施。

主权项

一种基于多分类器和D‑S证据融合的工业过程故障诊断方法，其特征在于，包括以下步骤：（1）利用系统收集过程正常运行的数据以及各种故障数据组成建模用的训练样本集：假设故障类别为C，再加上一个正常类，建模数据的总类别为C+1，即，X_i=[x₁;x₂;...;x_n],i=1,2,...,C+1；其中X_i∈R^n×m，R为实数集，R^n×m表示X满足n×m的二维分布，n为每一类的样本数，m为过程变量数；那么完整的训练样本集为X且X=[X₁;X₂;...;X_C+1]，X∈R^((C+1)*n)×m，将这些数据存入历史数据库；（2）收集与训练数据不同的另外的故障类数据，作为离线测试数据，总共C类，即：Y_j=[y₁;y₂;...;y_N],j=1,2,...,C，其中Y_j∈R^N×m，且N为每一类的样本数，m为过程变量数；那么完整的测试样本集为Y，即Y=[Y₁;Y₂;...;Y_C]，Y∈R^(C*N)×m，同时将这些数据存入历史数据库；（3）从数据库中调用训练样本X，采用独立重复采样方法对每一类数据矩阵进行重排处理，并且保证重排规则一致，得到数据矩阵集（4）对数据集进行预处理和归一化，即在每一个类别内，分别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（5）对数据集Y进行预处理和归一化，即按照步骤4得到的各类训练样本的均值和方差，使得在每一个类内，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（6）选择分类器方法的个数为G，包括无监督方法和有监督方法，调用不同的分类器，在训练数据集下建立不同的分类器模型，对无监督模型计算相应的T²和SPE统计量的检测统计限；对有监督模型计算相应的标签指标；（7）在测试数据集下，利用不同的分类器模型及其参数，离线计算每一个分类器方法的融合矩阵；（8）根据提出的相似性指数，计算不同分类器方法之间的相似性，为之后的选择性融合过程做准备；（9）将建模数据和各个模型参数，一起存入历史数据库和实时数据库中备用；（10）收集新的在线过程数据，并对其进行预处理和归一化；（11）分别采用不同的分类器模型进行监测，对于无监督模型，建立统计量T2和SPE统计量，对于有监督模型，得到相应的分类标签；（12）通过D‑S证据理论，利用融合矩阵中对不同故障检出率的先验知识，计算当前样本在所有分类器方法下的综合分类率，利用之前计算出的相似性指数，有选择的进行融合，并做出最后决策。