一种多变量加权集成学习的工业故障诊断方法与流程

技术特征：
1.一种多变量加权集成学习的工业故障诊断方法，其特征在于，包括集成学习中每个基础模型被赋予可变的权重，用于识别不同类别的工业故障样本；所提多变量加权集成学习的工业故障诊断方法在使用过程中的步骤为：步骤（1）：生成多个基础模型；从收集到的工业故障样本中提取特征；具有多维特征的实验数据集被分成三个数据集：训练集、验证集和测试集；每个基础模型都可以为测试集输出一个预测的标签集；基于预测的标签集和真实标签集，使用kw方差评估基础模型之间的多样性；相应kw方差计算公式如下：步骤（2）：为每个基础模型设置可变权重；假设集成学习方法包含n个基础模型{z1,zj,
…
,zn}，样本的标签集为{c1,c2,
…
,cn}，每个不同的基础模型的性能都在验证集上进行了测试，这意味着如果基础模型充分识别了某一类的故障样本，则对该类的预测结果赋予更大的权重，每个基础模型的权重值不是恒定的，而是随着不同类别样本的测试错误率而变化；其中矩阵中的元素wij计算公式如下：步骤（3）：集成每个基础模型；一种基于类概率的软投票方法被用来整合基础模型进行故障诊断；假设基础模型zj对样本x的预测概率分布为{p1j,pij,
…
,pmj}；集成模型用h表示；样本x在类别标签ci上的综合概率分布pi计算公式如下：共为3个步骤。2.根据权利要求1所述的一种多变量加权集成学习的工业故障诊断方法，其特征在于，所述步骤（1）中验证集用于生成每个基础模型的可变权重，通过自展法对主要训练集进行采样，生成了多个不同的训练集，通过从不同的训练集中学习构建了不同的基础模型。3.根据权利要求1所述的一种多变量加权集成学习的工业故障诊断方法，其特征在于，所述步骤（1）中l为基础模型的总数，其中n为样本的数量，为学习第j个样本的基础模型，表示能够正确识别样本的基础模型的数量。4.根据权利要求1所述的一种多变量加权集成学习的工业故障诊断方法，其特征在于，所述步骤（2）中每个基础模型zj对验证集的测试错误率为{e1j,eij,
…
,emj}，并使用所有
基础模型的测试错误率形成一个错误矩阵，表示为e=[eij]；使用误差矩阵，设置权重矩阵w，权重wij与测试错误率eij成反比，测试错误率eij越低，权重wij越高，wij表示类标签ci上样本的基础模型hj的权重，其中eij是hj在类标签ci上的测试错误率。5.根据权利要求1所述的一种多变量加权集成学习的工业故障诊断方法，其特征在于，所述步骤（3）中多个不同的基础模型与可变权重相结合，用于识别测试集，pij是类别标签ci上zj的预测概率。

技术总结
本发明提出一种多变量加权集成学习的工业故障诊断方法，该方法首先通过自展法从工业故障训练集产生多个不同的训练集。其次，使用不同的基础模型和不同的超参数，在不同的训练集上构建集成学习方法。最后，根据每个基础模型在验证集中各种故障模式的性能，为每个基础模型设计可变权重。所提多变量加权集成学习的工业故障诊断方法能解决集成方法中每个基础模型的权重保持不变的问题，实现了不同类型工业故障样本的准确识别，提高了集成学习的性能和工业故障诊断精度。和工业故障诊断精度。和工业故障诊断精度。


技术研发人员：陈乾 陈凤芝 李盛荣
受保护的技术使用者：广东元梦泽技术服务有限公司
技术研发日：2022.08.18
技术公布日：2022/11/29