一种复杂机电系统服役模式自动识别方法技术方案

本发明专利技术公开了一种复杂机电系统服役模式自动识别方法，采用无监督聚类和多目标优化相结合的方法建立基于人工免疫算法的初始抗体库，计算抗体亲和度阈值，建立初始模式识别模型；利用人工免疫算法对测试数据集进行离群点检测，确定免疫反应类型，确定模式识别结果；基于增量学习，分别对连续离群点和抗体二次免疫进行计数，从而实现对模式识别抗体库的增加新抗体、删除无用抗体和修订已有抗体的操作，实现模式识别模型自动更新，本发明专利技术在数据识别和自动、自适应模型更新方面具有特殊优势，可以灵活有效地应用于复杂机电系统的服役模式识别，此外，本发明专利技术为复杂机电系统以及其他工程应用中的数据挖掘，模式发现，故障检测和状态预测提供了基础。

【技术实现步骤摘要】
一种复杂机电系统服役模式自动识别方法
本专利技术属于数据驱动的服役模式自动识别领域，涉及一种工业生产装置服役模式自动识别方法，具体涉及一种复杂机电系统服役模式自动识别方法。
技术介绍
大型能源动力装备、高端压缩机组和精密机床等生产系统均可视为典型的复杂机电系统。在这些复杂机电系统中，功能设备相互耦合，系统内部设备操作中的任何微小的异常都可能导致整个设备的故障，并且还可能影响其他设备。因此，故障检测和状态预测对于确保复杂机电系统的安全可靠运行具有重要意义，其中模式识别是关键。模式识别技术源于故障诊断，技术基础是通过分析特征数据来构建未识别数据与给定的或者潜在的模式之间的映射。现有的模式识别方法可分为两类：基于统计过程的方法和基于人工智能的方法，其中基于人工智能的方法包括模糊分类器、支持向量机和以K近邻聚类和时间序列统计聚类为代表的聚类方法。这些方法都包括训练和测试两个阶段。尽管这些方法对静态系统是有效的，但是复杂机电系统的以下三个特征限制了这些方法在实际中的应用：(1)目前的训练数据通常包含恒定的模式，导致目前的方法只能识别训练过的模式。然而复杂机电系统的服役模式是多态的和随机的，总会本文档来自技高网...

【技术保护点】
1.一种复杂机电系统服役模式自动识别方法，其特征在于，包括以下步骤：步骤1)模式识别训练数据收集：收集流程工业复杂机电系统运行状态历史监测数据，建立高维原始数据集，对收集到的数据进行标准化处理得到标准化训练数据集；步骤2)初始模式识别模型建模：依据步骤1)得到的标准化训练数据集，采用无监督聚类和多目标优化相结合的方法建立初始抗体库，计算初始抗体库中抗体的亲和度阈值，建立初始模式识别模型；步骤3)基于人工免疫算法的离群点检测：依据步骤2)建立的初始模式识别模型，采用人工免疫算法对测试数据集进行离群点检测，确定测试数据的免疫反应类型，确定测试数据的模式识别结果；步骤4)基于增量学习的模式识别模型更...

【技术特征摘要】
1.一种复杂机电系统服役模式自动识别方法，其特征在于，包括以下步骤：步骤1)模式识别训练数据收集：收集流程工业复杂机电系统运行状态历史监测数据，建立高维原始数据集，对收集到的数据进行标准化处理得到标准化训练数据集；步骤2)初始模式识别模型建模：依据步骤1)得到的标准化训练数据集，采用无监督聚类和多目标优化相结合的方法建立初始抗体库，计算初始抗体库中抗体的亲和度阈值，建立初始模式识别模型；步骤3)基于人工免疫算法的离群点检测：依据步骤2)建立的初始模式识别模型，采用人工免疫算法对测试数据集进行离群点检测，确定测试数据的免疫反应类型，确定测试数据的模式识别结果；步骤4)基于增量学习的模式识别模型更新：依据步骤3)的离群点检测结果，分别对连续离群点和抗体二次免疫进行计数，从而实现对模式识别抗体库的增加新抗体、删除无用抗体和修订已有抗体的操作，实现模式识别模型自动更新；步骤5)复杂机电系统实时模式识别：依据步骤4)更新后的模式识别模型，对复杂机电系统实时监测数据进行模式识别，将复杂机电系统服役模式划分为噪声数据、已有模式和新模式。2.根据权利要求1所述的一种复杂机电系统服役模式自动识别方法，其特征在于，所述步骤1)包括以下步骤：步骤1.1)原始训练数据收集：对复杂机电系统n个传感器以相同的采样频率从历史监测数据中抽取数据，获得一个复杂机电系统n维的监测时间序列矩阵D：其中：Xi是矩阵中第i个样本点；di,j是第i个样本点中的第j个属性值；矩阵中每一列是一个特定监测变量的观测时间序列；步骤1.2)训练数据标准化：对步骤1.1)中收集的复杂机电系统n维的监测时间序列矩阵D按列进行标准化处理：获得一个复杂机电系统n维的标准化监测时间序列矩阵D′，作为n维标准化训练数据集：其中：Xi′是标准化后矩阵中的第i个样本点；di,j′是标准化后的第i个样本点中的第j个属性值；矩阵中每一列是一个特定监测变量标准化后的观测时间序列。3.根据权利要求2所述的一种复杂机电系统服役模式自动识别方法，其特征在于，所述步骤2)，包括以下步骤：步骤2.1)初始模式识别抗体数据库生成；步骤2.2)抗体二次免疫响应亲和度阈值计算。4.根据权利要求3所述的一种复杂机电系统服役模式自动识别方法，其特征在于，所述步骤2.1)，包括以下步骤：步骤2.1.1)无监督聚类，建立模式类别数据库：对步骤1.2)的n维标准化训练数据集，选择适当的ε和MinPts参数，采用DBSCAN方法进行无监督聚类，获得n维标准化训练数据集中每一个训练数据的模式类别，并建立模式类别数据库C；C＝{c1,c2,...,cm}其中，ci＝{ci1,ci2,...,cik}代表第i类模式中有k个数据；步骤2.1.2)遗传算法优化，获得模式识别初始抗体数据库：对步骤2.1.1)中建立的模式类别数据库C的每一个模式的训练数据cik，利用基于遗传算法的Pareto优化算法，按照下述目标函数进行多目标优化：其中：abj为服役模式j的最优特征数据，即模式j对应的抗体数据；agij是模式j的第i个抗原；distij是模式j的第i个抗原与优化的抗体数据之间的亲和度测量；variance(·)是方差函数；得到模式识别初始抗体数据库:antibody_database＝{ab1,ab2,…,abn}其中：abj为服役模式j对应的抗体数据。5.根据权利要求3所述的一种复杂机电系统服役模式自动识别方法，其特征在于，所述步骤2.2)，包括以下步骤：步骤2.2.1)最优抗体与模式类别数据库亲和度值计算：对步骤2.1.2)中的模式识别初始抗体数据库中的每一个初始抗体数据abj，按照下式计算abj与步骤2.1.1)中对应模式cj＝{cj1,cj2,...,cjk}中每一个元素之间的亲和度值：其中，cjil是模式类别cj的第i个元素cji的第l维数据，abjl是抗体abj的第l维数据；然后，得到初始抗体数据abj与其对应的模式类别数据库cj之间的亲和度值的数据库：fitvalue_database＝{fitvalue1,fitvalue2,…,fitvaluen}其中，fitvaluej＝min{fitvaluej1,fitvaluej2,…,fitvaluejk}，fitvaluejk是初始抗体数据abj与模式类别数据库cj中第k个数据cjk之间的亲和度值；步骤2.2.2)抗体二次免疫响应亲和度阈值计算：按照下式计算abj抗体类发生免疫响应的亲和度阈值：fitforcej＝fitvaluej×fitrate其中，fitvaluej是步骤2.2.1)得到的亲和度值；fitrate是亲和率，代表抗体对...

【专利技术属性】
技术研发人员：王荣喜，高建民，高智勇，姜洪权，彭财元，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61