1.一种基于加权近邻决策的故障分类诊断方法,其特征在于,包括以下步骤:步骤(1):采集生产过程处于正常运行工况下的N0个样本数据,组成正常工况训练数据矩阵 计算数据矩阵X0中各列向量的均值μ1,μ2,…,μm与标准差δ1,δ2,…,δm,其中R表示实数集, 表示N0×m维的实数矩阵,N0为正常样本的个数,m为过程测量变量的个数;
步骤(2):从生产过程历史数据库中找到不同故障工况条件下的采样数据,组成各个参考故障的训练数据矩阵X1,X2,…,XC,其中 Nc为第c种故障的可用样本数,下标号c=1,2,…,C,C为参考故障的类别数;
步骤(3):根据如下所示公式,利用均值向量μ=[μ1,μ2,…,μm]与标准差对角矩阵分别标准化处理X0,X1,X2…,XC中的各个行向量,相应得到标准化后的数据矩阵 并初始化下标号c=1
其中,diag{δ1,δ2,…,δm}表示将δ1,δ2,…,δm构造成一个对角矩阵,x表示矩阵X0,X1,X2…,XC中的各个行向量,为标准化后的行向量;
步骤(4):将矩阵 与 合并成一个矩阵 并构建类标号向量 其中上标号T为矩阵或向量的转置,向量yc中前N0个元素数值全部为0而后Nc个元素数值全部等于1;
步骤(5):记矩阵Yc中各行向量为x1,x2,…,xn,其中n=N0+Nc,再利用近邻成分分析算法优化求解出权重向量wc;
步骤(6):根据公式 对第c类故障的数据进行加权处理,得到第c类参考故障的加权矩阵Fc;
步骤(7):判断是否满足条件c<C?若是,则置c=c+1后返回步骤(4);若否,则得到所有C类参考故障的加权向量w1,w2,…,wC,以及加权矩阵F1,F2,…,FC;
上述步骤(1)至步骤(7)完成了对各个类型故障可用训练数据的加权处理,以下所示步骤(8)至步骤(13)为在线故障数据所属故障类型的诊断过程;
步骤(8):当在线被监测数据z∈R1×m被识别为故障样本数据后,根据公式对z进行标准化处理得到向量 并再次初始化c=1;
步骤(9):调用第c类故障的加权向量wc,根据公式 计算得到向量zc;
步骤(10):根据如下所示公式计算加权矩阵Fc中各行向量 与向量zc之间的加权平均距离dc,k:
dc,k=||fk-zc||/||wc|| (2)上式中,k=1,2,…,Nc,符号|| ||表示计算向量的长度;
步骤(11):从加权平均距离 中找出最小的两个,并计算这两个最小的加权平均距离的均值,记为当前故障样本数据与第c类参考故障之间的差距Dc;
步骤(12):判断是否满足条件:c<C?若是,则置c=c+1后返回步骤(9);若否,则得到当前故障样本数据与所有C类参考故障之间的差距D1,D2,…,DC后执行步骤(13);
步骤(13):根据D1,D2,…,DC中的最小值确定在线故障数据z∈R1×m所归属的故障类型,并返回步骤(8)继续实施下一个故障样本的故障分类诊断。
2.根据权利要求1所述的一种基于加权近邻决策的故障分类诊断方法,其特征在于,所述步骤(5)中利用近邻成分分析算法优化得到加权向量wc的实施过程具体为:①初始化梯度步长α=1、初始化目标函数值f0(wc)=-106、以及初始化权重系数向量wc=[1,1,…,1],即各变量的权重系数初始值统一设置为1;
②根据如下所示公式计算在当前权重系数向量wc条件下的目标函数值f(wc):上式中,当且仅当xi与xj对应的类标号相同时,yij=1,其他情况yij=0,概率pij的计算方式如下所示:上式中,j=1,2,…,n,Dw(xi,xj)=||(xi-xj)diag(wc)||,diag(wc)表示将wc中的元素转变成对角矩阵,符号|| ||表示计算向量的长度;
③判断是否满足收敛条件|f(wc)-f0(wc)|<10-6?若是,则结束迭代循环过程并输出权重系数向量wc;若否,则继续实施步骤④;
④设置f0(wc)=f(wc)后根据如下所示公式计算梯度值Δf,并根据公式wc=wc+αΔf更新权重系数向量:⑤根据更新后的wc计算目标函数值f(wc),并判断是否满足条件f(wc)>f0(wc)?若是,则根据公式α=1.01α更新梯度步长α;若否,则根据公式α=0.4α更新梯度步长α;
⑥返回步骤③继续下一次迭代优化,直至满足步骤③中的收敛条件。