CN110716496A - 一种基于集成学习的智能控制系统异常预测方法 - Google Patents
一种基于集成学习的智能控制系统异常预测方法 Download PDFInfo
- Publication number
- CN110716496A CN110716496A CN201911047221.3A CN201911047221A CN110716496A CN 110716496 A CN110716496 A CN 110716496A CN 201911047221 A CN201911047221 A CN 201911047221A CN 110716496 A CN110716496 A CN 110716496A
- Authority
- CN
- China
- Prior art keywords
- individual
- learner
- learners
- intelligent control
- control system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/401—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control arrangements for measuring, e.g. calibration and initialisation, measuring workpiece for machining purposes
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/34—Director, elements to supervisory
- G05B2219/34242—For measurement only
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于集成学习的智能控制系统异常预测方法。该方法包括以下步骤:基于个体学习器对传感器采集到的样本数据进行训练;重复训练多个个体学习器,直到个体学习器数量达到标准数量T;将T个个体学习器进行加权结合,通过动态规划方法确定各个体学习器的权重,并采用加性模型得到个体学习器的线性组合;基于该线性组合,最小化指数损失函数,从而最小化异常分类错误率。本发明提高了智能控制系统异常预测的准确率和计算效率。
Description
技术领域
本发明涉及智能控制系统技术领域,特别是一种基于集成学习的智能控制系统异常预测方法。
背景技术
在众多智能控制系统,例如航空发动机系统、车辆动力学系统、化学过程系统、制造系统、电力网络系统、电机系统、风能转换系统中,都对系统自身的安全性有很高的要求,所以对智能控制系统的可靠性和安全性要求越来越高。传统智能控制系统的安全性问题主要来源于智能控制系统潜在的过程异常和组件异常,因此,尽早检测和识别各种潜在的异常并实施容错操作,以最大程度地降低性能下降并避免危险情况至关重要。
传统的异常检测方法大多基于专家系统,这类方法需要大量的专家知识作为理论支撑,而随着工控领域数据的井喷,专家系统所需的知识也将越来越多,如果没有庞大的专家知识体系作为支撑,很难准确地对异常进行预测,而且随着知识越来越多,专家系统的性能也将越来越低,无法满足异常预测的实时性要求。
发明内容
本发明的目的在于提供一种方法简单、计算效率高、可靠性高的基于集成学习的智能控制系统异常预测方法。
实现本发明目的的技术解决方案为:一种基于集成学习的智能控制系统异常预测方法,包括以下步骤:
步骤1、基于个体学习器对传感器采集到的样本数据进行训练;
步骤2、重复训练多个个体学习器,直到个体学习器数量达到标准数量T;
步骤3、将T个个体学习器进行加权结合,通过动态规划方法确定各个体学习器的权重,并采用加性模型得到个体学习器的线性组合;
步骤4、基于该线性组合,最小化指数损失函数,从而最小化异常分类错误率。
进一步地,步骤1所述的基于个体学习器对传感器采集到的样本数据进行训练,具体如下:
步骤1.1、根据异常数据特征,选择个体学习器hθ(x),其中θ为个体学习器待学习的参数,x为接收到的异常样本矩阵;
步骤1.2、定义个体学习器hθ(x)的损失函数Jθ(x);
步骤1.3、初始化θ为零向量,基于梯度下降算法不断更新θ的值,直到损失函数Jθ(x)达到最小;
步骤1.4、得到单个个体学习器。
进一步地,步骤2所述的重复训练多个个体学习器,直到个体学习器数量达到标准数量T,具体如下:
定义个体学习器标准数量T,重复步骤1,直到个体学习器数量达到T,对于第t个个体学习器:
其中,t为个体学习器的编号,t=1,2,3,…,T。
进一步地,步骤3所述的将T个个体学习器进行加权结合,通过动态规划方法确定各个体学习器的权重,并采用加性模型得到个体学习器的线性组合,具体如下:
步骤3.1、初始化第一个个体学习器的权重为1;
步骤3.2、设定动态规划模型dp[i],i∈{1,2,…,T}的含义为:对于第i个个体学习器而言,使得在当前i个模型下能得到的最佳预测函数,转移方程如下:
其中,j∈(0,1),当上述公式取得最大值时,取dp[i]=j;
步骤3.3、利用加权模型求得各个体学习器的线性组合H(x),具体如下:
进一步地,步骤4所述的基于该线性组合,最小化指数损失函数,从而最小化异常分类错误率,具体如下:
步骤4.1、计算最小化指数损失函数Jexp(H|D)=Ex~D[e-f(x)H(x)],其中,D为概率分布,Jexp表示最小化指数损失函数,Ex~D表示函数f(x)在分布D下的数学期望,f(x)表示训练集的真实映射;
步骤4.2、基于上述函数,对H(x)求偏导得:
其中,P表示事件的概率;
步骤4.3、由上述函数得:
sigmoid(H(x))=argmaxP(f(x)=y|x),y∈{1,-1}
由此得,sigmoid(H(x))达到贝叶斯最优错误率,分类错误率达到最小化。
本发明与现有技术相比,其显著优点在于:(1)无需依赖于专家系统的系统知识,基于传感器数据即可对设备异常进行准确的预测,降低了智能控制系统异常预测的复杂度;(2)基于集成学习的方法,集合了多个学习器进行预测,只需依赖于智能控制系统传感器的数据即可对潜在异常进行预测,而且集成学习集合了多个学习器进行预测,可靠性高,计算复杂度低,适应当前工控环境的实时性和准确性的要求。
附图说明
图1是本发明基于集成学习的智能控制系统异常预测方法的流程示意图。
具体实施方式
结合图1,本发明基于集成学习的智能控制系统异常预测方法,具体步骤如下:
步骤1、基于个体学习器对传感器采集到的样本数据进行训练;
步骤2、重复训练多个个体学习器,直到个体学习器数量达到标准数量T;
步骤3、将T个个体学习器进行加权结合,通过动态规划方法确定各个体学习器的权重,并采用加性模型得到个体学习器的线性组合;
步骤4、基于该线性组合,最小化指数损失函数,从而最小化异常分类错误率。
进一步地,步骤1所述的基于个体学习器对传感器采集到的样本数据进行训练,具体如下:
步骤1.1、根据异常数据特征,选择个体学习器hθ(x),其中θ为个体学习器待学习的参数,x为接收到的异常样本矩阵;
步骤1.2、定义个体学习器hθ(x)的损失函数Jθ(x);
步骤1.3、初始化θ为零向量,基于梯度下降算法不断更新θ的值,直到损失函数Jθ(x)达到最小;
步骤1.4、得到单个个体学习器。
进一步地,步骤2所述的重复训练多个个体学习器,直到个体学习器数量达到标准数量T,具体如下:
定义个体学习器标准数量T,重复步骤1,直到个体学习器数量达到T,对于第t个个体学习器:
其中,t为个体学习器的编号,t=1,2,3,…,T。
进一步地,步骤3所述的将T个个体学习器进行加权结合,通过动态规划方法确定各个体学习器的权重,并采用加性模型得到个体学习器的线性组合,具体如下:
步骤3.1、初始化第一个个体学习器的权重为1;
步骤3.2、设定动态规划模型dp[i],i∈{1,2,…,T}的含义为:对于第i个个体学习器而言,使得在当前i个模型下能得到的最佳预测函数,转移方程如下:
其中,j∈(0,1),当上述公式取得最大值时,取dp[i]=j;
步骤3.3、利用加权模型求得各个体学习器的线性组合H(x),具体如下:
进一步地,步骤4所述的基于该线性组合,最小化指数损失函数,从而最小化异常分类错误率,具体如下:
步骤4.1、计算最小化指数损失函数Jexp(H|D)=Ex~D[e-f(x)H(x)],其中,D为概率分布,Jexp表示最小化指数损失函数,Ex~D表示函数f(x)在分布D下的数学期望,f(x)表示训练集的真实映射;
步骤4.2、基于上述函数,对H(x)求偏导得:
其中,P表示事件的概率;
步骤4.3、由上述函数得:
sigmoid(H(x))=argmaxP(f(x)=y|x),y∈{1,-1}
由此得,sigmoid(H(x))达到贝叶斯最优错误率,分类错误率达到最小化。
下面结合附图和具体实施方式对本发明作进一步的详细说明。
结合图1,本发明一种基于集成学习的智能控制系统异常预测体系化方法,包括以下步骤:
步骤1、基于个体训练模型对传感器采集到的的样本数据进行训练,得到单个个体学习器,具体如下:
步骤1.1、根据异常数据特征,选择个体学习器hθ(x),其中,θ为个体学习器待学习的参数,x为接收到的异常样本矩阵;
步骤1.2、定义个体学习器hθ(x)的损失函数Jθ(x);
步骤1.3、初始化θ为零向量,基于梯度下降算法不断更新θ的值,直到损失函数Jθ(x)达到最小;
步骤1.4、得到单个个体学习器。
步骤2、重复训练多个个体学习器,直到个体学习器数量达到标准数量T,具体如下:
定义个体学习器标准数量T,重复步骤1,直到个体学习器数量达到T:
Fort in(1,T):
步骤3、将T个个体学习器进行加权结合,通过动态规划方法确定各个体学习器的权重,并采用加性模型得到个体学习器的线性组合,具体如下:
步骤3.1、初始化第一个个体学习器的权重为1;
步骤3.2、设定动态规划模型dp[i],i∈{1,2,…,T}的含义为:对于第i个学习器而言,使得在当前i个模型下能得到的最佳预测函数,转移方差如下:
dp[i]=j where
步骤3.3、利用加权模型求得各个体学习器的线性组合,具体如下:
步骤4、基于该线性组合,最小化指数损失函数,从而最小化异常分类错误率,具体如下:
步骤4.1、计算最小化指数损失函数Jexp(H|D)=Ex~D[e-f(x)H(x)]
步骤4.2、基于上述函数,对H(x)求偏导得:
步骤4.3、由上述函数可得:
sigmoid(H(x))=argmaxP(f(x)=y|x),y∈{1,-1}
由此可得,sigmoid(H(x))达到贝叶斯最优错误率,分类错误率达到最小化。
综上所述,本发明无需依赖于专家系统的系统知识,基于传感器数据即可对设备异常进行准确的预测,降低了智能控制系统异常预测的复杂度;基于集成学习的方法,集合了多个学习器进行预测,只需依赖于智能控制系统传感器的数据即可对潜在异常进行预测,而且集成学习集合了多个学习器进行预测,可靠性高,计算复杂度低,适应当前工控环境的实时性和准确性的要求。
Claims (5)
1.一种基于集成学习的智能控制系统异常预测方法,其特征在于,包括以下步骤:
步骤1、基于个体学习器对传感器采集到的样本数据进行训练;
步骤2、重复训练多个个体学习器,直到个体学习器数量达到标准数量T;
步骤3、将T个个体学习器进行加权结合,通过动态规划方法确定各个体学习器的权重,并采用加性模型得到个体学习器的线性组合;
步骤4、基于该线性组合,最小化指数损失函数,从而最小化异常分类错误率。
2.根据权利要求1所述的基于集成学习的智能控制系统异常预测方法,其特征在于,步骤1所述的基于个体学习器对传感器采集到的样本数据进行训练,具体如下:
步骤1.1、根据异常数据特征,选择个体学习器hθ(x),其中θ为个体学习器待学习的参数,x为接收到的异常样本矩阵;
步骤1.2、定义个体学习器hθ(x)的损失函数Jθ(x);
步骤1.3、初始化θ为零向量,基于梯度下降算法不断更新θ的值,直到损失函数Jθ(x)达到最小;
步骤1.4、得到单个个体学习器。
5.根据权利要求4所述的基于集成学习的智能控制系统异常预测方法,其特征在于,步骤4所述的基于该线性组合,最小化指数损失函数,从而最小化异常分类错误率,具体如下:
步骤4.1、计算最小化指数损失函数Jexp(H|D)=Ex~D[e-f(x)H(x)],其中,D为概率分布,Jexp表示最小化指数损失函数,Ex~D表示函数f(x)在分布D下的数学期望,f(x)表示训练集的真实映射;
步骤4.2、基于上述函数,对H(x)求偏导得:
其中,P表示事件的概率;
步骤4.3、由上述函数得:
sigmoid(H(x))=arg max P(f(x)=y|x),y∈{1,-1}
由此得,sigmoid(H(x))达到贝叶斯最优错误率,分类错误率达到最小化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911047221.3A CN110716496B (zh) | 2019-10-30 | 2019-10-30 | 一种基于集成学习的智能控制系统异常预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911047221.3A CN110716496B (zh) | 2019-10-30 | 2019-10-30 | 一种基于集成学习的智能控制系统异常预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110716496A true CN110716496A (zh) | 2020-01-21 |
CN110716496B CN110716496B (zh) | 2022-03-22 |
Family
ID=69213512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911047221.3A Active CN110716496B (zh) | 2019-10-30 | 2019-10-30 | 一种基于集成学习的智能控制系统异常预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110716496B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608004A (zh) * | 2015-12-17 | 2016-05-25 | 云南大学 | 一种基于cs-ann的软件缺陷预测方法 |
US20170316164A1 (en) * | 2016-04-29 | 2017-11-02 | Stichting Imec Nederland | Method and device for estimating a condition of a person |
CN108023876A (zh) * | 2017-11-20 | 2018-05-11 | 西安电子科技大学 | 基于可持续性集成学习的入侵检测方法及入侵检测系统 |
CN108873829A (zh) * | 2018-05-28 | 2018-11-23 | 上海新增鼎数据科技有限公司 | 一种基于梯度提升决策树的磷酸生产参数控制方法 |
CN109459235A (zh) * | 2018-12-13 | 2019-03-12 | 中国航空工业集团公司上海航空测控技术研究所 | 基于集成学习增强型齿轮单故障类别诊断方法 |
CN109697463A (zh) * | 2018-12-13 | 2019-04-30 | 中国航空工业集团公司上海航空测控技术研究所 | 基于支持向量数据描述集成学习的齿轮故障识别方法 |
-
2019
- 2019-10-30 CN CN201911047221.3A patent/CN110716496B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608004A (zh) * | 2015-12-17 | 2016-05-25 | 云南大学 | 一种基于cs-ann的软件缺陷预测方法 |
US20170316164A1 (en) * | 2016-04-29 | 2017-11-02 | Stichting Imec Nederland | Method and device for estimating a condition of a person |
CN108023876A (zh) * | 2017-11-20 | 2018-05-11 | 西安电子科技大学 | 基于可持续性集成学习的入侵检测方法及入侵检测系统 |
CN108873829A (zh) * | 2018-05-28 | 2018-11-23 | 上海新增鼎数据科技有限公司 | 一种基于梯度提升决策树的磷酸生产参数控制方法 |
CN109459235A (zh) * | 2018-12-13 | 2019-03-12 | 中国航空工业集团公司上海航空测控技术研究所 | 基于集成学习增强型齿轮单故障类别诊断方法 |
CN109697463A (zh) * | 2018-12-13 | 2019-04-30 | 中国航空工业集团公司上海航空测控技术研究所 | 基于支持向量数据描述集成学习的齿轮故障识别方法 |
Non-Patent Citations (2)
Title |
---|
YUEBING ZHANG: "A cost-sensitive three-way combination technique for ensemble learning in sentiment classification", 《INTERNATIONAL JOURNAL OF APPROXIMATE REASONING》 * |
侯舒凯: "基于集成学习方法的MINIST手写数字识别", 《通讯世界》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110716496B (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111830408B (zh) | 一种基于边缘计算和深度学习的电机故障诊断系统及方法 | |
CN108197648B (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 | |
CN102707256B (zh) | 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法 | |
CN110807554B (zh) | 基于风电/光伏经典场景集的生成方法及系统 | |
CN109102101B (zh) | 风电场风速的预测方法和系统 | |
CN113486078A (zh) | 一种分布式配电网运行监控方法及系统 | |
CN113156917A (zh) | 基于人工智能的电网设备故障诊断方法及系统 | |
Gilanifar et al. | Multi-task logistic low-ranked dirty model for fault detection in power distribution system | |
CN111898867B (zh) | 一种基于深度神经网络的飞机总装生产线产能预测方法 | |
CN111610466A (zh) | 一种变压器状态预测方法、装置和存储介质 | |
CN112784920A (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
CN112115636A (zh) | 一种电力电缆绝缘老化寿命超前预测方法及系统 | |
CN115481726A (zh) | 一种工业机器人整机健康评估方法及系统 | |
CN111127251A (zh) | 基于lstm神经网络的攻击识别方法及并网接口装置 | |
CN118036819A (zh) | 环境因素对配电网运行的影响和设备检修系统及方法 | |
CN109978236A (zh) | 一种基于特征组合的小水电短期功率精细化预测方法 | |
CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
CN114240687A (zh) | 一种适用于综合能源系统的能源托管效率分析方法 | |
CN111723857B (zh) | 一种流程生产装备运行状态的智能监测方法与系统 | |
CN110716496B (zh) | 一种基于集成学习的智能控制系统异常预测方法 | |
CN117933531A (zh) | 一种分布式光伏发电功率预测系统及方法 | |
CN105205560B (zh) | 一种基于正负误差变权的光伏发电功率预测方法 | |
CN112348700A (zh) | 一种结合som聚类与ifou方程的线路容量预测方法 | |
CN112231982A (zh) | 一种基于分布式软测量模型的光伏电板故障检测方法 | |
CN118035923B (zh) | 一种电网录波异常信号识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |