本發(fā)明屬于工業(yè)大數(shù)據(jù)挖掘領(lǐng)域，特別涉及一種基于工業(yè)大數(shù)據(jù)挖掘的狀態(tài)預(yù)測方法

背景技術(shù)：

隨著工業(yè)系統(tǒng)日益大型化和復雜化，人們對系統(tǒng)運行的安全性和可靠性要求也越來越高。系統(tǒng)之間的連接更加緊密，一個零部件的故障會導致子系統(tǒng)故障甚至是整個系統(tǒng)癱瘓，這些問題都給企業(yè)帶來巨大的經(jīng)濟損失，甚至會造成環(huán)境污染甚至是人員傷亡。提前估計系統(tǒng)的運行狀態(tài)，預(yù)測發(fā)生異常的時間和位置，是及時排除潛在危險，維護系統(tǒng)的正常運行，提高安全性和經(jīng)濟效益的有效手段。

神經(jīng)網(wǎng)絡(luò)、Markov模型、Bayesian估計和ELM等是目前常見的預(yù)測方法。其中，ELM(極限學習機器，是一種泛化的單隱層前饋神經(jīng)網(wǎng)絡(luò))方法更適合處理海量數(shù)據(jù)，具有訓練速度快、人工干預(yù)少、泛化能力強等特點。OS-ELM(在線順序極限學習機器)方法能夠?qū)ο到y(tǒng)狀態(tài)進行在線實時預(yù)測，但是OS-ELM網(wǎng)絡(luò)是基于序列輸入數(shù)據(jù)隨機產(chǎn)生的，預(yù)測效果可能遇到最差的情形。為了避免這種情形，EOS-ELM方法將若干個OS-ELM的預(yù)測結(jié)果取平均值，以便能適應(yīng)不同的數(shù)據(jù)適應(yīng)能力，提高方法的穩(wěn)定性和可靠性。當輸入數(shù)據(jù)連續(xù)地進入EOS-ELM系統(tǒng)，部分OS-ELM網(wǎng)絡(luò)模型能夠更快更好地適應(yīng)新數(shù)據(jù)，這樣能獲取更好的預(yù)測結(jié)果。本發(fā)明就是利用EOS-ELM方法解決工業(yè)大數(shù)據(jù)的狀態(tài)預(yù)測問題。

針對上訴問題，本發(fā)明人一種基于工業(yè)大數(shù)據(jù)挖掘的狀態(tài)預(yù)測方法。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種基于工業(yè)大數(shù)據(jù)挖掘的狀態(tài)預(yù)測方法，以解決目前工業(yè)系統(tǒng)中系統(tǒng)狀態(tài)難以預(yù)測的問題，提高預(yù)測的穩(wěn)定性和可靠性。

為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種基于工業(yè)大數(shù)據(jù)挖掘的狀態(tài)預(yù)測方法，包括以下步驟：

步驟一，數(shù)據(jù)采集：將反映系統(tǒng)歷史運行狀態(tài)的樣本作為訓練集其中x_i是系統(tǒng)狀態(tài)變量，即模型的輸入，t_i是關(guān)注的預(yù)測指標，即模型的輸出；

步驟二，OS-ELM模型：采用步驟一的訓練樣本建立若干個OS-ELM模型，并計算得到若干個預(yù)測值；

步驟三，EOS-ELM模型：對OS-ELM模型的的預(yù)測結(jié)果取平均值，得到EOS-ELM模型預(yù)測結(jié)果。

所述OS-ELM模型建立過程包括：

初始化之前，先確定網(wǎng)絡(luò)初始參數(shù)：網(wǎng)絡(luò)有L個隱含節(jié)點，首先確定隱含節(jié)點類型，隱含節(jié)點類型包括為RBF或additive隱含節(jié)點；

初始化階段，從訓練樣本中選取部分樣本進行初始化，該初始化階段包括以下步驟：

步驟1：隨機對輸入?yún)?shù)賦值

其中，對RBF隱含節(jié)點，參數(shù)為中心點a_i和影響因子b_i；對additive隱含節(jié)點，參數(shù)為輸入權(quán)重a_i和偏差b_i；

步驟2：計算初始的隱含層輸出矩陣H₀

其中，利用RBF隱含節(jié)點時，G(a_i，b_i，x_j)＝g(b_i||x_j-a_i||)，b_i∈R⁺，當利用additive隱含節(jié)點時，G(a_i，b_i，x_j)＝g(a_i·x_j+b_i)，b_i∈R；

步驟3：估計初始的輸出權(quán)重β⁽⁰⁾

令權(quán)重求解問題轉(zhuǎn)化為最小化||H₀β-t₀||；

由ELM算法的求解，可知最小化||H₀β-t₀||的求解結(jié)果為其中

步驟4：令k＝0，k表示加入網(wǎng)絡(luò)的數(shù)據(jù)塊的數(shù)量；

連續(xù)學習階段，包括以下步驟：

k+1數(shù)據(jù)塊的觀測值為：

其中，N_k+1是k+1數(shù)據(jù)塊的觀測值的數(shù)量；

步驟5：計算局部的隱含層輸出矩陣H_k+1

步驟6：設(shè)置參數(shù)

步驟7：計算輸出權(quán)重β^(k+1)

步驟8：令k＝k+1，返回步驟5；

當所有訓練數(shù)據(jù)都參與訓練時，循環(huán)結(jié)束，計算預(yù)測輸出，即OS-ELM預(yù)測值；

步驟1-8重復J次，J為OS-ELM模型數(shù)量。

在所述連續(xù)學習階段后，還包括模型評估階段，該階段具體為：

利用連續(xù)學習階段產(chǎn)生的參數(shù)a、b、權(quán)重β以及測試的輸入數(shù)據(jù)，得到預(yù)測輸出，即EOS-ELM預(yù)測值。

對所述OS-ELM模型的的預(yù)測結(jié)果取平均值具體為：對所述變量x_i，每個OS-ELM模型的輸出為f^j(x_i)，j＝1,...,J，則EOS-ELM的預(yù)測輸出為

在所述EOS-ELM算法前，使用變量選擇與特征提取方法對步驟二得到的若干個預(yù)測值確定與輸出相關(guān)的變量，以降低數(shù)據(jù)維數(shù)。

采用上述方案后，本發(fā)明有益效果是：本發(fā)明是將若干個OS-ELM模型預(yù)測結(jié)果取平均值，即得到EOS-ELM方法的預(yù)測結(jié)果，可避免OS-ELM模型可能遇到最差的預(yù)測結(jié)果，通過該方法準確對系統(tǒng)狀態(tài)進行在線實時監(jiān)控，泛化能力強，學習速率高，對海量數(shù)據(jù)的訓練效果更為顯著，計算成本低，還能為預(yù)警和故障診斷奠定基礎(chǔ)。與傳統(tǒng)的OS-ELM方法相比，還能避免可能出現(xiàn)的最差預(yù)測結(jié)果，增強模型對新數(shù)據(jù)的適應(yīng)能力，提高預(yù)測的穩(wěn)定性和可靠性。此外，該方法還能用到電池壽命估計、負荷預(yù)測等領(lǐng)域，適用范圍廣，實用性強。

下面結(jié)合附圖對本發(fā)明做進一步的說明。

附圖說明

圖1為本發(fā)明基于工業(yè)大數(shù)據(jù)挖掘的狀態(tài)預(yù)測流程圖；

圖2為非線性數(shù)值仿真的EOS-ELM方法預(yù)測輸出圖；

圖3為非線性數(shù)值仿真的EOS-ELM與OS-ELM預(yù)測誤差對比圖。

具體實施方式

如圖1所示本實施例揭示的一種基于工業(yè)大數(shù)據(jù)挖掘的狀態(tài)預(yù)測方法，具體包括以下步驟：

步驟一，數(shù)據(jù)采集：將反映系統(tǒng)歷史運行狀態(tài)的樣本作為訓練集其中x_i是系統(tǒng)狀態(tài)變量，即模型的輸入，t_i是關(guān)注的預(yù)測指標，即模型的輸出；

步驟二，OS-ELM模型：采用步驟一的訓練樣本建立若干個OS-ELM模型，并計算得到若干個預(yù)測值；

步驟三，EOS-ELM模型：對OS-ELM模型的的預(yù)測結(jié)果取平均值，得到EOS-ELM模型預(yù)測結(jié)果。

所述OS-ELM模型建立過程包括：

初始化之前，先確定網(wǎng)絡(luò)初始參數(shù)：網(wǎng)絡(luò)有L個隱含節(jié)點，確定隱含節(jié)點類型；

初始化階段，從訓練樣本中選取部分樣本進行初始化，該初始化階段包括以下步驟：

步驟1：隨機對輸入?yún)?shù)賦值

其中，對RBF隱含節(jié)點，參數(shù)為中心點a_i和影響因子b_i；對additive隱含節(jié)點，參數(shù)為輸入權(quán)重a_i和偏差b_i；

步驟2：計算初始的隱含層輸出矩陣H₀

其中，利用RBF隱含節(jié)點時，G(a_i，b_i，x_j)＝g(b_i||x_j-a_i||)，b_i∈R⁺，當利用additive隱含節(jié)點時，G(a_i，b_i,x_j)＝g(a_i·x_j+b_i)，b_i∈R；

步驟3：估計初始的輸出權(quán)重β⁽⁰⁾

令權(quán)重求解問題轉(zhuǎn)化為最小化||H₀β-t₀||；

由ELM算法的求解可知，可知最小化||H₀β-t₀||的求解結(jié)果為其中

步驟4：令k＝0，k表示加入網(wǎng)絡(luò)的數(shù)據(jù)塊的數(shù)量；

連續(xù)學習階段，包括以下步驟：

k+1數(shù)據(jù)塊的觀測值為：

其中，N_k+1是k+1數(shù)據(jù)塊的觀測值的數(shù)量；

步驟5：計算局部的隱含層輸出矩陣H_k+1

步驟6：設(shè)置參數(shù)

步驟7：計算輸出權(quán)重β^(k+1)

步驟8：令k＝k+1，返回步驟5；

當所有訓練數(shù)據(jù)都參與訓練時，循環(huán)結(jié)束，計算預(yù)測輸出，即預(yù)測值；

步驟1-8重復J次，J為OS-ELM模型數(shù)量。

評估本發(fā)明的性能指標主要包括預(yù)測誤差、算法的訓練時間和測試時間，與其他預(yù)測算法相比，EOS-ELM算法的訓練時間比較短，尤其在大數(shù)據(jù)領(lǐng)域效果更為突顯，測試時間近似于0，適合于在線實時預(yù)測仿真，且EOS-ELM算法具有較強的泛化能力，能夠避免局部最小化、不恰當?shù)膶W習速率以及過擬合等問題，隨著OS-ELM模型數(shù)量J的增加，預(yù)測效果也在不斷改善，方法的穩(wěn)定性和可靠性不斷提高，但訓練時間也隨之增加，需要根據(jù)實際需求設(shè)置合理的J。

在連續(xù)學習階段后，還包括模型評估階段，該階段具體為：

利用連續(xù)學習階段產(chǎn)生的參數(shù)a、b、權(quán)重β以及測試的輸入數(shù)據(jù)，得到預(yù)測輸出，即預(yù)測值。

對OS-ELM模型的的預(yù)測結(jié)果取平均值具體為：對所述變量x_i，每個OS-ELM模型的輸出為f^j(x_i)，j＝1,...,J，則EOS-ELM的預(yù)測輸出為

在EOS-ELM算法前，為了進一步降低算法計算量，提高算法在線實時預(yù)測能力，在使用EOS-ELM算法前，可以使用變量選擇與特征提取方法，例如，基于偏最小二乘的變量選擇方法，確定與輸出相關(guān)的變量，降低數(shù)據(jù)維數(shù)，從而降低計算復雜度，提高在線實時預(yù)測性能。

以下為本發(fā)明以實際數(shù)據(jù)應(yīng)用的實例，以采用非線性數(shù)值算例更明顯地說明本發(fā)明的特點，結(jié)合本發(fā)明的原理說明其使用過程：

非線性數(shù)值算例為：

其中，變量t符合在[-1,1]上的均勻分布，ε_i(i＝1,2,3,4)是在[-0.1,0.1]上均勻分布的噪聲，y是輸出；

在仿真中，具有10000個訓練數(shù)據(jù)，1000個測試數(shù)據(jù)，隱含節(jié)點數(shù)為25，初始階段的樣本數(shù)為100，連續(xù)學習階段每塊的樣本數(shù)為1；

步驟1，采用RBF隱含節(jié)點，對輸入a_i和影響因子b_i進行隨機初始化；

步驟2，計算初始的隱含層輸出矩陣H₀，H₀∈R^100×25，每個元素的計算公式為G(a_i，b_i，x_j)＝g(b_i||x_j-a_i||)；

步驟3，計算初始的輸出權(quán)重β⁽⁰⁾：

步驟4，令k＝0

步驟5，計算局部的隱含層輸出矩陣H_k+1，H_k+1∈R^1×25；

步驟6，設(shè)置參數(shù)T_k+1，

步驟7，計算輸出權(quán)重β^(k+1)；

步驟8，令k＝k+1，返回步驟5，直至k＝9900；

然后，利用訓練得到的參數(shù)a、b和測試數(shù)據(jù)計算隱含層輸出矩陣H_te，再結(jié)合訓練得到的輸出權(quán)重β，利用公式Y(jié)_te＝H_teβ計算得到預(yù)測輸出；

分別重復上述步驟1-8，得到預(yù)測值J＝5，J＝10，J＝15，J＝20，J＝25和J＝30，并對預(yù)測結(jié)果取平均值，即為EOS-ELM；

參見圖2為J＝10的EOS-ELM預(yù)測誤差圖；將OS-ELM方法和EOS-ELM方法進行比較，重復50次仿真實驗，RMSE(標準誤差)和測試的標準差的結(jié)果如表1所示；

測試標準差是重復仿真50次，測試過程50個RMSE值的標準差，能夠反映方法的穩(wěn)定性和可靠性；下表1：

衡量方法性能的指標訓練時間、測試時間、訓練精度、測試精度以及穩(wěn)定性等，如表2所示；

表2

OS-ELM的預(yù)測誤差對比如圖3所示，圖2和圖3的對比進一步說明EOS-ELM方法的精度高。

上述說明示出并描述了本發(fā)明的優(yōu)選實施例，應(yīng)當理解本發(fā)明并非局限于本文所披露的形式，不應(yīng)看作是對其他實施例的排除，而可用于各種其他組合、修改和環(huán)境，并能夠在本文發(fā)明構(gòu)想范圍內(nèi)，通過上述教導或相關(guān)領(lǐng)域的技術(shù)或知識進行改動。而本領(lǐng)域人員所進行的改動和變化不脫離本發(fā)明的精神和范圍，則都應(yīng)在本發(fā)明所附權(quán)利要求的保護范圍內(nèi)。