一种基于工业大数据挖掘的状态预测方法与流程

技术特征：

1.一种基于工业大数据挖掘的状态预测方法，其特征在于，包括以下步骤：

步骤一，数据采集：将反映系统历史运行状态的样本作为训练集其中x_i是系统状态变量，即模型的输入，t_i是关注的预测指标，即模型的输出；

步骤二，OS-ELM模型：采用步骤一的训练样本建立若干个OS-ELM模型，并计算得到若干个预测值；

步骤三，EOS-ELM模型：对OS-ELM模型的的预测结果取平均值，得到EOS-ELM模型预测结果。

2.如权利要求1所述的一种基于工业大数据挖掘的状态预测方法，其特征在于，所述OS-ELM模型建立过程包括：

初始化之前，先确定网络初始参数：网络有L个隐含节点，首先确定隐含节点类型，隐含节点类型包括为RBF或additive隐含节点；

初始化阶段，从训练样本中选取部分样本N₀≥L进行初始化，包括以下步骤：

步骤1：随机对输入参数赋值

其中，对RBF隐含节点，参数为中心点a_i和影响因子b_i；对additive隐含节点，参数为输入权重a_i和偏差b_i；

步骤2：计算初始的隐含层输出矩阵H₀

$H_0={\left[\begin{array}{ccc}G(a_1,b_1,x_1)& \mathrm{...}& G(a_L,b_L,x_1)\\ .& & .\\ .& \mathrm{...}& .\\ .& & .\\ G(a_1,b_1,x_{N_0})& \mathrm{...}& G(a_L,b_L,x_{N_0})\end{array}\right]}_{N_0\×L}$

其中，利用RBF隐含节点时，G(a_i,b_i,x_j)＝g(b_i||x_j-a_i||)，b_i∈R⁺，当利用additive隐含节点时，G(a_i,b_i,x_j)＝g(a_i·x_j+b_i)，b_i∈R；

步骤3：估计初始的输出权重β⁽⁰⁾

令权重求解问题转化为最小化||H₀β-t₀||；

由ELM算法的求解可知，可知最小化||H₀β-t₀||的求解结果为其中

步骤4：令k＝0，k表示加入网络的数据块的数量；

连续学习阶段，包括以下步骤：

k+1数据块的观测值为：

其中，N_k+1是k+1数据块的观测值的数量；

步骤5：计算局部的隐含层输出矩阵H_k+1

$H_{k+1}={\left[\begin{array}{ccc}G(a_1,b_1,x_{i=\left({\Σ}_{j=0}^k{N}_j\right)+1})& \mathrm{...}& G(a_L,b_L,x_{i=\left({\Σ}_{j=0}^k{N}_j\right)+1})\\ .& & .\\ .& \mathrm{...}& .\\ .& & .\\ G(a_1,b_1,x_{i=\left({\Σ}_{j=0}^{k+1}{N}_j\right)+1})& \mathrm{...}& G(a_L,b_L,x_{i=\left({\Σ}_{j=0}^{k+1}{N}_j\right)+1})\end{array}\right]}_{N_{k+1}\×L}$

步骤6：设置参数

$T_{k+1}={\[t_{i=\left({\Σ}_{j=0}^k{N}_j\right)+1},\mathrm{...},t_{{\Σ}_{j=0}^{k+1}{N}_j}\]}_{N_{k+1}\×m}^T$

步骤7：计算输出权重β^(k+1)

$P_{k+1}=P_k-P_k{H}_{k+1}^T{(I+H_{k+1}{P}_k{H}_{k+1}^T)}^{-1}{H}_{k+1}{P}_k$

${\mathrm{\β}}^{(k+1)}={\mathrm{\β}}^{\left(k\right)}+P_{k+1}{H}_{k+1}^T(T_{k+1}-H_{k+1}{\mathrm{\β}}^{\left(k\right)})$

步骤8：令k＝k+1，返回步骤5；

当所有训练数据都参与训练时，循环结束，计算预测输出，即OS-ELM预测值；

步骤1-8重复J次，J为OS-ELM模型数量。

3.如权利要求2所述的一种基于工业大数据挖掘的状态预测方法，其特征在于，步骤二中，在所述连续学习阶段后还包括模型评估阶段，该阶段具体为：

利用连续学习阶段产生的参数a、b、权重β以及测试的输入数据，得到预测输出，即EOS-ELM预测值。

4.如权利要求2所述的一种基于工业大数据挖掘的状态预测方法，其特征在于，对所述OS-ELM模型的的预测结果取平均值具体为：对所述变量x_i，每个OS-ELM模型的输出为f^j(x_i)，j＝1,...,J，则EOS-ELM的预测输出为

5.如权利要求1所述的一种基于工业大数据挖掘的状态预测方法，其特征在于：在所述EOS-ELM算法前，使用变量选择与特征提取方法对步骤二得到的若干个预测值确定与输出相关的变量，以降低数据维数。