1.一种基于自适应随机配置网络的间歇过程故障预测方法,其特征在于,包括如下步骤:S1:采集间歇过程正常工况离线数据作为训练样本集输入至邻域保持嵌入模型进行模型训练,获得训练后的邻域保持嵌入模型;使用慢特征分析算法提取离线数据的慢特征,计算邻域保持嵌入模型的更新指标的控制限S2:采集间歇过程在线数据作为在线数据集输入至训练后的邻域保持嵌入模型,并提取过程数据特征;使用慢特征分析计算在线数据的更新指标S3:在在线数据集的历史数据中选择与当前在线数据相邻时间窗口中的正常时域数据加入至训练样本集,创建更新的样本集,结合神经网络增量策略更新邻域保持嵌入模型,进入S4;
S4:根据邻域保持嵌入模型输出的过程数据特征,获得平方预测误差统计量,形成过程监控时间序列SPE,进入S5;
S5:利用猎人-猎物优化算法优化随机配置网络,并以网络残差最小化作为优化后随机配置网络的适应度函数;所述过程监控时间序列SPE输入至优化后随机配置网络预测得到时间序列SPE的状态趋势。
2.根据权利要求1所述的一种基于自适应随机配置网络的间歇过程故障预测方法,其特征在于,所述S1包括:慢特征分析算法提取过程训练数据的慢特征,并构建模型更新索引,所述慢特征包括:优势慢特征s
3.根据权利要求2所述的一种基于自适应随机配置网络的间歇过程故障预测方法,其特征在于,所述更新指标计算如式(1)和式(2)所示:采用核密度估计的方法计算更新指标的控制限
4.根据权利要求1所述的一种基于自适应随机配置网络的间歇过程故障预测方法,其特征在于,所述S3包括:从历史在线数据集中与当前在线数据相邻时间窗口中的正常时域数据加入至训练样本集,创建更新的样本集,结合神经网络增量策略更新邻域保持嵌入模型;更新策略如式(3)和式(4)所示:其中,Q(i)是相邻时间窗口中的正常时域数据集合;W满足归一化约束,θ是在旧的训练集上训练邻域保持嵌入模型得到的原始参数,Dθ是在增量数据集上训练该邻域保持嵌入模型获得的参数增量,
5.根据权利要求1所述的一种基于自适应随机配置网络的间歇过程故障预测方法,其特征在于,所述S4包括:具有隐藏层节点的当前残差定义如式(5)所示:e
其中,e
其中,||e
适应度函数定义如式(7)所示:
其中,Y(L)为正则化函数,w
在随机配置网络中,输出权值β
其中,H
其中,U和V是两个正交列矩阵,