[发明专利]基于知识数据的半监督核判别分析故障诊断方法

权利要求书

1.一种基于知识数据的半监督核判别分析故障诊断方法，其特征在于，包括以下步骤：

步骤1：采集电熔煤炉熔炼过程历史工况数据，并对历史工况数据进行预处理，得到样本数据集X＝{x₁，x₂，...，x_n}∈R^m，其中，包括：l组标记样本类别的样本数据和n-l组未标记样本类别的样本数据，m为数据维数；

步骤2：将样本数据集X映射到特征空间，得到历史工况数据的特征空间数据集X^Φ＝[Φ(x₁)，Φ(x₂)，...，Φ(x_l)，Φ(x_l+1)，...，Φ(x_n)]；

步骤3：根据历史工况数据的特征空间数据集X^Φ建立基于知识数据的半监督核判别分析故障诊断模型；

步骤3.1：对历史工况数据的特征空间数据集X^Φ＝[Φ(x₁)，Φ(x₂)，...，Φ(x_l)，Φ(x_l+1)，...，Φ(x_n)]进行投影，得到特征空间数据集投影矩阵W及投影矩阵的线性表出系数矩阵A；

步骤3.2：根据特征空间数据集中标记样本类别的样本数据确定标记样本数据的类间离散度矩阵以及标记样本数据的类内离散度矩阵

步骤3.3：根据特征空间数据集投影矩阵W及投影矩阵的线性表出系数矩阵A构建基于先验知识的类间流形项P(a)和基于先验知识的类内流形项Q(a)；

步骤3.4：根据标记样本数据的类间离散度矩阵标记样本数据的类内离散度矩阵基于先验知识的类间流形项P(a)和基于先验知识的类内流形项Q(a)建立样本数据最优分类函数F(a)；

所述样本数据最优分类函数F(a)如下所示：

其中，a为投影矩阵的线性表出系数矩阵A中的系数，α，β，η∈[0，1]为权重系数，K_L为标记样本类别的历史工况数据的核函数，K为核函数，1＝[1，1，...，1]T，是l×l的矩阵，J^(k)是元素为的l_k×l_k矩阵，l_k为标记的第k类的样本数据数目，k∈(1，2，...，c)，c为标记样本类别总数，I为n×n单位矩阵，L^P＝D^P-M^P，M^P为样本数据间的相似度连接矩阵，为M^P的第i行u列个元素，x_i为标记样本数据，x_u为未标记样本数据，D(x_i，x_u)为x_i与x_u间的流形距离，N^P(x_i)为与标记样本数据x_i不同类别的g近邻样本数据点构成的异类点流形邻域，i∈(1，2，...，l)，u∈(l+1，l+2，...，n)，L^Q＝D^Q-M^Q，M^Q为样本类内的相似度连接矩阵，为M^Q的第i行u列个元素，N^Q(x_i)为与标记样本数据x_i同类别的g近邻点构成的同类点流形邻域；

步骤3.5：设定λ为特征值，采用广义特征值分解法求解样本数据最优分类函数F(a)，得到从大到小排列的d个特征值和对应的特征向量，将求解的d个特征向量依次排列作为投影矩阵的线性表出系数矩阵A＝(a₁，a₂，...，a_d)，从而确定特征空间数据集投影矩阵W＝X^ΦA；

步骤3.6：根据确定的特征空间数据集投影矩阵W计算各类样本数据在特征空间数据集投影矩阵W上投影的样本数据均值和各类样本数据在特征空间数据集投影矩阵W上投影的样本数据的方差

步骤3.7：根据各类样本数据在特征空间数据集投影矩阵W上投影的样本数据均值和各类样本数据在特征空间数据集投影矩阵W上投影的样本数据的方差建立Bayes分类器，即得到基于知识数据的半监督核判别分析故障诊断模型；

所述基于知识数据的半监督核判别分析故障诊断模型g_fk(Φ(x_i))如下所示：

其中，P(k)为属于第k类样本数据的先验概率；

步骤4：实时采集电熔镁炉熔炼过程的测试数据x_new∈R^m，采用基于知识数据的半监督核判别分析故障诊断模型对测试样本数据x_new∈R^m进行故障类型诊断；

步骤4.1：实时采集电熔镁炉熔炼过程的测试数据x_new∈R^m；

步骤4.2：将测试数据x_new映射到特征空间，得到特征空间数据Φ(x_new)；

步骤4.3：确定特征空间数据Φ(x_new)经投影矩阵W的投影值y_new＝W^TΦ(x_new)；

步骤4.4：将特征空间数据Φ(x_new)经投影矩阵W的投影值y_new作为基于知识数据的半监督核判别分析故障诊断模型的输入，将最大输出值对应的类别k的样本类型作为该测试数据的故障类型。