[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

说明书

本发明提出一种基于知识数据的半监督核判别分析故障诊断方法，该方法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，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，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；实时采集电熔镁炉熔炼过程的测试数据x_new，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进行故障类型诊断；该方法利用知识经验对类内离散度和类间离散度进行改进充分挖掘和利用标记样本和未标记样本特征信息建立故障诊断模型，对分类器进行了改进，提高了分类的精度，同时对样本的错分率及样本分离度等验证标准都有所改进。

技术领域

本发明属于故障检测与诊断技术领域，具体涉及一种基于知识数据的半监督核判别分析故障诊断方法。

背景技术

线性判别分析方法(LDA)是一种常用的线性数据分类方法，主要应用于数据降维和对线性数据的分类过程，利用类间离散度、类内离散度，最优分类函数的广义特征值分解，寻求样本的最佳分类效果。

LDA与主元分析法(PCA)都是降维技术，但存在本质的区别，LDA是监督类型的数据降维方法，而PCA是无监督类型的数据降维。元分析法(PCA)主要用于数据降维后，寻求数据多个维度的多个主要变化方向，这些变化方向反映数据的主要信息，即用低维数据特征来代表高维数据特征。PCA方法不考虑样本类别信息，是把所有原数据映射到体现整体样本方差变化比较大的方向上。而LDA方法主要作用是降维分类，则考虑了数据的类别信息，即以一个类别的样本为一个单位进行统计，降维过程中区分开每类的类别信息，PCA是不区分每类的类别信息的。

电熔镁炉属于埋弧电弧炉设备，如图1所示，主要包括电熔镁炉本体，主电路设备和控制设备三部分。其中，电熔镁炉的本体主要由炉体、电极夹持器、电极升降机构等组成。炉体由炉壳和炉底钢板组成，炉壳一般为圆形，稍有锥形，为便于熔砣脱壳，在炉壳壁上焊有吊环。电极夹持器能够夹持电极，便于电缆传输电流。在熔炼过程中，随着炉料的熔化，炉池液位会不断上涨，操作工人要随时升降电极达到调整电弧长度的目的。电极升降机构可使电极沿导轨上下垂直移动，减少电极晃动的情况，保持炉内热功率分配平衡，从而降低漏炉事故的发生。变压器和断网属于主电路设备，而在炉子边设有控制室，控制电极升降。炉下设有移动小车，作用是将熔化完成的熔块移到固定工位，冷却出炉。

应用PCA方法，如图2所示，数据应该映射到方差最大的方向，即Y轴方向，但是如果映射到Y轴方向，两个不同类别的数据将完全混合在一起，很难区分开，所以使用PCA算法进行降维后再进行分类的效果会非常差。但是使用LDA算法，数据会映射到X轴方向，两个类别样本很清晰的分开了。

LDA方法是在降维投影过程中会考虑到数据的类别信息，给定两个类别样本，我们希望找到一个向量w，当数据映射到w的方向上时，来自两个类的数据尽可能的分开，同一个类内的数据尽可能的紧凑。数据的映射公式为：Y＝w^TX，其中Y是数据Y到w上的投影，因而也是一个高维到1维的维度归约，即一个w为一个维度方向，得到该维度样本值。

对于半监督线性判别分析，进行样本分类的建模阶段，很容易获取大量未分类的数据，而带标记类别的数据不是很容易获取，或者是需要花费很大时间才能获取到。半监督学习一般分为两个方面，即半监督的分类问题和半监督的聚类问题。前者利用大量非标签的数据辅助监督的学习，后者则是利用少部分标签的数据辅助非监督的学习。

半监督的聚类方法大致分为以下三类：基于限制的方法，该类算法在聚类过程中，利用标签的数据来引导聚类过程，最终得到一个恰当的分割结果，具体的做法是：修改聚类的目标函数以满足给定的限制，在聚类过程中遵循限制条件，利用标签数据初始化聚类参数并在聚类过程中约束数据的划分；