[发明专利]基于字典学习的多工况工业监测方法、装置、设备及介质

权利要求书

1.一种基于字典学习的多工况工业监测方法，其特征在于，包括：

S10，获取含有纯净值、测量噪声和异常值的无标签历史数据；

S20，构建基于所述无标签历史数据的无监督字典学习模型；

S30，根据所述无监督字典学习模型，求解字典、稀疏编码矩阵和异常值矩阵；

S40，根据生产工况信息将所述字典划分为多个子字典；

S50，获取测试数据，通过所述子字典判断所述测试数据是否为故障点；

其中，S20包括:

S210，将所述无标签历史数据表示为包含纯净值矩阵、测量噪声矩阵和异常值矩阵的矩阵；

S220，构建所述纯净值的范数优化模型；

S230，根据所述纯净值矩阵、所述测量噪声矩阵和所述异常值矩阵之间的关系，将所述纯净值矩阵的范数优化模型扩展，得到所述纯净值矩阵和所述异常值矩阵的范数优化模型；

S210具体为：

将所述无标签历史数据表示为X＝[x₁,x₂,...,x_M]∈R^m×M，表示所述纯净值矩阵，O＝[o₁,o₂,...,o_M]∈R^m×M表示所述异常值矩阵，n＝[n₁,n₂,...,n_M]∈R^m×M表示所述测量噪声矩阵；

其中，X表示M个具有m个传感器的所述无标签历史数据矩阵，x_i表示所述无标签历史数据矩阵中的第i项数据，表示所述第i项数据的纯净值矢量，n_i表示所述第i项数据的测量噪声矢量，o_i表示所述第i项数据的异常值矢量；

所述纯净值矩阵的范数优化模型为：

其中，D＝[d₁,d₂,...,d_K]∈R^m×K表示所述字典，d_i表示所述字典的第i项原子，W＝[w₁,w₂,...,w_M]∈R^K×M表示X⁰的所述稀疏编码矩阵，T表示稀疏约束因子；

所述纯净值矩阵和所述异常值矩阵的范数优化模型为：

其中，λ为正常数。

2.根据权利要求1所述的基于字典学习的多工况工业监测方法，其特征在于，S230之后，所述方法还包括：

S240，用所述异常值矩阵的L₁范数近似所述异常值矩阵的L₀范数，得到所述纯净值矩阵和所述异常值矩阵的近似优化模型。

3.根据权利要求2所述的基于字典学习的多工况工业监测方法，其特征在于，S30包括：

S310，根据所述纯净值矩阵和所述异常值矩阵的近似优化模型，初始化所述字典、所述稀疏编码矩阵和所述异常值矩阵；

S320，根据所述纯净值矩阵和所述异常值矩阵的近似优化模型，迭代更新求解所述稀疏编码矩阵、所述异常值矩阵和所述字典。

4.根据权利要求3所述的基于字典学习的多工况工业监测方法，其特征在于，S310具体为：

根据所述纯净值矩阵和所述异常值矩阵的近似优化模型，令D＝D⁰，W＝W⁰，O＝O⁰。