[发明专利]基于字典学习的多工况工业监测方法、装置、设备及介质有效
申请号: | 201810589017.3 | 申请日: | 2018-06-08 |
公开(公告)号: | CN110580488B | 公开(公告)日: | 2022-04-01 |
发明(设计)人: | 黄科科;周龙飞;陈晓方;阳春华;桂卫华 | 申请(专利权)人: | 中南大学 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G05B13/02;G05B13/04 |
代理公司: | 北京华进京联知识产权代理有限公司 11606 | 代理人: | 刘诚 |
地址: | 410083 湖南*** | 国省代码: | 湖南;43 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 字典 学习 工况 工业 监测 方法 装置 设备 介质 | ||
本申请涉及一种基于字典学习的多工况工业监测方法,包括:获取含有纯净值、测量噪声和异常值的无标签历史数据;构建基于所述无标签历史数据的无监督字典学习模型;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;根据生产工况信息将所述字典划分为多个子字典;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。所述方法能够抑制所述测量噪声、减少所述异常值影响,从而有效的防止工业监测中对故障的误报。因此提高了对故障监测的准确性,保证了监测方法对数据中异常值和噪声的鲁棒性。
技术领域
本申请涉及工业过程监测领域,特别是涉及一种基于字典学习的多工况工业监测方法、装置、设备及介质。
背景技术
现代工业中,如何保证生产安全,提高产品质量具有重要的研究价值。过程监测技术正是在这一背景下产生的。早期的过程监测方法多为基于数学模型和基于知识的监测。但是,对于流程工业而言,精确的数学机理模型和完备的专家知识往往很难得到。因此,基于数学模型和基于知识的过程监测方法通常难以得到实际应用。
随着集散控制系统(Distributed Control System,缩写为DCS)和各种智能化仪表在流程工业中的广泛使用,大量的过程数据被采集并存储起来。因此,基于数据驱动的过程监测方法在过去的十几年中得到了长足的发展。传统技术中,基于数据驱动的过程监测方法主要包括PCA(Principal Component Analysis)方法,PCA混合模型方法,LCDL方法等。
然而,传统技术中的工业过程监测方法存在监测不够准确的问题。
发明内容
基于此,有必要针对传统工业过程监测方法监测不够准确的问题,提供一种基于字典学习的多工况工业监测方法、装置、设备及介质。
一种基于字典学习的多工况工业监测方法,包括:
获取含有纯净值、测量噪声和异常值的无标签历史数据;
构建基于所述无标签历史数据的无监督字典学习模型;
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;
根据生产工况信息将所述字典划分为多个子字典;
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。
上述基于字典学习的多工况工业监测方法,通过获取含有纯净值、测量噪声和异常值的无标签历史数据,然后构建基于所述无标签历史数据的无监督字典学习模型,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,并根据生产工况信息将所述字典划分为多个子字典。最后,输入测试数据,通过所述子字典判断所述测试数据是否为故障点。本申请提供的方法选取的训练数据包含了所述测量噪声和所述异常值,考虑了所述异常值和所述测量噪声对监测判断的影响,构建的所述无监督字典学习模型能够抑制所述测量噪声、减少所述异常值影响,能够有效的防止工业监测中对故障的误报。因此,所述基于字典学习的多工况工业监测方法提高了对故障监测的准确性,保证了监测方法对数据中异常值和噪声的鲁棒性。其次,对于多工况问题,本申请提供的方法根据生产工况信息将字典划分为多个子字典,将测试数据分别与各子字典进行对应判断,与只考虑单一生产工况的传统技术相比,防止了工业监测中对故障的漏报。因此,所述基于字典学习的多工况工业监测方法提高故障监测的准确性,保证了监测方法对数据中异常值和噪声的鲁棒性。另外,本申请提供的方法选取的训练数据为无标签的历史数据,是一种无监督的过程监测方法,无需收集标签,降低了监测成本,同时提高了监测的可靠性和稳定性。
在一个实施例中,构建基于所述无标签历史数据的无监督字典学习模型包括:
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;
构建所述纯净值的范数优化模型;
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中南大学,未经中南大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201810589017.3/2.html,转载请声明来源钻瓜专利网。