[发明专利]基于稀疏化的异构数据协同工业故障诊断方法

说明书

本发明属于故障监测与诊断技术领域，提出了一种基于稀疏化的异构数据协同工业故障诊断方法，包括：1)采集工业生产过程的图像数据；2)采集同一时刻的三相电流数据，得到工业异构数据集；3)对数据集中的采样数据点进行标记；4)计算图拉普拉斯矩阵L；5)构建标签适应项；6)将图拉普拉斯正则项与标签适应项添加到回归损失函数和稀疏惩罚项中，得到目标函数；7)更新映射矩阵W，计算对角矩阵；8)得到特征选择后的工业异构数据集，进行可视化处理，对其进行故障诊断。本发明使用了具有更好稀疏性和鲁棒性的l_2,1矩阵范数作为算法的稀疏惩罚项，使得选取的特征更具判别能力，将提高后续的故障检测与诊断过程的准确度和效率。

技术领域

本发明属于本发明属于故障监测与诊断技术领域，具体涉及一种基于稀疏化的异构数据协同工业故障诊断方法。

背景技术

在工业过程中，目前大多使用单一类型的数据进行具体的故障诊断。但是故障诊断的效果往往并不令人满意。本发明提出一种利用例如物理化学变量、视频图像等异构数据的方式进行工业故障诊断。

作为一种故障诊断预处理手段，特征选择在工业故障监测与诊断领域发挥着重要的作用。首先，在工业现场采集到的原始数据大多为包含图像数据、物理数据等异构数据，这就会存在着原始数据的特征维数过高，存在着冗余特征的情况。这种情况被称之为维数灾难。如果能从原始数据中选择出重要的特征，使得后续故障检测与诊断过程仅需在一部分特征上构建模型，则维数灾难的问题将会大大缓解。另一方面，在通常使用高维特征的这些工业故障检测与诊断方法中，利用原始特征中选择后得到的特征有助于降低计算成本，节省存储空间并降低过度拟合的机会。

实际工业过程中将会采集大量的生产过程数据，但是对所有数据进行人工标记显然是不现实的，所以应用半监督算法，即少量数据进行人工标记并保留大多数数据处于未标记状态，对于特征选择过程十分可取的。在众多半监督算法中，基于图的半监督学习算法最大的特点就是用图来表示数据之间的关系，其中图的结点表示表示数据点，点与点之间存在着边，这些边被赋予权重，权重代表数据点之间的相似度。最终从图学得一个用于对采集到的工业现场的原始数据进行特征选择的映射矩阵。

基于稀疏化的异构数据协同工业故障诊断方法具体工业背景是电熔镁炉的生产过程。电熔镁炉生产过程得到的最终产品是电熔镁砂。电熔镁砂是一种广泛应用于化学、航天、冶金等领域的重要耐火材料，在我国，主要利用三相交流电熔镁炉来生产电熔镁砂。电熔镁炉实际上是一种埋弧炉，属于矿热炉而不是电弧炉，其主要以熔融状态下电流通过物料所产生的物料电阻热为主要热源，同时伴有电弧热，它的热量集中，能有效的将物料加热到熔点2800℃以上，有利于熔炼电熔镁砂。电熔镁炉的设备主要包括：变压器、电路短网、电极、电极升降装置及炉体等。

发明内容

针对上述存在的技术问题，本发明提供一种基于稀疏化的异构数据协同工业故障诊断方法，包括以下步骤：

步骤1：采集工业生产过程的图像数据，并对图像数据进行预处理，对每一幅图片的图像数据分别计算0°，45°，90°，135°四个方向的灰度共生矩阵,然后对四个灰度共生矩阵计算对比度，自相关，能量，逆差距及熵五个特征值；将图像数据处理成20维的向量数据；

步骤2：采集步骤1中图像数据相对应同一时刻的三相电流数据，并将三相电流数据与步骤1中的对图像数据预处理后得到的向量数据进行合并，得到一个工业异构数据集X∈R^23×n，其中23为特征个数，n为采样数据点个数,异构数据集中包含正常运行数据和故障数据；

步骤3：对步骤2中的工业异构数据集中的n个采样数据点进行初始标签的标记，具体方法为：

假设已知n个采样数据点{x₁，x₂，…，x_n}，这些采样数据点总共有c个种类；