[发明专利]基于张量化数据降维的工业设备故障检测分类方法

权利要求书

1.一种基于张量化数据降维的工业设备故障检测分类方法，其特征在于，包括以下步骤：

1)数据获取：采用各类型传感器进行数据采集，为预测提供数据来源，数据包括工业设备生产过程中的运行参数等结构化数据以及运作时的视频或图像等非结构化数据；

2)数据预处理：对不同结构的数据进行融合，并对融合好的数据进行降维；

3)数据分析：利用服务端的堆叠去噪自编码器，在经过大量数据进行训练后，得以根据生产过程周围传感器发送的数据对工业设备的生产状况进行健康检测。

2.根据权利要求1所述的基于张量化数据降维的工业设备故障检测分类方法，其特征在于，步骤2)数据预处理中数据融合过程包括：首先将工业大数据进行张量化统一表示，针对不同的结构化、半结构化和非结构化数据都有不同的张量化表示方法；再利用张量扩展算子将不同阶的张量化数据进行融合，一般先融合同类型结构数据，再对不同结构数据进行融合。

3.根据权利要求2所述的基于张量化数据降维的工业设备故障检测分类方法，其特征在于，步骤2)数据预处理中数据降维过程采用增量式降维算法，具体包括：

2-1)递归矩阵奇异值分解，递归公式如下

在式中，mix(*)函数为在第2部分进行说明，用于合并增量矩阵与分解结果，递归过程中，函数f(*)不断调用自身的操作对矩阵M_i和C_i进行分解，每一次的函数调用都向最终的奇异值分解逼近一步，最终求得矩阵M₁；

2-2)合并增量矩阵与分解结果，具体描述如下：矩阵M_i和矩阵C_i的分解结果与矩阵M_i-1和矩阵C_i-1进行合并，作为新的输入原始矩阵和增量矩阵，然后对增量矩阵C_i-1进行投影，将矩阵C_i-1投影到正交空间U_i上，可以通过正交关系，通过计算求得U_i的正交矩阵H，并获得H的单位正交基J，将U_i和J组合成一个新的矩阵，通过对新矩阵的高阶奇异值分解，得到更新后的左酉矩阵U，半正定对角矩阵Σ，以及右酉矩阵V，完成将新增矩阵与原始矩阵结合，然后完成动态更新分解；

2-3)增量张量奇异值分解，切割高阶张量，划分为增量张量原始张量首先将增量张量和原始张量扩展到相同的维度，不同维度的张量在展开时得到的按模展开矩阵维度会不同，一方面对张量X按模展开，对张量T进行更新，得到核心张量S，另一方面，对原始张量T进行分解得到其核心张量和左酉矩阵U₁,U₂…U_i，将S与U₁,U₂…U_i进行合并，得到新的近似张量实现对原张量的降维处理。

4.根据权利要求1所述的基于张量化数据降维的工业设备故障检测分类方法，其特征在于，步骤3)具体包括：

3-1)选择合适的去噪自编码器：

此堆叠去噪自编码器有3个隐藏层，每一层的输出作为下一层的输入，另一方面，也可以把它看作由3个自编码器组成，其中第一层(输入层)和第二层组成第一个自编码器，第二层与第三层组成第二个自编码器，第三层与第四层组成第三个编码器；

3-2)给出此自编码器的编码函数和重建函数：

假设堆叠自编码器共有l层，则ω^(k,l)和b^(k,l)分别表示第k个自编码器的权重和偏置参数，每层的编码过程设置如下：

其中a^(k+1)和x^(k)分别表示编码器的输出和输入，f(*)表示从一层到另一层的具有对数似然函数的S形变换；

重建过程表示如下：

z＝g_θ′(a)＝s(ω^Ta+b^T),θ′＝{ω^T,b^T}

其中z和a分别表示输出和前一隐藏层的输出，θ表示连接参数；函数s(*)表示重建函数，旨在式输出z等于输入数据；

3-3)为自编码器增加稀疏性；

设a_j和m分别表示隐藏单元的激活和输入节点的数量，其中输出为1表示激活，输出为0表示被抑制，则编码器中的平均激活ρ_j表示为

3-4)该自编码器的成本函数表示如下：

假设一个训练集有m个输入样本，则具有n个层的去噪自编码器的总体成本函数被设置为：

上式中，C(ω,b；x⁽ⁱ⁾,a⁽ⁱ⁾)是单个自动编码器的代价函数，

KL(ρ||ρ_j)是Kullback-Leibler(KL)散度，旨在测量ρ_j和ρ之间的差异，在本发明中作为额外惩罚项放入成本函数中，具体表示为：

表示层l中第i个神经元与层l+1中第j个神经元之间的突触权重，s_l表示层l中总神经元的数量。