[发明专利]一种基于PCA-Kmeans算法的冷轧带钢故障诊断优化方法

权利要求书

1.一种基于PCA-Kmeans算法的冷轧带钢故障诊断优化方法，其特征在于，包括如下步骤：

步骤1：首先对传感器采集到的巴克豪森信号进行特征提取，选取常用特征均方根、均值、峰值、峰值时间、半高宽、振岭数六个时域特征和功率谱一个频域特征；

步骤2：将获取的数据进行转化整合，巴克豪森信号特征多且数据结构复杂，在进行数据处理之前需要先进行数据的转化整合处理，将数据进行归一化处理，让每个特征处于0到1区间范围内；

步骤3：建立特征数据库，每个样本有7类特征；

步骤4：将数据库中的原始数据划分一部分数据为测试数据，用于测试优化算法后的模型有效性，剩余的数据作为建立模型的训练数据；

步骤5：采用PCA降维算法将原始七维特征降到二维特征数据，在贡献率保证的情况下完成数据聚类之前的预处理；

步骤6：构建K-means非监督学习算法，输入为经过PCA优化之后的特征数据，输出为两类结果，即有故障的冷轧带钢和无故障的冷轧带钢，并且设置初始的K-means中距离测度、初始质心位置、聚类重复次数相关参数；

所述K-means核心算法公式如下：

其中SSE参数计算的内容为当前迭代得到的中心位置到各自中心点簇的欧式距离总和，这个值越小表示当前的分类效果越好，p表示点位置(x,y)，m_i为中心点的位置；

步骤7：通过不断调整K-means参数达到最佳的分类效果，最后参数设置定为距离测度参数为sqEuclidean，初始质心位置参数为sample，聚类重复相应次数；

步骤8：利用测试数据测试算法模型的有效性能。

2.根据权利要求1所述的一种基于PCA-Kmeans算法的冷轧带钢故障诊断优化方法，其特征在于：所述步骤3中7类特征分别包括均方根、均值、峰值、峰值时间、半高宽、振岭数和功率谱。

3.根据权利要求1所述的一种基于PCA-Kmeans算法的冷轧带钢故障诊断优化方法，其特征在于：步骤7聚类重复次数为5。