[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

说明书

一种基于PCA‑Kmeans算法的冷轧带钢故障诊断优化方法，提出一种PCA降维算法结合K‑means聚类算法来优化数学模型，利用PCA算法优化巴克豪森信号特征数据，然后结合K‑means无监督学习算法处理优化后的低维数据，完成对冷轧带钢故障的预测诊断。其数学模型通过PCA得到优化，预测精度能够达到95％以上。

技术领域

本发明涉及改进聚类算法，利用PCA优化后的数据特征建立预测模型，完成冷轧带钢故障诊断预测，特别是涉及一种基于PCA-Kmeans算法的冷轧带钢故障诊断优化方法。

背景技术

随着我国工业的不断强大，铁路运输、航空航天、船舶、汽车、能源、建筑等产业得到了快速的发展，铁磁性材料是种功用性材料，在工业领域中其已成为关键性的工业原料。钢铁等铁磁性材料是使用最为广泛的材料之一，成为了工业繁荣、经济建设的重要基础。因此严格把控钢铁等铁磁性材料的质量成为了重要的任务，对于检测冷轧带钢等铁磁性材料有着广阔的应用前景。

传统的检测方法具有破坏性并且检测准确度不够高，本发明采用巴克豪森法无损检测方法检测冷轧带钢是否存在故障，巴克豪森法属于无损检测方法，该方法不需要破坏材料本身就能准确的检测出带钢是否存在缺陷故障。通过分析巴克豪森信号的特性，提取出巴克豪森信号的特征，建立特征数据库，利用聚类等数学模型即可实现对冷轧带钢的故障检测。

巴克豪森信号特征较多，较多的特征虽然拥有抗干扰能力和丰富的信息，包含着多重的特征信息，但是高维度特征向量的问题往往容易陷入维度灾难。随着数据集维度的增加，算法学习需要的样本数量呈指数级增加，这样对数据建模是非常不利的。另外，随着维度的增加，数据的稀疏性会越来越高。在高维向量空间中探索同样的数据集比在同样稀疏的数据集中探索更加困难。

多维度特征数据无疑会为冷轧带钢故障预测诊断模型提供丰富的信息，但是也在一定程度上影响了数据处理和模型预测准确性。如果分别对每个指标进行分析，分析往往是孤立的，不能完全利用数据中的信息，因此盲目减少指标会损失很多有用的信息，从而产生错误的结论。PCA降维算法可以将具有相关性的原始高维度数据进行线性无关的映射至低维空间，从而实现在尽可能保留数据信息的情况下降维数据，接着使用K-means聚类算法，通过无监督学习的方式来完成冷轧带钢故障的预测诊断。

发明内容

为了解决以上问题，本发明的技术方案为一种基于PCA-Kmeans算法的冷轧带钢故障诊断优化方法，通过将巴克豪森信号进行特征提取，然后利用PCA(Principal ComponentAnalysis)降维算法优化数据，将信号特征压缩降维至二维。K-means聚类算法对于处理二维或者三维数据效果较佳，将优化后的数据送入K-means算法模型中，通过无监督学习来完成冷轧带钢的故障诊断。本发明的PCA-Kmeans算法模型优化了故障诊断模型，提高模型鲁棒性和预测准确性，为达此目的，本发明提供一种基于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；