[发明专利]基于不等权局部保持嵌入的故障诊断方法

摘要

本发明公开了一种基于不等权局部保持嵌入的故障诊断方法，该方法旨在解决的问题是：针对现代工业过程数据的复杂动态特性，如何构建动态的有向图谱结构，既保持原始样本的局部近邻关系，又能保持原始特征变量的局部结构关系，嵌入后的低维数据结构关系与原始空间的保持一致。该发明方法利用图谱的不等权连接边构建有向网络，并计算概率距离引导的样本相似度矩阵，形成不等权局部保持嵌入模型，有效表征动态过程的样本局部近邻关系；同时，将特征变量也纳入图谱构建中，保留特征变量的局部关系信息，选取对过程故障产生重要影响的特征变量，进一步增强诊断模型的分类精度。与邻域保持嵌入方法相比，本发明方法不仅表征了过程数据的拓扑结构关系，而且构建了不等权局部保持的有向图谱，获取了样本之间的近邻关系，更好地表征特征变量的局部流形结构，反映过程的动态变化情况。因此，本发明方法所涉及的不等权局部保持嵌入模型能取得更优越的动态过程的故障诊断效果。

主权项

一种基于不等权局部保持嵌入的故障诊断方法，其特征在于，包括以下步骤：A、建立NPE模型，获得样本的重构权重W；B、根据有向邻接图谱，生成邻接顶点的不等权重，获取顶点之间的概率距离，再利用概率距离计算有向图谱的相似度矩阵，描述顶点样本之间的不等权边；C、构建不等权局部保持嵌入模型，原始空间的同类样本在低维空间保持局部性和动态性，即求解高维数据的低维表示；D、建立动态过程的故障诊断模型：根据Fisher鉴别函数，构造多元统计鉴别函数为：$g_l\left(y\right)=(y-{\mathrm{\μ}}_l){\Σ}_l^{-1}{(y-{\mathrm{\μ}}_l)}^T$式中，μ_l和Σ_l分别是第l类的训练样本在低维空间的均值和协方差，则新的测试样本划分到第l类，当满足下式时：C(x_t)＝arg min_1≤l≤s{g_l(x_t)}E、建立局部特征变量保持嵌入模型，设计一局部鉴别分值标准，选择最具代表性的特征变量，评估变量对图谱结构保持的能力；F、根据选择的重要的特征变量，构建诊断模型，根据采集的测试样本，划分测试样本的故障类型。