[发明专利]基于稀疏化的异构数据协同工业故障诊断方法

摘要

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l2,1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。

主权项

1.一种基于稀疏化的异构数据协同工业故障诊断方法，其特征在于，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，为n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；首先设置一个初始标记矩阵Y∈R^n×c，对于n个采样数据点中已标记数据点的第i个数据x_i，若该采样数据点属于第j种类，1≤j≤c，则在初始标记矩阵Y的第j列设为1，其他列均设为0；对于未标记数据点，则在初始标记矩阵Y的前c列均设为0，得到已标记数据点和未标记数据点的初始标记矩阵Y；步骤4：计算图拉普拉斯矩阵L；首先采用高斯核函数构建采样数据点的近邻权重矩阵S，该矩阵为一个n×n的且对称的权重系数矩阵，矩阵中的每个元素对应两个采样数据点之间的权重关系，第i个采样数据点x_i与第i′个采样数据点x_i′之间的权重关系如下式所示；其中，||·||为向量的二范数，即||x||²＝x^Tx，σ为权重的宽度参数；之后计算对角矩阵D：最后，计算图拉普拉斯矩阵L，L＝D‑S；利用图拉普拉斯矩阵L构建图拉普拉斯正则项：其中，F∈R^n×c为标签预测矩阵，F_il为标签预测矩阵F的第i行，第l列元素；图拉普拉斯正则项实现同时利用有标签数据和无标签数据，可以保持工业异构数据集的流形结构；步骤5：设置标签指示矩阵U∈R^n×n及均方误差项参数μ、稀疏惩罚项参数λ，其设置规则为：如果x_i为有标签数据，则标签指示矩阵U的对角元素U_ii＝1，D如果x_i为无标签数据，则U_ii＝0；均方误差项参数μ、稀疏惩罚项参数λ的设置规则为：0＜μ＜1,0＜λ＜1；利用标签指示矩阵U、初始标记矩阵Y及标签预测矩阵F共同构建标签适应项：标签适应项使标签预测矩阵F与初始标记矩阵Y尽可能保持一致；步骤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：对目标函数求解，分别得到映射矩阵W和标签预测矩阵F:令可得：F＝(L+U+μE)^‑1(UY+μX^TW)＝JK其中，J＝(L+U+μE)^‑1,K＝UY+X^TW再求解映射矩阵W，将求得的标签预测矩阵F代入到目标函数中，可得：W＝(M+2λH)^‑1N其中，设W＝[w¹,...,w^d]^T，则式中H为对角矩阵，其对角元素为M＝X(μE‑μ²J)X^T，N＝μXJUY；步骤7：更新映射矩阵W；设t＝0，首先将映射矩阵W₀∈R^d×c初始化为随机矩阵；随后计算对角矩阵：其中h_ii为D的第i行元素，w_i为W的第i行；并根据W_t+1＝(M+2λH)^‑1N对映射矩阵W进行更新，更新至映射矩阵W收敛，并返回最终的映射矩阵W；步骤8：最后得到特征选择后的工业异构数据集：G＝X^TW，并将低维工业异构数据集进行可视化处理，对其进行故障诊断。