[发明专利]基于工业大数据图半监督新类挖掘的故障诊断方法

说明书

本发明提供一种基于工业大数据图半监督新类挖掘的故障诊断方法，涉及故障监测与诊断技术领域。基于工业大数据图半监督新类挖掘的故障诊断方法，首先采集工业生产过程的数据，并对其进行降维处理；然后对数据点按已标记数据点和未标记数据点进行初始标签标记，并计算软标签矩阵，通过软标签矩阵对故障数据的类别进行诊断；最后对新故障类型重新进行诊断，直到发现所有新的故障类型。本发明的基于工业大数据图半监督新类挖掘的故障诊断方法，实现了对原有故障类型的识别以及未知故障类型的发现，大大降低了故障类型的误报警率，同时提高了故障检测的准确性。

技术领域

本发明涉及故障监测与诊断技术领域，尤其涉及一种基于工业大数据图半监督新类挖掘的故障诊断方法。

背景技术

随着现代工业的迅速发展，现代企业中生产设备日趋大型化、连续化、高速化和自动化，设备的结构与组成十分复杂，生产规模非常庞大，各部门之间的联系也特别密切。实际的生产过程有线性的、非线性的、时不变的、时变的等，对于不同的生产过程所具有的特征，应选用不同的故障监测方法，这样才能有效地检测到故障。基于图的半监督故障诊断算法可以准确识别各种不同类别的故障。

半监督算法，如图1所示，指既利用标记数据也利用未标记数据来建立学习模型，最终通过该模型能够预测输入数据的标记。半监督分为两类：归纳半监督和直推半监督，定义分别为：

归纳半监督：给定训练集归纳半监督的目的是学习得到一个函数f：X→Y，使得该函数能够很好地预测训练集以外的输入数据的标记。

直推半监督：给定训练集直推半监督的目的是学习得到一个函数f：X^l+u→Y^l+u，使得该函数能够很好地预测训练集中未标记样本的标记。

实际工业过程中将会产生大量的生产过程数据，但是对所有数据进行人工标记显然是不现实的，所以应用半监督算法，即少量数据进行人工标记并保留大多数数据处于未标记状态，对于复杂的工业故障诊断是十分可取的。在众多半监督算法中，基于图的半监督学习算法最大的特点就是用图来表示数据之间的关系，其中图的结点表示数据点，点与点之间存在着边，这些边被赋予权重，权重代表数据点之间的相似度。最终从图学得一个用于对未标记数据进行分类标记的实值函数。

故障诊断算法的具体工业背景是电熔镁炉的生产过程。电熔镁炉生产过程得到的最终产品是电熔镁砂。电熔镁砂是一种广泛应用于化学、航天、冶金等领域的重要耐火材料，在我国，主要利用三相交流电熔镁炉来生产电熔镁砂。电熔镁炉实际上是一种埋弧炉，属于矿热炉而不是电弧炉，其主要以熔融状态下电流通过物料所产生的物料电阻热为主要热源，同时伴有电弧热，它的热量集中，能有效的将物料加热到熔点2800℃以上，有利于熔炼电熔镁砂。电熔镁炉的设备主要包括：变压器、电路短网、电极、电极升降装置及炉体等。

目前传统的基于图的半监督故障诊断算法对于在电熔镁炉生产过程的已知故障类别的诊断具有很好的效果，但是由于传感器漂移、设备老化、原材料变化和催化剂活性降低等原因，使得过程总是在不断地发生缓慢变化，这样也就可能导致新的故障类型的产生。目前传统的基于图的半监督故障诊断算法在发现新类型的故障方面的性能还是较差的，无法准确发现新类型的故障。

发明内容

针对现有技术的缺陷，本发明提供一种基于工业大数据图半监督新类挖掘的故障诊断方法，挖掘电熔镁炉生产过程的新故障类型。

一种基于工业大数据图半监督新类挖掘的故障诊断方法，包括以下步骤：

步骤1：采集工业生产过程中的数据，并将采集到的数据进行降维处理，生成一个包含多种数据类型的工业生产过程的大数据池；

步骤2：从工业生产过程的大数据池中随机选取n个采样数据，对采样数据进行初始标签的标记，具体方法为：