[发明专利]基于流形假设的多源工业异构大数据的故障诊断方法

说明书

本发明属于故障监测与诊断技术领域，提出了一种基于流形假设的多源工业异构大数据的故障诊断方法，包括：1)采集镁炉熔炼的工业过程中的图像信息，从而得到图像样本，并进行标记；2)定义标签距离与电流距离，构建初始优化目标函数；3)在所述初始优化目标函数中添加正则项以及流形保持项，构建最终优化目标函数；4)对新的采样x_new进行特征提取，求解映射矩阵W；5)由W对接下来采集到的数据点进行特征提取，检测映射后特征提取效果；6)由W对采集到的数据进行投影，使用SVM方法对投影后的数据进行故障诊断。本发明用于解决数据集过大以及数据维数过高的问题，使故障诊断更加快速准确。

技术领域

本发明属于故障监测与诊断技术领域，提出了一种基于流形假设的多源工业异构大数据的故障诊断方法。

背景技术

现代社会的发展使工业领域可采集的数据爆炸式增长，随之而来的是衍生出来的一系列问题。例如维数灾难即存在着原始数据的特征维数过高，存在着冗余特征的情况，对于存储数据的空间的巨大浪费，耗时的信息检索等。如果能从原始数据中选择出重要的特征，使得后续故障检测与诊断过程仅需在一部分特征上构建模型，则维数灾难的问题将会大大缓解。另一方面，在通常使用高维特征的这些工业故障检测与诊断方法中，利用原始特征中选择后得到的特征有助于降低计算成本，节省存储空间并降低过度拟合的机会。

基于以上问题使得对数据的处理提出了越来越高的要求，近年来，现代企业中生产设备趋于大型化、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。实际的生产过程将产生大量的数据，对这些数据进行一定的处理，这样才能有效地利用数据，检测到故障。

虽然传统的特征提取方法对可以同时采集到物理变量与图像变量，并在已有的研究成果中在数据的利用上把物理化学变量数据和图像声音视频数据分开建模，分别分析，其做法忽视了大数据之间的必然联系，失去了大数据的固有优势。所以需要提出一种可行方法来解决问题。

流形学习，其主要思想是把一个高维的数据非线性映射到低维，该低维数据能够反映高维数据的本质，当然有一个前提假设就是高维观察数据存在流形结构，其优点是非参数，非线性，求解过程简单。

由于流形假设的特性，可以很好的处理工业大数据急需处理的主要问题，由此提出了一种基于流形假设的多源工业异构大数据的故障诊断方法。

发明内容

针对上述存在的技术问题，本发明提供一种基于流形假设的多源工业异构大数据的故障诊断方法，包括以下步骤：

步骤1，采集数据；

将镁炉熔炼的工业过程中采集到的图像信息进行处理得到图像特征数据的样本，即图像样本；

各个图像特征数据的样本由人工先验知识进行标记，将各个样本的标签信息标记为正常数据或异常数据，并与同一时刻采集到电流数据的样本构建样本集，包括的样本个数为N；

不同时刻的各个样本集的集合即为数据集P；

对数据集P中的每个图像样本分别计算0°、45°、90°和135°四个方向的灰度共生矩阵；

对每个灰度共生矩阵分别计算能量、对比度、自相关、逆差距和熵的特征值；由此，每个图像样本都可以得到一个20维的向量X₁＝[x₁,x₂,…,x₂₀]，并且采集同一时间的镁炉的三个电极的电流数据X₂＝[x₂₁,x₂₂,x₂₃]；

步骤2，定义标签距离与电流距离：

标签距离定义为