[发明专利]基于智能核主元分析的工业大数据故障诊断方法

摘要

本发明提供一种基于智能核主元分析的工业大数据故障诊断方法，涉及故障监测与诊断技术领域。该方法通过采集电熔镁炉熔炼过程中的图像、电流等数据，异构建模大数据池，对数据池中的样本进行智能核主元分析，得到分类器判别矩阵的最优解，建立初始监测分类器模型，采用平均即使风险逼近批量学习的批量风险的方法更新初始监测分类器模型，由更新后的监测分类器对新采集到的异构后的数据进行分类标记，求得结果图，通过结果图即可判断新采集的数据是否发生故障。本发明建立了生产流程的物理化学变量和图像声音视频的大数据池，实现结合多个信息源的互补信息，发现数据源之间的关联关系，以达到降低误报警率、提高故障检测的准确性的目的。

主权项

1.一种基于智能核主元分析的工业大数据故障诊断方法，其特征在于：包括以下步骤：步骤1：在电熔镁炉熔炼的工业过程中，采集炉面图像和同一时间的电熔镁炉三个电极的电流；步骤2：对采集的数据进行标准化处理，对其中部分数据进行标记，异构建模大数据池；具体方法为：对每一幅图片分别计算0°，45°，90°，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对比度、相关性、能量、同质性及熵五个特征值，则每一幅图片均得到一个20维的图片数据向量[x1，x2，…，x20]；采集同一时间的电熔镁炉的三个电极的电流数据为[x21，x22，x23]；由图片数据和电流数据异构建模的最终向量为[x1，x2，…，x20，x21，x22，x23]；采集的数据样本的总数为N，其中的1个数据由人工先验知识进行标记，u个样本不进行标记，N＝1+u，标记数据中包括正常数据和异常数据，由此异构建模大数据池X＝[X1，X2，…，Xl，Xl+1，Xl+2，…，Xl+u]；步骤3：用步骤2异构建模的大数据池，建立初始监测分类器模型；基于表示定理，对如下的优化问题进行求解，得到初始监测分类器模型；St：eTU(Kα)≥s2‑εi其中，L(Kα，y)＝1/(1+exp(‑yKα))，U(Kα)＝(Kα)2，α＝(α1，α2，...，αn)为表示定理的系数矩阵，n为输入数据的维数，n＝23，e为全为1的行向量，K为核矩阵，y为已标记数据的标签，参数Cl、Cu、s和εi为衡量监测分类器模型复杂程度的参数，根据问题不同由用户自已选择；上述优化问题的最优解即为初始监测分类器模型的系数矩阵，通过表示定理表示的最优系数矩阵为得到的初始监测分类器模型表示为：其中，N为输入数据的个数，X_j为第j个输入数据，α_j为系数矩阵的第j列向量，k(X_j，x)表示X_j和x的内积，其中x为当前输入的待标记数据；步骤4：采用平均即使风险逼近批量学习的批量风险的方法更新步骤3得到的初始监测分类器模型；分类器的更新表示为：其中，L(f_t(x)，y_t)＝1/(1+exp(‑y_tf_t(x)))，其中的f_t(x)表示t时刻的监测分类器模型，t表示工业过程的某一时刻；为希尔伯特核再生空间；R(f)为平均即使风险函数；R_t(f)为t时刻的风险函数；y_t为由数据点类型构成的列向量；参数T为数据点个数；参数和为衡量监测分类器模型复杂程度的参数，根据问题不同由用户自己选择；步骤5：由更新后的监测分类器对新采集到的异构后的数据进行分类标记，求得结果图，通过结果图即可判断新采集的数据是否发生故障，当该点被标记为故障时，认为有故障发生，反之，则电熔镁炉运转正常；检测后返回步骤3对分类器进行更新。