[發明專利]基于智能核主元分析的工業大數據故障診斷方法

有效

• 申請號: 201711325147.8
• 申請日: 2017-12-13
• 公開（公告）號: CN108181891B
• 公開（公告）日: 2020-05-05
• 發明（設計）人: 張穎偉;霍曉斌;賈潤達
• 申請（專利權）人: 東北大學
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 梁焱

1.一種基于智能核主元分析的工業大數據故障診斷方法，其特征在于：包括以下步驟：

步驟1：在電熔鎂爐熔煉的工業過程中，采集爐面圖像和同一時間的電熔鎂爐三個電極的電流；

步驟2：對采集的數據進行標準化處理，對其中部分數據進行標記，異構建模大數據池；具體方法為：

對每一幅圖片分別計算0°，45°，90°，135°四個方向的灰度共生矩陣，對每個灰度共生矩陣分別計算對比度、相關性、能量、同質性及熵五個特征值，則每一幅圖片均得到一個20維的圖片數據向量[x₁，x₂，…，x₂₀]，其中x₁～x₄、x₅～x₈、x₉～x₁₂、x₁₃～x₁₆、x₁₇～x₂₀分別為現場采集到的圖片數據的0°、45°、90°、135°四個方向的能量、對比度、同質性、熵和相關性的5組特征值；采集同一時間的電熔鎂爐的三個電極的電流數據為[x₂₁，x₂₂，x₂₃]，x₂₁、x₂₂、x₂₃為與現場采集到的圖片數據對應時刻的電熔鎂爐的三相電流數據電流A、電流B、電流C；由圖片數據和電流數據異構建模的最終向量為[x₁，x₂，…，x₂₀，x₂₁，x₂₂，x₂₃]；

采集的數據樣本的總數為N，其中的1個數據由人工先驗知識進行標記，u個樣本不進行標記，N＝l+u，標記數據中包括正常數據和異常數據，由此異構建模大數據池X＝[X₁，X₂，…，X_l，X_l+1，X_l+2，…，X_l+u]，X_i是由第i幅圖片中采集的23個變量組成的向量，i＝1，2，…，1+u，其中23個變量包括0°、45°、90°、135°四個方向的能量、對比度、同質性、熵、相關性5個特征值和對應時刻的電熔鎂爐的三相電流數據電流A、電流B、電流C；

步驟3：用步驟2異構建模的大數據池，建立初始監測分類器模型；

基于表示定理，對如下的優化問題進行求解，得到初始監測分類器模型；

St：e^TU(Kα)≥s²-ε_i

其中，L(Kα，y)＝1/(1+exp(-yKα))，U(Kα)＝(Kα)²，α＝(α₁α₂，...，α_n)為初始監測分類器模型待求解的系數矩陣，由表示定理繼承而來，α₁，...，α_n為α中的元素，n為輸入數據的維數，n＝23，e為全為1的行向量，K為核矩陣，y為已標記數據的標簽，參數C₁、C_u、s和ε_i為衡量監測分類器模型復雜程度的參數，根據問題不同由用戶自己選擇，其中s為采集到的數據集的方差；

上述優化問題的最優解即為初始監測分類器模型的系數矩陣，通過表示定理表示的最優系數矩陣為得到的初始監測分類器模型表示為：其中，N為輸入數據的個數，X_j為第j個輸入數據，α_j為系數矩陣的第j列向量，k(X_j，x)表示X_j和x的內積，其中x為當前輸入的待標記數據；

步驟4：采用平均即使風險逼近批量學習的批量風險的方法更新步驟3得到的初始監測分類器模型；分類器的更新表示為：

其中，L(f_t(x)，y_t)＝1/(1+exp(-y_tf_t(x)))，其中的f_t(x)表示t時刻的監測分類器模型，t表示工業過程的某一時刻；||f||為f_t(x)的模；為希爾伯特核再生空間；R(f)為平均即使風險函數；R_t(f)為t時刻的風險函數；y_t為由數據點類型構成的列向量；參數T為數據點個數；參數和為衡量監測分類器模型復雜程度的參數，根據問題不同由用戶自己選擇；

步驟5：由更新后的監測分類器對新采集到的異構后的數據進行分類標記，求得結果圖，通過結果圖即可判斷新采集的數據是否發生故障，當該新采集的數據被標記為故障時，認為有故障發生，反之，則電熔鎂爐運轉正常；檢測后返回步驟3對分類器進行更新。