[發明專利]基于不等權局部保持嵌入的故障診斷方法

在審

• 申請號: 201711380265.9
• 申請日: 2017-12-20
• 公開（公告）號: CN108122006A
• 公開（公告）日: 2018-06-05
• 發明（設計）人: 盧春紅;王杰華;商亮亮;文萬志
• 申請（專利權）人: 南通大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 張素慶

本發明公開了一種基于不等權局部保持嵌入的故障診斷方法，該方法旨在解決的問題是：針對現代工業過程數據的復雜動態特性，如何構建動態的有向圖譜結構，既保持原始樣本的局部近鄰關系，又能保持原始特征變量的局部結構關系，嵌入后的低維數據結構關系與原始空間的保持一致。該發明方法利用圖譜的不等權連接邊構建有向網絡，并計算概率距離引導的樣本相似度矩陣，形成不等權局部保持嵌入模型，有效表征動態過程的樣本局部近鄰關系；同時，將特征變量也納入圖譜構建中，保留特征變量的局部關系信息，選取對過程故障產生重要影響的特征變量，進一步增強診斷模型的分類精度。與鄰域保持嵌入方法相比，本發明方法不僅表征了過程數據的拓撲結構關系，而且構建了不等權局部保持的有向圖譜，獲取了樣本之間的近鄰關系，更好地表征特征變量的局部流形結構，反映過程的動態變化情況。因此，本發明方法所涉及的不等權局部保持嵌入模型能取得更優越的動態過程的故障診斷效果。

技術領域

本發明屬于工業過程監控領域，尤其涉及一種基于不等權局部保持嵌入的故障診斷方法，利用近鄰樣本的概率距離構建不等權鄰接的有向圖譜，同時保持特征空間的近鄰樣本和局部特征變量與原始空間中的一致，抓取數據的潛在流形結構，反映動態過程的變化情況。

背景技術

現代工業過程的故障診斷對保障生產安全、提高產量等具有舉足輕重的作用。隨著分布式控制系統的發展，生產過程具有大量的多種特征變量。這些含有噪音、變化幅度很小的故障變量難以診斷。因此，提取或選擇有效的、重要的特征變量對診斷模型的分類性能產生重要影響。基于數據驅動的多元統計過程控制方法在過程監測中取得了成功的應用。主元分析(Principal Component Analysis)提取全局最大方差的方向，利用獲得的主元建立診斷模型；線性鑒別分析(Linear Discriminant Analysis,LDA)通過最大化類間散布矩陣和最小化類內散布矩陣，提取低維的子空間信息，將故障從正常樣本中分離出來。然而，這些診斷方法忽略了局部內在結構信息，僅關注全局結構信息，影響了模型的診斷能力。

最近，流形學習方法也成功應用于過程監測。鄰域保持嵌入(NeighborhoodPreserving Embedding,NPE)便是流形學習中的一種方法，利用近鄰建立重構圖譜矩陣，尋找數據潛在的局部幾何結構的低維表示。然而，動態的過程需及時抓取數據內部結構的變化，挖掘潛在的樣本關系。NPE重構過程中并沒有關注近鄰的距離；而且，如果采用歐氏距離表示樣本與近鄰之間的距離，容易受到噪音的干擾，也未能較好地反映動態的結構變化。不等權描述了樣本至近鄰的概率距離，反映有向圖譜的鄰接權重。因此，不等權局部保持嵌入方法用于提取動態過程變化特征。此外，NPE目標是特征空間的數據局部結構與原始空間中的保持一致，但是忽略了特征變量的局部保持能力，導致NPE可能無法有效抓取圖譜的結構變化。

鑒于流形學習和圖譜不等權鄰接權重的優勢，不等權局部保持嵌入方法被提出來，既表示數據的重構關系，又反映圖譜中樣本之間的概率距離。該方法發現原始數據的低維表征形式，保持樣本點的近鄰關系和特征變量的局部關系，挖掘動態過程的潛在數據變化，抓取動態特征。

發明內容

鑒于現有方法存在的不足，本發明的目的在于提供一種基于不等權局部保持嵌入的故障診斷方法。在鄰域保持嵌入方法的基礎上，針對動態過程潛在的結構復雜特性，利用近鄰樣本的概率距離構建不等權鄰接的有向圖譜，不僅保持原始數據的局部幾何關系，同時考慮了特征變量的局部保持能力。提出的不等權局部保持嵌入方法可以抓取動態過程的內在變化關系，選取有重要意義的故障變量。相比傳統的流形學習方法，可以獲得更高的診斷精度。

基于不等權局部保持嵌入的故障診斷方法，利用近鄰樣本的概率距離構建不等權鄰接的有向圖譜，保持原始數據的局部幾何關系，抓取動態過程的內在變化關系；并將特征變量融入重構圖譜，度量特征變量的局部結構保持能力，增強不等權局部保持嵌入方法的故障診斷能力。

步驟如下：

(1)建立NPE模型，獲得樣本的重構權重W。求解樣本的重構權重矩陣的子步驟如下所示：