CN109948503A - 基于共享子空间多视角非负矩阵分解的工业故障检测方法 - Google Patents

Abstract

本发明涉及故障监测与诊断技术领域，提供一种基于共享子空间多视角非负矩阵分解的工业故障检测方法，首先使用多个摄像头对电熔镁炉的炉面图像数据进行采集，通过灰度化、归一化处理后，得到各视角的炉面图像矩阵；然后，采用非负矩阵分解方法建立并训练炉面图像矩阵在低维空间的目标函数模型；接着，通过各视角的公共映射矩阵及公共投影矩阵对验证样本的炉面图像矩阵进行降维，并计算各视角的低维表示矩阵与公共特征矩阵的差异性，通过核密度估计得到各视角的99％控制线值；最后，实时采集与处理炉面图像数据，比较待测样本中各视角的差异性与99％控制线值，判断工业故障是否发生。本发明能够提高工业故障检测的准确率。

Description

基于共享子空间多视角非负矩阵分解的工业故障检测方法

技术领域

本发明涉及故障监测与诊断技术领域，特别是涉及一种基于共享子空间多视角非负矩阵分解的工业故障检测方法。

背景技术

在冶炼氧化镁工业中，用于生产电熔氧化镁的主要设备是电熔镁炉，它是一种以电弧为热源的熔炼炉，虽然在炼镁工业中应用广泛，但目前辽宁省乃至我国多数电熔镁炉冶炼过程自动化程度还较低，这一弊端不仅使产品质量和生产效率不如预期，并且严重消耗电能与电极，使故障频发，喷炉情况时有发生。并且一个部件或过程出现的故障往往还会引起链式反应，若其不能被及时排除，很可能导致整个工业系统甚至整个生产过程不能正常运行甚至发生瘫痪，轻则降低性能，影响生产，重则造成停机，设备损坏，更有甚者机毁人亡。由此可见，倘若发生事故，不仅会造成巨大的人员伤亡和经济损失，还会对自身产业及社会造成不良影响。因此，对工业生产过程进行过程检测以便及时发现并排除故障具有十分重要的社会效益和经济意义。

现有的工业故障检测方法中，主要依靠现场工人的不间断巡检，对电熔镁炉异常工况进行预警。工人通过观察生产过程中炉口火焰的形态、亮度、火星等特征，根据经验来预先判断可能发生的异常工况。然而，操作人员的人为调整方法完全依赖于操作者各自的经验，很难保证决策的及时性及准确性。如有操作不当、疏于检测或因不可抗拒的自然因素引起设备故障而导致生产中断等事故，将会给生产带来巨大的浪费和损失。

发明内容

针对现有技术存在的问题，本发明提供一种基于共享子空间多视角非负矩阵分解的工业故障检测方法，能够解决对工业过程覆盖不全面导致的漏报问题并提高工业故障检测的准确率。

本发明的技术方案为：

一种基于共享子空间多视角非负矩阵分解的工业故障检测方法，其特征在于，包括下述步骤：

步骤1：在电熔氧化镁的工业生产过程中固定D个摄像头，利用所述D个摄像头对正常工况下N个时刻的电熔镁炉的炉面图像数据进行采集，得到N个训练样本，每个训练样本包括D个视角下的炉面图像数据；对每个训练样本中每个视角下的炉面图像数据进行灰度化及归一化处理，得到第n个训练样本中第d个视角下的炉面图像矩阵n＝1,2,…,N，d＝1,2,…,D；

步骤2：通过非负矩阵分解，建立N个训练样本中D个视角下的炉面图像矩阵在低维空间的目标函数模型为

求解所述目标函数模型，得到W^d、V^d、H^*；

其中，W^d为第d个视角的公共映射矩阵，为第n个训练样本中第d个视角的低维表示矩阵，V^d为第d个视角的公共投影矩阵，H^*为所有视角的炉面图像矩阵在低维空间的公共特征矩阵，λ₁、λ₂均为系数参数；Q_n＝{1,2,3,...,N}-{n}，为第d个视角下第n个训练样本与第j个训练样本的权重系数，

步骤3：重新采集正常工况下D个视角下N个时刻的电熔镁炉的炉面图像数据，得到N个验证样本，对每个验证样本中每个视角下的炉面图像数据进行灰度化及归一化处理，得到第n个验证样本中第d个视角下的炉面图像矩阵n＝1,2,…,N，d＝1,2,…,D；通过第d个视角的公共映射矩阵W^d及公共投影矩阵V^d将第n个验证样本中第d个视角下的炉面图像矩阵映射到低维，得到第n个验证样本中第d个视角的低维表示矩阵为：

步骤4：计算每个验证样本中每个视角的低维表示矩阵与公共特征矩阵H^*的差异性为

得到验证样本中第d个视角的差异性数据集

步骤5：对验证样本中第d个视角的差异性数据集C^d进行核密度估计，估计出差异性数据集C^d的数据分布，计算出第d个视角的概率密度为99％的控制线

步骤6：对电熔镁炉进行工业故障的在线检测，具体步骤如下：

步骤6.1：实时采集D个视角下N个时刻的电熔镁炉的炉面图像数据，得到N个待测样本，对每个待测样本中每个视角下的炉面图像数据进行灰度化及归一化处理，得到第n个待测样本中第d个视角下的炉面图像矩阵n＝1,2,…,N，d＝1,2,…,D；

步骤6.2：通过第d个视角的公共映射矩阵W^d及公共投影矩阵V^d将第n个待测样本中第d个视角下的炉面图像矩阵映射到低维，得到第n个待测样本中第d个视角的低维表示矩阵为

步骤6.3：计算第n个待测样本中第d个视角的低维表示矩阵与公共特征矩阵H^*的差异性为得到待测样本中第d个视角的差异性数据集

步骤6.4：比较第n个待测样本中第d个视角的差异性与第d个视角的控制线的大小，若则电熔镁炉在第n个待测样本对应的时刻发生故障；若则电熔镁炉在第n个待测样本对应的时刻没有发生故障。

所述步骤2中求解目标函数模型的具体步骤如下：

步骤2.1：随机生成每个视角的公共映射矩阵W^d、每个视角的公共投影矩阵V^d的初始值及每个训练样本中每个视角的低维表示矩阵的初始值，并通过式(2)生成公共特征矩阵H^*的初始值：

步骤2.2：固定V^d、H^*，求取W^d，具体步骤如下：

步骤2.2.1：将式(1)转化为：

步骤2.2.2：由

得到式(3)对(W^d)_ik的偏导为：

步骤2.2.3：利用无约束最优化方法中的最速下降法，得到：

令：

将式(6)转化为：

步骤2.3：固定W^d、V^d、H^*，求取具体步骤如下：

步骤2.3.1：将式(1)转化为：

步骤2.3.2：式(9)对求偏导得到式(10)为：

步骤2.3.3：利用无约束最优化方法中的最速下降法，得到：

令：

将式(11)转化为：

步骤2.4：固定W^d、H^*，求取V^d，具体步骤如下：

步骤2.4.1：将式(1)转化为

步骤2.4.2：式(14)对V^d求偏导得到

步骤2.4.3：令式(15)等于零，得到

步骤2.5：固定W^d、V^d，求取H^*，具体步骤如下：

步骤2.5.1：将式(1)转化为

步骤2.5.2：式(17)对H^*求偏导得到

步骤2.5.3：令式(18)等于零，得到

步骤2.6：重复上述步骤2.2至步骤2.5，进行m次迭代，最终得到第d个视角的公共映射矩阵W^d、第d个视角的公共投影矩阵V^d、所有视角的炉面图像矩阵在低维空间的公共特征矩阵H^*，d＝1,2,…,D。

所述步骤1中，D≥2。

本发明的有益效果为：

(1)本发明使用多个摄像头代替人眼来对电熔氧化镁生产过程中的炉面图像数据进行全方位地采集，并对电熔镁炉进行工业故障的实时检测，不仅解决了人工检测方法中存在的难以保证决策及时性及准确性的问题，而且解决了单视角数据采集中存在的对工业过程覆盖不全面导致的漏报问题。

(2)本发明对各视角的炉面图像进行灰度化处理，保留了原始图像的明暗特征，并采用非负矩阵分解的方法对各视角的炉面图像矩阵进行降维，提取正常工况下各视角的炉面图像矩阵在低维空间的公共特征矩阵，建立及训练相应的数学模型，并在生产过程中实时采集、处理各视角的炉面图像数据，通过比较各视角炉面图像数据在低维空间中的表示矩阵与公共特征矩阵之间的差异性来实时判断工业故障是否发生，大大提高了检测结果的准确率。

附图说明

图1为电镕镁炉的生产过程结构示意图；

图2为本发明的基于共享子空间多视角非负矩阵分解的工业故障检测方法的流程图；

图3为本发明的具体实施方式中提取的第1个视角在数据特征250与数据特征100上的映射结果示意图；

图4为本发明的具体实施方式中提取的第2个视角在数据特征250与数据特征100上的映射结果示意图；

图5为本发明的具体实施方式中提取的第3个视角在数据特征250与数据特征100上的映射结果示意图；

图6为本发明的具体实施方式中提取的第1个视角在数据特征270与数据特征150上的映射结果示意图；

图7为本发明的具体实施方式中提取的第2个视角在数据特征270与数据特征150上的映射结果示意图；

图8为本发明的具体实施方式中提取的第3个视角在数据特征270与数据特征150上的映射结果示意图；

图9为本发明的具体实施方式中的工业故障在线检测结果示意图。

图中，1－变压器，2—短网，3—电极升降装置，4—电极，5—炉壳，6—车体，7—电弧，8—炉料。

具体实施方式

下面将结合附图和具体实施方式，对本发明作进一步描述。

本发明的目的是提供一种基于共享子空间多视角非负矩阵分解的工业故障检测方法，能够解决对工业过程覆盖不全面导致的漏报问题并提高工业故障检测的准确率。

如图1所示，为电熔氧化镁炉(简称电熔镁炉)的生产过程结构示意图。其中，电熔镁炉包括变压器1、短网2、电极升降装置3、电极4、炉壳5、车体6、电弧7、炉料8；电熔镁炉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，能有效地将物料加热到熔点2800℃以上，有利于熔炼电熔镁砂。

如图2所示，为本发明的基于共享子空间多视角非负矩阵分解的工业故障检测方法的流程图。本发明的基于共享子空间多视角非负矩阵分解的工业故障检测方法，其特征在于，包括下述步骤：

步骤1：在电熔氧化镁的工业生产过程中固定D个摄像头，利用所述D个摄像头对正常工况下N个时刻的电熔镁炉的炉面图像数据进行采集，得到N个训练样本，每个训练样本包括D个视角下的炉面图像数据；对每个训练样本中每个视角下的炉面图像数据进行灰度化及归一化处理，得到第n个训练样本中第d个视角下的炉面图像矩阵n＝1,2,…,N，d＝1,2,…,D。

所述步骤1中，D≥2。本实施例中，D＝3，N＝120，为120×160矩阵。

步骤2：通过非负矩阵分解，建立N个训练样本中D个视角下的炉面图像矩阵在低维空间的目标函数模型为

求解所述目标函数模型，得到W^d、V^d、H^*；

其中，W^d为第d个视角的公共映射矩阵，为第n个训练样本中第d个视角的低维表示矩阵，V^d为第d个视角的公共投影矩阵，H^*为所有视角的炉面图像矩阵在低维空间的公共特征矩阵，λ₁、λ₂均为系数参数；Q_n＝{1,2,3,...,N}-{n}，为第d个视角下第n个训练样本与第j个训练样本的权重系数，

本实施例中，W^d为120×10矩阵，为10×160矩阵，V^d为10×10矩阵，H^*为10×160矩阵，λ₁＝0.1、λ₂＝0.1，

所述步骤2中求解目标函数模型的具体步骤如下：

步骤2.1：随机生成每个视角的公共映射矩阵W^d、每个视角的公共投影矩阵V^d的初始值及每个训练样本中每个视角的低维表示矩阵的初始值，并通过式(2)生成公共特征矩阵H^*的初始值：

步骤2.2：固定V^d、H^*，求取W^d，具体步骤如下：

步骤2.2.1：将式(1)转化为：

步骤2.2.2：由

得到式(3)对(W^d)_ik的偏导为：

步骤2.2.3：利用无约束最优化方法中的最速下降法，得到：

令：

将式(6)转化为：

步骤2.3：固定W^d、V^d、H^*，求取具体步骤如下：

步骤2.3.1：将式(1)转化为：

步骤2.3.2：式(9)对求偏导得到式(10)为：

步骤2.3.3：利用无约束最优化方法中的最速下降法，得到：

令：

将式(11)转化为：

步骤2.4：固定W^d、H^*，求取V^d，具体步骤如下：

步骤2.4.1：将式(1)转化为

步骤2.4.2：式(14)对V^d求偏导得到

步骤2.4.3：令式(15)等于零，得到

步骤2.5：固定W^d、V^d，求取H^*，具体步骤如下：

步骤2.5.1：将式(1)转化为

步骤2.5.2：式(17)对H^*求偏导得到

步骤2.5.3：令式(18)等于零，得到

步骤2.6：重复上述步骤2.2至步骤2.5，进行m次迭代，最终得到第d个视角的公共映射矩阵W^d、第d个视角的公共投影矩阵V^d、所有视角的炉面图像矩阵在低维空间的公共特征矩阵H^*，d＝1,2,…,D。

本实施例中，通过m＝1000次迭代，得到W^d、V^d、H^*。

步骤3：重新采集正常工况下D个视角下N个时刻的电熔镁炉的炉面图像数据，得到N个验证样本，对每个验证样本中每个视角下的炉面图像数据进行灰度化及归一化处理，得到第n个验证样本中第d个视角下的炉面图像矩阵n＝1,2,…,N，d＝1,2,…,D；通过第d个视角的公共映射矩阵W^d及公共投影矩阵V^d将第n个验证样本中第d个视角下的炉面图像矩阵映射到低维，得到第n个验证样本中第d个视角的低维表示矩阵为：

步骤4：计算每个验证样本中每个视角的低维表示矩阵与公共特征矩阵H^*的差异性为

得到验证样本中第d个视角的差异性数据集

步骤5：对验证样本中第d个视角的差异性数据集C^d进行核密度估计，估计出差异性数据集C^d的数据分布，计算出第d个视角的概率密度为99％的控制线

步骤6：对电熔镁炉进行工业故障的在线检测，具体步骤如下：

步骤6.1：实时采集D个视角下N个时刻的电熔镁炉的炉面图像数据，得到N个待测样本，对每个待测样本中每个视角下的炉面图像数据进行灰度化及归一化处理，得到第n个待测样本中第d个视角下的炉面图像矩阵n＝1,2,…,N，d＝1,2,…,D；

步骤6.2：通过第d个视角的公共映射矩阵W^d及公共投影矩阵V^d将第n个待测样本中第d个视角下的炉面图像矩阵映射到低维，得到第n个待测样本中第d个视角的低维表示矩阵为

步骤6.3：计算第n个待测样本中第d个视角的低维表示矩阵与公共特征矩阵H^*的差异性为得到待测样本中第d个视角的差异性数据集

步骤6.4：比较第n个待测样本中第d个视角的差异性与第d个视角的控制线的大小，若则电熔镁炉在第n个待测样本对应的时刻发生故障；若则电熔镁炉在第n个待测样本对应的时刻没有发生故障。

本实施例中，采集了D＝3个视角下N＝720个时刻的电熔镁炉的炉面图像数据，通过灰度化、归一化、降维处理后，计算出第n个待测样本中第d个视角的差异性矩阵为进一步得到第n个待测样本中第d个视角的差异性

其中，为10×160矩阵，共有1600个数据点，也即数据特征。取每个待测样本中第d个视角的1600个数据点中的第h1个数据点与第h2个数据点的值构成坐标点，形成第d个视角在数据特征h1与数据特征h2上的映射结果示意图。如图3、图4、图5所示，分别为本实施例中提取的第1个视角、第2个视角、第3个视角在数据特征250与数据特征100上的映射结果示意图；如图6、图7、图8所示，分别为本实施例中提取的第1个视角、第2个视角、第3个视角在数据特征270与数据特征150上的映射结果示意图。由图3至图8可以看出，本发明取得了较好的对正常数据与故障数据的聚拢效果。

进一步地，如图9所示，取每个待测样本中第d个视角的差异性形成第d个视角的差异性曲线，与控制线共同构成本实施例中的工业故障在线检测结果示意图。从图9可以看出，在第250个样本对应的时刻第2个视角的差异性超过控制线，从而在第2个视角下电熔镁炉在第250个样本对应的时刻开始发生故障；同理，可以看出，在第1个视角下电熔镁炉在第255个样本对应的时刻开始发生故障，在第3个视角下电熔镁炉在第261个样本对应的时刻开始发生故障。

本实施例在总体检测过程中，第1个视角的误报率为0.000％、漏报率为0.22％，第2个视角的误报率为0.40％、漏报率为0％，第3个视角的误报率为1.15％、漏报率为0.87％。

可见，本发明大大降低了电熔镁炉的工业故障检测的误报率与漏报率，并提高了检测结果的准确率。

显然，上述实施例仅仅是本发明的一部分实施例，而不是全部的实施例。上述实施例仅用于解释本发明，并不构成对本发明保护范围的限定。基于上述实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，也即凡在本申请的精神和原理之内所作的所有修改、等同替换和改进等，均落在本发明要求的保护范围内。

Claims (3)

1.一种基于共享子空间多视角非负矩阵分解的工业故障检测方法，其特征在于，包括下述步骤：

步骤1：在电熔氧化镁的工业生产过程中固定D个摄像头，利用所述D个摄像头对正常工况下N个时刻的电熔镁炉的炉面图像数据进行采集，得到N个训练样本，每个训练样本包括D个视角下的炉面图像数据；对每个训练样本中每个视角下的炉面图像数据进行灰度化及归一化处理，得到第n个训练样本中第d个视角下的炉面图像矩阵n＝1,2,…,N，d＝1,2,…,D；

步骤2：通过非负矩阵分解，建立N个训练样本中D个视角下的炉面图像矩阵在低维空间的目标函数模型为

求解所述目标函数模型，得到W^d、V^d、H^*；

其中，W^d为第d个视角的公共映射矩阵，为第n个训练样本中第d个视角的低维表示矩阵，V^d为第d个视角的公共投影矩阵，H^*为所有视角的炉面图像矩阵在低维空间的公共特征矩阵，λ₁、λ₂均为系数参数；Q_n＝{1,2,3,...,N}-{n}，为第d个视角下第n个训练样本与第j个训练样本的权重系数，

步骤3：重新采集正常工况下D个视角下N个时刻的电熔镁炉的炉面图像数据，得到N个验证样本，对每个验证样本中每个视角下的炉面图像数据进行灰度化及归一化处理，得到第n个验证样本中第d个视角下的炉面图像矩阵n＝1,2,…,N，d＝1,2,…,D；通过第d个视角的公共映射矩阵W^d及公共投影矩阵V^d将第n个验证样本中第d个视角下的炉面图像矩阵映射到低维，得到第n个验证样本中第d个视角的低维表示矩阵为：

步骤4：计算每个验证样本中每个视角的低维表示矩阵与公共特征矩阵H^*的差异性为

得到验证样本中第d个视角的差异性数据集

步骤5：对验证样本中第d个视角的差异性数据集C^d进行核密度估计，估计出差异性数据集C^d的数据分布，计算出第d个视角的概率密度为99％的控制线

步骤6：对电熔镁炉进行工业故障的在线检测，具体步骤如下：

步骤6.1：实时采集D个视角下N个时刻的电熔镁炉的炉面图像数据，得到N个待测样本，对每个待测样本中每个视角下的炉面图像数据进行灰度化及归一化处理，得到第n个待测样本中第d个视角下的炉面图像矩阵n＝1,2,…,N，d＝1,2,…,D；

步骤6.2：通过第d个视角的公共映射矩阵W^d及公共投影矩阵V^d将第n个待测样本中第d个视角下的炉面图像矩阵映射到低维，得到第n个待测样本中第d个视角的低维表示矩阵为

步骤6.3：计算第n个待测样本中第d个视角的低维表示矩阵与公共特征矩阵H^*的差异性为得到待测样本中第d个视角的差异性数据集

步骤6.4：比较第n个待测样本中第d个视角的差异性与第d个视角的控制线的大小，若则电熔镁炉在第n个待测样本对应的时刻发生故障；若则电熔镁炉在第n个待测样本对应的时刻没有发生故障。

2.根据权利要求1所述的基于共享子空间多视角非负矩阵分解的工业故障检测方法，其特征在于，所述步骤2中求解目标函数模型的具体步骤如下：

步骤2.1：随机生成每个视角的公共映射矩阵W^d、每个视角的公共投影矩阵V^d的初始值及每个训练样本中每个视角的低维表示矩阵的初始值，并通过式(2)生成公共特征矩阵H^*的初始值：

步骤2.2：固定V^d、H^*，求取W^d，具体步骤如下：

步骤2.2.1：将式(1)转化为：

步骤2.2.2：由

得到式(3)对(W^d)_ik的偏导为：

步骤2.2.3：利用无约束最优化方法中的最速下降法，得到：

令：

将式(6)转化为：

步骤2.3：固定W^d、V^d、H^*，求取具体步骤如下：

步骤2.3.1：将式(1)转化为：

步骤2.3.2：式(9)对求偏导得到式(10)为：

步骤2.3.3：利用无约束最优化方法中的最速下降法，得到：

令：

将式(11)转化为：

步骤2.4：固定W^d、H^*，求取V^d，具体步骤如下：

步骤2.4.1：将式(1)转化为

步骤2.4.2：式(14)对V^d求偏导得到

步骤2.4.3：令式(15)等于零，得到

步骤2.5：固定W^d、V^d，求取H^*，具体步骤如下：

步骤2.5.1：将式(1)转化为

步骤2.5.2：式(17)对H^*求偏导得到

步骤2.5.3：令式(18)等于零，得到

步骤2.6：重复上述步骤2.2至步骤2.5，进行m次迭代，最终得到第d个视角的公共映射矩阵W^d、第d个视角的公共投影矩阵V^d、所有视角的炉面图像矩阵在低维空间的公共特征矩阵H^*，d＝1,2,…,D。

3.根据权利要求1或2所述的基于共享子空间多视角非负矩阵分解的工业故障检测方法，其特征在于，所述步骤1中，D≥2。