CN109949437A - 基于稀疏化的异构数据协同工业故障诊断方法 - Google Patents

Abstract

本发明属于故障监测与诊断技术领域，提出了一种基于稀疏化的异构数据协同工业故障诊断方法，包括：1)采集工业生产过程的图像数据；2)采集同一时刻的三相电流数据，得到工业异构数据集；3)对数据集中的采样数据点进行标记；4)计算图拉普拉斯矩阵L；5)构建标签适应项；6)将图拉普拉斯正则项与标签适应项添加到回归损失函数和稀疏惩罚项中，得到目标函数；7)更新映射矩阵W，计算对角矩阵；8)得到特征选择后的工业异构数据集，进行可视化处理，对其进行故障诊断。本发明使用了具有更好稀疏性和鲁棒性的l_2,1矩阵范数作为算法的稀疏惩罚项，使得选取的特征更具判别能力，将提高后续的故障检测与诊断过程的准确度和效率。

Description

基于稀疏化的异构数据协同工业故障诊断方法

技术领域

本发明属于本发明属于故障监测与诊断技术领域，具体涉及一种基于稀疏化的异构数据协同工业故障诊断方法。

背景技术

在工业过程中，目前大多使用单一类型的数据进行具体的故障诊断。但是故障诊断的效果往往并不令人满意。本发明提出一种利用例如物理化学变量、视频图像等异构数据的方式进行工业故障诊断。

作为一种故障诊断预处理手段，特征选择在工业故障监测与诊断领域发挥着重要的作用。首先，在工业现场采集到的原始数据大多为包含图像数据、物理数据等异构数据，这就会存在着原始数据的特征维数过高，存在着冗余特征的情况。这种情况被称之为维数灾难。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。

实际工业过程中将会采集大量的生产过程数据，但是对所有数据进行人工标记显然是不现实的，所以应用半监督算法，即少量数据进行人工标记并保留大多数数据处于未标记状态，对于特征选择过程十分可取的。在众多半监督算法中，基于图的半监督学习算法最大的特点就是用图来表示数据之间的关系，其中图的结点表示表示数据点，点与点之间存在着边，这些边被赋予权重，权重代表数据点之间的相似度。最终从图学得一个用于对采集到的工业现场的原始数据进行特征选择的映射矩阵。

基于稀疏化的异构数据协同工业故障诊断方法具体工业背景是电熔镁炉的生产过程。电熔镁炉生产过程得到的最终产品是电熔镁砂。电熔镁砂是一种广泛应用于化学、航天、冶金等领域的重要耐火材料，在我国，主要利用三相交流电熔镁炉来生产电熔镁砂。电熔镁炉实际上是一种埋弧炉，属于矿热炉而不是电弧炉，其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，能有效的将物料加热到熔点2800℃以上，有利于熔炼电熔镁砂。电熔镁炉的设备主要包括：变压器、电路短网、电极、电极升降装置及炉体等。

发明内容

针对上述存在的技术问题，本发明提供一种基于稀疏化的异构数据协同工业故障诊断方法，包括以下步骤：

步骤1：采集工业生产过程的图像数据，并对图像数据进行预处理，对每一幅图片的图像数据分别计算0°，45°，90°，135°四个方向的灰度共生矩阵,然后对四个灰度共生矩阵计算对比度，自相关，能量，逆差距及熵五个特征值；将图像数据处理成20维的向量数据；

步骤2：采集步骤1中图像数据相对应同一时刻的三相电流数据，并将三相电流数据与步骤1中的对图像数据预处理后得到的向量数据进行合并，得到一个工业异构数据集X∈R^23×n，其中23为特征个数，为n采样数据点个数,异构数据集中包含正常运行数据和故障数据；

步骤3：对步骤2中的工业异构数据集中的n个采样数据点进行初始标签的标记，具体方法为：

假设已知n个采样数据点{x₁，x₂，…，x_n}，这些采样数据点总共有c个种类；

首先设置一个初始标记矩阵Y∈R^n×c，对于n个采样数据点中已标记数据点的第i个数据x_i，若该采样数据点属于第j种类，1≤j≤c，则在初始标记矩阵Y的第j列设为1，其他列均设为0；对于未标记数据点，则在初始标记矩阵Y的前c列均设为0，得到已标记数据点和未标记数据点的初始标记矩阵Y；

步骤4：计算图拉普拉斯矩阵L；

首先采用高斯核函数构建采样数据点的近邻权重矩阵S，该矩阵为一个n×n的且对称的权重系数矩阵，矩阵中的每个元素对应两个采样数据点之间的权重关系，第i个采样数据点x_i与第i′个采样数据点x_i′之间的权重关系如下式所示；

其中，||·||为向量的二范数，即||x||²＝x^Tx，σ为权重的宽度参数；

之后计算对角矩阵D：

最后，计算图拉普拉斯矩阵L，L＝D-S；

利用图拉普拉斯矩阵L构建图拉普拉斯正则项：

其中，F∈R^n×c为标签预测矩阵，F_il为标签预测矩阵F的第i行，第l列元素；图拉普拉斯正则项实现同时利用有标签数据和无标签数据，可以保持工业异构数据集的流形结构；

步骤5：设置标签指示矩阵U∈R^n×n及均方误差项参数μ、稀疏惩罚项参数λ，其设置规则为：如果x_i为有标签数据，则标签指示矩阵U的对角元素U_ii＝1，D如果x_i为无标签数据，则U_ii＝0；均方误差项参数μ、稀疏惩罚项参数λ的设置规则为：0＜μ＜1,0＜λ＜1；

利用标签指示矩阵U、初始标记矩阵Y及标签预测矩阵F共同构建标签适应项：

标签适应项使标签预测矩阵F与初始标记矩阵Y尽可能保持一致；

步骤6：将图拉普拉斯正则项与标签适应项添加到回归损失函数和稀疏惩罚项中，得到目标函数：

对目标函数求解，分别得到映射矩阵W和标签预测矩阵F:

令可得：F＝(L+U+μE)^-1(UY+μX^TW)＝JK

其中，J＝(L+U+μE)^-1,K＝UY+X^TW

再求解映射矩阵W，将求得的标签预测矩阵F代入到目标函数中，可得：

W＝(M+2λH)^-1N

其中，设W＝[w¹,...,w^d]^T，则式中H为对角矩阵，其对角元素为M＝X(μE-μ²J)X^T，N＝μXJUY；

步骤7：更新映射矩阵W；设t＝0，首先将映射矩阵W₀∈R^d×c初始化为随机矩阵；随后计算对角矩阵：

其中h_ii为D的第i行元素，w_i为W的第i行；并根据W_t+1＝(M+2λH)^-1N对映射矩阵W进行更新，更新至映射矩阵W收敛，并返回最终的映射矩阵W；

步骤8：最后得到特征选择后的工业异构数据集：G＝X^TW，并将低维工业异构数据集进行可视化处理，对其进行故障诊断。

本发明的有益效果：

本发明提出一种基于半监督异构数据的稀疏化协同故障诊断方法，与已有的特征选择方法即利用Frobenius矩阵范数作为稀疏惩罚项相比，本发明使用了具有更好稀疏性和鲁棒性的l_2,1矩阵范数作为算法的稀疏惩罚项。这可以使得选取的特征更具判别能力，将提高后续的故障检测与诊断过程的准确度和效率。

本发明设计合理，易于实现，具有很好的实用价值。

附图说明

图1为本发明实施例中电熔镁炉两种运行工况的三相电流数据折线图；

图2为本发明实施例中利用单一的电流数据对电熔镁炉两种运行工况的故障诊断的示意图；

图3为本发明实施例中利用图像数据和电流数据构成的工业异构数据对电熔镁炉两种运行工况的故障诊断的示意图；

图4为本发明实施例中电熔镁炉三种运行工况的三相电流数据折线图；

图5为本发明实施例中利用单一的电流数据对电熔镁炉三种运行工况的故障诊断的示意图；

图6为本发明实施例利用图像数据和电流数据构成的工业异构数据对电熔镁炉三种运行工况的故障诊断的示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施实例，对本发明做出进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

一种基于稀疏化的异构数据协同工业故障诊断方法，包括以下步骤：

步骤1：采集工业生产过程的图像数据，并对图像数据进行预处理，对每一幅图片的图像数据分别计算0°，45°，90°，135°四个方向的灰度共生矩阵,然后对四个灰度共生矩阵计算对比度，自相关，能量，逆差距及熵五个特征值；将图像数据处理成20维的向量数据；

步骤2：采集步骤1中图像数据相对应同一时刻的三相电流数据，并将三相电流数据与步骤1中的对图像数据预处理后得到的向量数据进行合并，得到一个工业异构数据集X∈R^23×n，其中23为特征个数，为n采样数据点个数,异构数据集中包含正常运行数据和故障数据；

本实施例中，采样数据点个数n为186；取电熔镁炉生产流程的工业异构数据集中的十组数据如表1所示，每组数据包括降维处理的图像数据和电熔镁炉三相电极的电流数据；

表1

步骤3：对步骤2中的工业异构数据集中的n个采样数据点进行初始标签的标记，具体方法为：

假设已知n个采样数据点{x₁，x₂，…，x_n}，这些采样数据点总共有c个种类；

本实施例中，c＝3，每个种类包含62个采样数据点；取电熔镁炉生产流程的工业异构数据集中的十组数据如表1所示，每组数据包括降维处理的图像数据和电熔镁炉三相电极的电流数据；

首先设置一个初始标记矩阵Y∈R^n×c，对于n个采样数据点中已标记数据点的第i个数据x_i，若该采样数据点属于第j种类，1≤j≤c，则在初始标记矩阵Y的第j列设为1，其他列均设为0；对于未标记数据点，则在初始标记矩阵Y的前c列均设为0，得到已标记数据点和未标记数据点的初始标记矩阵Y；

本实施例中，表1中的采样数据点相对应的初始标记如表2所示，采样数据点1、6和7为人工标记的已标记数据点，且采样数据点1属于第1种类，采样数据点6属于第2种类，采样数据点7属于第3种类，其他采样数据点为未标记数据点；

表2

步骤4：计算图拉普拉斯矩阵L；

首先采用高斯核函数构建采样数据点的近邻权重矩阵S，该矩阵为一个n×n的且对称的权重系数矩阵，矩阵中的每个元素对应两个采样数据点之间的权重关系，第i个采样数据点x_i与第i′个采样数据点x_i′之间的权重关系如下式所示；

其中，||·||为向量的二范数，即||x||²＝x^Tx，σ为权重的宽度参数；

之后计算对角矩阵D：

最后，计算图拉普拉斯矩阵L，L＝D-S；

利用图拉普拉斯矩阵L构建图拉普拉斯正则项：

其中，F∈R^n×c为标签预测矩阵，F_il为标签预测矩阵F的第i行，第l列元素；图拉普拉斯正则项实现同时利用有标签数据和无标签数据，可以保持工业异构数据集的流形结构；

步骤5：设置标签指示矩阵U∈R^n×n及均方误差项参数μ、稀疏惩罚项参数λ，其设置规则为：如果x_i为有标签数据，则标签指示矩阵U的对角元素U_ii＝1，D如果x_i为无标签数据，则U_ii＝0；均方误差项参数μ、稀疏惩罚项参数λ的设置规则为：0＜μ＜1,0＜λ＜1；

本实施例中，设μ＝0.01,λ＝0.02；表1中的采样数据点相对应的标签指示矩阵U如表3所示；

表3

利用标签指示矩阵U、初始标记矩阵Y及标签预测矩阵F共同构建标签适应项：

标签适应项使标签预测矩阵F与初始标记矩阵Y尽可能保持一致；

步骤6：将图拉普拉斯正则项与标签适应项添加到回归损失函数和稀疏惩罚项中，得到目标函数：

对目标函数求解，分别得到映射矩阵W和标签预测矩阵F:

令可得：F＝(L+U+μE)^-1(UY+μX^TW)＝JK

其中，J＝(L+U+μE)^-1,K＝UY+X^TW

再求解映射矩阵W，将求得的标签预测矩阵F代入到目标函数中，可得：

W＝(M+2λH)^-1N

其中，设W＝[w¹,...,w^d]^T，则式中H为对角矩阵，其对角元素为M＝X(μE-μ²J)X^T，N＝μXJUY；

步骤7：更新映射矩阵W；设t＝0，首先将映射矩阵W₀∈R^d×c初始化为随机矩阵；随后计算对角矩阵：

其中h_ii为D的第i行元素，w_i为W的第i行；并根据W_t+1＝(M+2λH)^-1N对映射矩阵W进行更新，更新至映射矩阵W收敛，并返回最终的映射矩阵W；

步骤8：最后得到特征选择后的工业异构数据集：G＝X^TW，并将低维工业异构数据集进行可视化处理，对其进行故障诊断；

本实施例中，表1中的采样数据点经过特征选择处理后对应的内容如表4所示。

表4

本发明提供的一种基于半监督异构数据的稀疏化协同故障诊断方法，进行故障诊断的数据不再是单一的电流等物理数据，而是由图像数据和如图1、图4所示的电流物理数据融合建立的异构数据。异构数据与传统的单一数据类型相比，能够实现全流程全视角全周期地描述工况，使得故障诊断的性能大大提升。如图2、图5中，仅用单一的电熔镁炉运行时的三相电流数据在故障诊断方面的性能是很差的，将物理数据与电熔镁炉运行时的视频数据融合在一起构建异构数据集，利用异构数据集进行故障诊断的性能大大提升，如图3、图6所示。本发明不仅对高维工业异构数据进行了特征选择，而且实现了使选择后数据的特征更加稀疏、更具判别性，不仅降低计算成本，节省存储空间而且降低了过度拟合出现的几率，还实现了利用多源异构数据进行工业过程故障诊断，与利用单一数据进行故障诊断相比，性能大大提升。

Claims (1)

1.一种基于稀疏化的异构数据协同工业故障诊断方法，其特征在于，包括以下步骤：

步骤1：采集工业生产过程的图像数据，并对图像数据进行预处理，对每一幅图片的图像数据分别计算0°，45°，90°，135°四个方向的灰度共生矩阵,然后对四个灰度共生矩阵计算对比度，自相关，能量，逆差距及熵五个特征值；将图像数据处理成20维的向量数据；

步骤2：采集步骤1中图像数据相对应同一时刻的三相电流数据，并将三相电流数据与步骤1中的对图像数据预处理后得到的向量数据进行合并，得到一个工业异构数据集X∈R^{23 ×n}，其中23为特征个数，为n采样数据点个数,异构数据集中包含正常运行数据和故障数据；

步骤3：对步骤2中的工业异构数据集中的n个采样数据点进行初始标签的标记，具体方法为：

假设已知n个采样数据点{x₁，x₂，…，x_n}，这些采样数据点总共有c个种类；

首先设置一个初始标记矩阵Y∈R^n×c，对于n个采样数据点中已标记数据点的第i个数据x_i，若该采样数据点属于第j种类，1≤j≤c，则在初始标记矩阵Y的第j列设为1，其他列均设为0；对于未标记数据点，则在初始标记矩阵Y的前c列均设为0，得到已标记数据点和未标记数据点的初始标记矩阵Y；

步骤4：计算图拉普拉斯矩阵L；

首先采用高斯核函数构建采样数据点的近邻权重矩阵S，该矩阵为一个n×n的且对称的权重系数矩阵，矩阵中的每个元素对应两个采样数据点之间的权重关系，第i个采样数据点x_i与第i′个采样数据点x_i′之间的权重关系如下式所示；

其中，||·||为向量的二范数，即||x||²＝x^Tx，σ为权重的宽度参数；

之后计算对角矩阵D：

最后，计算图拉普拉斯矩阵L，L＝D-S；

利用图拉普拉斯矩阵L构建图拉普拉斯正则项：

其中，F∈R^n×c为标签预测矩阵，F_il为标签预测矩阵F的第i行，第l列元素；图拉普拉斯正则项实现同时利用有标签数据和无标签数据，可以保持工业异构数据集的流形结构；

步骤5：设置标签指示矩阵U∈R^n×n及均方误差项参数μ、稀疏惩罚项参数λ，其设置规则为：如果x_i为有标签数据，则标签指示矩阵U的对角元素U_ii＝1，D如果x_i为无标签数据，则U_ii＝0；均方误差项参数μ、稀疏惩罚项参数λ的设置规则为：0＜μ＜1,0＜λ＜1；

利用标签指示矩阵U、初始标记矩阵Y及标签预测矩阵F共同构建标签适应项：

标签适应项使标签预测矩阵F与初始标记矩阵Y尽可能保持一致；

步骤6：将图拉普拉斯正则项与标签适应项添加到回归损失函数和稀疏惩罚项中，得到目标函数：

对目标函数求解，分别得到映射矩阵W和标签预测矩阵F:

令可得：F＝(L+U+μE)^-1(UY+μX^TW)＝JK

其中，J＝(L+U+μE)^-1,K＝UY+X^TW

再求解映射矩阵W，将求得的标签预测矩阵F代入到目标函数中，可得：

W＝(M+2λH)^-1N

其中，设W＝[w¹,...,w^d]^T，则式中H为对角矩阵，其对角元素为M＝X(μE-μ²J)X^T，N＝μXJUY；

步骤7：更新映射矩阵W；设t＝0，首先将映射矩阵W₀∈R^d×c初始化为随机矩阵；随后计算对角矩阵：

其中h_ii为D的第i行元素，w_i为W的第i行；并根据W_t+1＝(M+2λH)^-1N对映射矩阵W进行更新，更新至映射矩阵W收敛，并返回最终的映射矩阵W；

步骤8：最后得到特征选择后的工业异构数据集：G＝X^TW，并将低维工业异构数据集进行可视化处理，对其进行故障诊断。