CN110580488B - 基于字典学习的多工况工业监测方法、装置、设备及介质 - Google Patents

Abstract

本申请涉及一种基于字典学习的多工况工业监测方法，包括：获取含有纯净值、测量噪声和异常值的无标签历史数据；构建基于所述无标签历史数据的无监督字典学习模型；根据所述无监督字典学习模型，求解字典、稀疏编码矩阵和异常值矩阵；根据生产工况信息将所述字典划分为多个子字典；获取测试数据，通过所述子字典判断所述测试数据是否为故障点。所述方法能够抑制所述测量噪声、减少所述异常值影响，从而有效的防止工业监测中对故障的误报。因此提高了对故障监测的准确性，保证了监测方法对数据中异常值和噪声的鲁棒性。

Description

基于字典学习的多工况工业监测方法、装置、设备及介质

技术领域

本申请涉及工业过程监测领域，特别是涉及一种基于字典学习的多工况工业监测方法、装置、设备及介质。

背景技术

现代工业中，如何保证生产安全，提高产品质量具有重要的研究价值。过程监测技术正是在这一背景下产生的。早期的过程监测方法多为基于数学模型和基于知识的监测。但是，对于流程工业而言，精确的数学机理模型和完备的专家知识往往很难得到。因此，基于数学模型和基于知识的过程监测方法通常难以得到实际应用。

随着集散控制系统(Distributed Control System，缩写为DCS)和各种智能化仪表在流程工业中的广泛使用，大量的过程数据被采集并存储起来。因此，基于数据驱动的过程监测方法在过去的十几年中得到了长足的发展。传统技术中，基于数据驱动的过程监测方法主要包括PCA(Principal Component Analysis)方法，PCA混合模型方法，LCDL方法等。

然而，传统技术中的工业过程监测方法存在监测不够准确的问题。

发明内容

基于此，有必要针对传统工业过程监测方法监测不够准确的问题，提供一种基于字典学习的多工况工业监测方法、装置、设备及介质。

一种基于字典学习的多工况工业监测方法，包括：

获取含有纯净值、测量噪声和异常值的无标签历史数据；

构建基于所述无标签历史数据的无监督字典学习模型；

根据所述无监督字典学习模型，求解字典、稀疏编码矩阵和异常值矩阵；

根据生产工况信息将所述字典划分为多个子字典；

获取测试数据，通过所述子字典判断所述测试数据是否为故障点。

上述基于字典学习的多工况工业监测方法，通过获取含有纯净值、测量噪声和异常值的无标签历史数据，然后构建基于所述无标签历史数据的无监督字典学习模型，根据所述无监督字典学习模型，求解字典、稀疏编码矩阵和异常值矩阵，并根据生产工况信息将所述字典划分为多个子字典。最后，输入测试数据，通过所述子字典判断所述测试数据是否为故障点。本申请提供的方法选取的训练数据包含了所述测量噪声和所述异常值，考虑了所述异常值和所述测量噪声对监测判断的影响，构建的所述无监督字典学习模型能够抑制所述测量噪声、减少所述异常值影响，能够有效的防止工业监测中对故障的误报。因此，所述基于字典学习的多工况工业监测方法提高了对故障监测的准确性，保证了监测方法对数据中异常值和噪声的鲁棒性。其次，对于多工况问题，本申请提供的方法根据生产工况信息将字典划分为多个子字典，将测试数据分别与各子字典进行对应判断，与只考虑单一生产工况的传统技术相比，防止了工业监测中对故障的漏报。因此，所述基于字典学习的多工况工业监测方法提高故障监测的准确性，保证了监测方法对数据中异常值和噪声的鲁棒性。另外，本申请提供的方法选取的训练数据为无标签的历史数据，是一种无监督的过程监测方法，无需收集标签，降低了监测成本，同时提高了监测的可靠性和稳定性。

在一个实施例中，构建基于所述无标签历史数据的无监督字典学习模型包括：

将所述无标签历史数据表示为包含纯净值矩阵、测量噪声矩阵和异常值矩阵的矩阵；

构建所述纯净值的范数优化模型；

根据所述纯净值矩阵、所述测量噪声矩阵和所述异常值矩阵之间的关系，将所述纯净值矩阵的范数优化模型扩展，得到所述纯净值矩阵和所述异常值矩阵的范数优化模型。

在一个实施例中，将所述无标签历史数据表示为包含纯净值矩阵、测量噪声矩阵和异常值矩阵的矩阵具体为：

将所述无标签历史数据表示为X＝[x₁,x₂,...,x_M]∈R^m×M，

表示所述纯净值矩阵，O＝[o₁,o₂,...,o_M]∈R^m×M表示所述异常值矩阵，n＝[n₁,n₂,...,n_M]∈R^m×M表示所述测量噪声矩阵；

其中，X表示M个具有m个传感器的所述无标签历史数据矩阵，x_i表示所述无标签历史数据矩阵中的第i项数据，

表示所述第i项数据的纯净值矢量，n_i表示所述第i项数据的测量噪声矢量，o_i表示所述第i项数据的异常值矢量。

在一个实施例中，所述纯净值矩阵的范数优化模型为：

其中，D＝[d₁,d₂,...,d_K]∈R^m×K表示所述字典，d_i表示所述字典的第i项原子，W＝[w₁,w₂,...,w_M]∈R^K×M表示X⁰的所述稀疏编码矩阵，T表示稀疏约束因子。

在一个实施例中，所述纯净值矩阵和所述异常值矩阵的范数优化模型为：

其中，λ为正常数。

在一个实施例中，根据所述纯净值矩阵、所述测量噪声矩阵和所述异常值矩阵之间的关系，将所述纯净值矩阵的范数优化模型扩展，得到所述纯净值矩阵和所述异常值矩阵的范数优化模型之后，所述方法还包括：

用所述异常值矩阵的L₁范数近似所述异常值矩阵的L₀范数，得到所述纯净值矩阵和所述异常值矩阵的近似优化模型。

在一个实施例中，根据所述无监督字典学习模型，求解字典、稀疏编码矩阵和异常值矩阵包括：

根据所述纯净值矩阵和所述异常值矩阵的近似优化模型，初始化所述字典、所述稀疏编码矩阵和所述异常值矩阵；

根据所述纯净值矩阵和所述异常值矩阵的近似优化模型，迭代更新求解所述稀疏编码矩阵、所述异常值矩阵和所述字典。

在一个实施例中，根据所述纯净值矩阵和所述异常值矩阵的近似优化模型，初始化所述字典、所述稀疏编码矩阵和所述异常值矩阵具体为：

根据所述纯净值矩阵和所述异常值矩阵的近似优化模型，令D＝D⁰，W＝W⁰，O＝O⁰。

在一个实施例中，令迭代次数J＝1，根据所述纯净值矩阵和所述异常值矩阵的近似优化模型，迭代更新求解所述稀疏编码矩阵、所述异常值矩阵和所述字典包括：

根据公式

更新求解所述稀疏编码矩阵；其中D^(k)表示第J次迭代更新前的所述字典，W^(k)表示第J次迭代更新前的所述稀疏编码矩阵，O^(k)表示第J次迭代更新前的所述异常值矩阵，W^(k+1)表示第J次更新后的所述稀疏编码矩阵；

根据公式

更新求解所述异常值矩阵；其中，O^(k+1)表示第J次迭代更新后的所述异常值矩阵；

根据公式

更新求解所述字典；其中，D^(k+1)表示第J次迭代更新后的所述字典；

令J＝J+1，重复S321、S322、S323，直到J达到预设迭代次数。

在一个实施例中，根据生产工况信息将所述字典划分为多个子字典包括：

用谱聚类算法对所述稀疏编码矩阵进行聚类，得到所述稀疏编码矩阵聚类簇；

计算与所述稀疏编码矩阵聚类簇对应的字典原子，以得到所述子字典。

在一个实施例中，获取测试数据，通过所述子字典判断所述测试数据是否为故障点包括：

获取所述测试数据，求解所述测试数据在各所述子字典下的稀疏编码；

根据所述稀疏编码求解所述测试数据在各所述子字典中的重构误差；

计算所述重构误差中的最小重构误差；

判断所述最小重构误差是否大于预设阈值；

若所述最小重构误差大于所述预设阈值，则所述测试数据为故障点。

在一个实施例中，判断所述最小重构误差是否大于预设阈值之后，所述方法还包括：

若所述最小重构误差小于或等于所述预设阈值，则所述测试数据属于所述最小重构误差对应的子字典所属的工况。

一种工业监测装置，包括：

数据获取模块，用于获取含有纯净值、测量噪声和异常值的无标签历史数据；

模型构建模块，用于构建基于所述无标签历史数据的无监督字典学习模型；

求解模块，用于根据所述无监督字典学习模型，求解字典、稀疏编码矩阵和异常值矩阵；

划分模块，用于根据生产工况信息将所述字典划分为多个子字典；

判断模块，用于获取测试数据，并通过所述子字典判断所述测试数据是否为故障点。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。

所述工业监测装置、所述计算机设备和所述计算机可读存储介质，能够通过获取含有纯净值、测量噪声和异常值的无标签历史数据，然后构建基于所述无标签历史数据的无监督字典学习模型，根据所述无监督字典学习模型，求解字典、稀疏编码矩阵和异常值矩阵，并根据生产工况信息将所述字典划分为多个子字典。最后，输入测试数据，通过所述子字典判断所述测试数据是否为故障点。所述工业监测装置、所述计算机设备和所述计算机可读存储介质实现工业监时，选取的训练数据包含了所述测量噪声和所述异常值，考虑了所述异常值和所述测量噪声对监测判断的影响，构建的所述无监督字典学习模型能够抑制所述测量噪声、减少所述异常值影响，能够有效的防止工业监测中对故障的误报。因此，提高了对故障监测的准确性，保证了监测方法对数据中异常值和噪声的鲁棒性。其次，对于多工况问题，所述工业监测装置、所述计算机设备和所述计算机可读存储介质实现工业监时，根据生产工况信息将字典划分为多个子字典，将测试数据分别与各子字典进行对应判断，与只能单一生产工况的传统技术相比，防止了工业监测中对故障的漏报。因此，提高故障监测的准确性，保证了监测方法对数据中异常值和噪声的鲁棒性。另外，所述工业监测装置、所述计算机设备和所述计算机可读存储介质实现工业监时，选取的训练数据为无标签的历史数据，是一种无监督的过程监测方法，无需收集标签，降低了监测成本，同时提高了监测的可靠性和稳定性。

附图说明

图1为一个实施例提供的计算机设备的内部结构示意图；

图2为一个实施例提供的基于字典学习的多工况工业监测方法流程示意图；

图3为一个实施例提供的基于字典学习的多工况工业监测方法流程示意图；

图4为一个实施例提供的基于字典学习的多工况工业监测方法流程示意图；

图5为一个实施例提供的基于字典学习的多工况工业监测方法流程示意图；

图6为一个实施例提供的基于字典学习的多工况工业监测方法流程示意图；

图7为一个实施例提供的基于字典学习的多工况工业监测方法流程示意图；

图8为一个实施例提供的基于字典学习的多工况工业监测方法流程示意图；

图9为一个实施例提供的工业监测装置的结构示意图；

图10为一个实施例提供的工业监测装置的模型构建模块的结构示意图；

图11为一个实施例提供的工业监测装置的模型构建模块的结构示意图；

图12为一个实施例提供的工业监测装置的求解模块的结构示意图；

图13为一个实施例提供的工业监测装置的划分模块的结构示意图；

图14为一个实施例提供的工业监测装置的判断模块的结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的基于字典学习的多工况工业监测方法，可以适用于图1所示的计算机设备，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的，该计算机设备可以是服务器，可以是PC，还可以是个人数字助理，还可以是其他的终端设备，例如PAD、手机等等，还可以是云端或者远程服务器，本实施例对计算机设备的具体形式并不做限定。

在工业监测过程中，传统方法存在监测不准确的问题。本申请实施例提供一种基于字典学习的多工况工业监测方法、装置、设备和介质，旨在解决传统技术的如上技术问题。

下面以具体地实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

请参见图2，本申请一个实施例提供一种基于字典学习的多工况工业监测方法，其包括：

S10，获取含有纯净值、测量噪声和异常值的无标签历史数据。

所述历史数据是指工业生产过程中，设备运行情况下，收集的数据集。所述历史数据表征设备在多种工况下的运行情况。所述无标签历史数据是指所述历史数据未经过标记。工业生产过程中，设备运行情况可以包括正常运行、传感器故障或格式错误等造成的异常运行以及周围环境原因造成的噪声运行等。因此，所述历史数据可能包括纯净值、测量噪声和异常值。其中，所述测量噪声具有密集、随机性和低幅度的特点。所述异常值具有稀疏、高幅度的特点。

计算机设备从存储设备中获取所述无标签历史数据作为训练数据。所述无标签历史数据可以用矩阵形式表示。

例如，高效铝电解工艺一直是一个具有挑战性的工业问题。由于各种外部条件、人工操作以及复杂的物理和化学反应的干扰，铝电解过程存在多种工况，因此增加了铝电解过程监测的难度。铝电解过程中，电解槽运行的异常往往最先表现在阳极电流的变化上。因此，选取能够表征电解槽运行情况的阳极电流数据作为训练数据。获取两台电解槽的24根阳极上的3000个日常电流数据作为历史数据。所述历史数据未经过标记，因此即为所述无标记历史数据。所述无标签历史数据中包括不受噪声和异常值污染的纯净值、人工操作等原因造成的测量噪声以及部分传感器失灵或其他原因造成的异常值。

S20，构建基于所述无标签历史数据的无监督字典学习模型。

所述无标签历史数据包括纯净值、测量噪声和异常值。根据所述测量噪声具有密集、随机性和低幅度的特点，所述异常值具有稀疏、高幅度的特点，构建能够抑制噪声、减少异常值影响的所述字典学习模型。构建所述字典学习模型是指建立字典和稀疏编码矩阵与所述无标签历史数据之间的关系，使得字典和稀疏编码矩阵能够尽可能的还原所述无标签历史数据中的纯净值。由于训练数据采用的是所述无标签历史数据，因此所述字典学习模型为无监督字典学习模型。

S30，根据所述无监督字典学习模型，求解字典、稀疏编码矩阵和异常值矩阵。

根据S20构建的所述无监督字典学习模型，求解最稀疏的所述稀疏编码矩阵以及与所述稀疏编码矩阵对应的所述字典和所述异常值矩阵。所述字典、所述稀疏编码矩阵和所述异常值矩阵表征了所述无标签历史数据的特性。

S40，根据生产工况信息将所述字典划分为多个子字典。

根据S30求解得到了不含所述异常值的所述字典。所述字典包含了多种生产工况下的数据。由于不同生产工况的数据通常表现出一定的聚类特征。也就是说，如果所述字典中的高维数据属于同一生产工况，他们通常位于同一个低维子空间，可以用所述字典中的相似原子来表示。因此，根据不同生产工况数据的聚类特性，将所述字典划分为若干个子字典。所述子字典用于表征不同的生产工况。

S50，获取测试数据，通过所述子字典判断所述测试数据是否为故障点。

所述测试数据为工业监测应用中，在线检测的数据。获取所述测试数据，并将所述测试数据分别输入S40得到的子字典，判断所述测试数据是否能用所述子字典重构。若所有子字典都无法重构所述测试数据，则说明所述测试数据为故障点。若所述测试数据属于某一子字典，则说明所述测试数据不是故障点，且所述测试数据为此子字典对应的工况下的数据。

本实施例中，所述基于字典学习的多工况工业监测方法通过获取含有纯净值、测量噪声和异常值的无标签历史数据，然后构建基于所述无标签历史数据的无监督字典学习模型，根据所述无监督字典学习模型，求解字典、稀疏编码矩阵和异常值矩阵，并根据生产工况信息将所述字典划分为多个子字典。最后，获取测试数据，通过所述子字典判断所述测试数据是否为故障点。本实施例提供的方法选取的训练数据包含了所述测量噪声和所述异常值，考虑了所述异常值和所述测量噪声对监测判断的影响，构建的所述无监督字典学习模型能够抑制所述测量噪声、减少所述异常值的影响，能够有效的防止工业监测中对故障的误报。因此，所述基于字典学习的多工况工业监测方法提高了对故障监测的准确性，保证了监测方法对数据中异常值和噪声的鲁棒性。其次，对于多工况问题，本实施例提供的方法根据生产工况信息将字典划分为多个子字典，将测试数据分别与各子字典进行对应判断，与只能单一生产工况的传统技术相比，防止了工业监测中对故障的漏报。因此，所述基于字典学习的多工况工业监测方法提高故障监测的准确性，保证了监测方法对数据中异常值和噪声的鲁棒性。另外，本实施例提供的方法选取的训练数据为无标签的历史数据，是一种无监督的过程监测方法，无需收集标签，降低了监测成本，同时提高了监测的可靠性和稳定性。

请参见图3，在一个实施例中，S20包括：

S210，将所述无标签历史数据表示为包含纯净值矩阵、测量噪声矩阵和异常值矩阵的矩阵。

由于所述无标签历史数据内包括纯净值、测量噪声和异常值。所述无标签历史数据可以用矩阵表示。所述无标签历史数据矩阵中的任一数据用包含纯净值矢量、测量噪声矢量和异常值矢量表示。所述无标签历史数据矩阵中的所有所述纯净值矢量组成的矩阵为所述纯净值矩阵。所述无标签历史数据矩阵中的所有所述测量噪声矢量组成的矩阵为所述测量噪声矩阵。所述无标签历史数据矩阵中的所有所述异常值矢量组成的矩阵为所述异常值矩阵。

在一个实施例中，S210具体为：将所述无标签历史数据表示为X＝[x₁,x₂,...,x_M]∈R^m×M，

表示所述纯净值矩阵，O＝[o₁,o₂,...,o_M]∈R^m×M表示所述异常值矩阵，n＝[n₁,n₂,...,n_M]∈R^m×M表示所述测量噪声矩阵。

其中，X表示M个具有m个传感器的所述无标签历史数据矩阵，x_i表示所述无标签历史数据矩阵中的第i项数据，

表示所述第i项数据的纯净值矢量，n_i表示所述第i项数据的测量噪声矢量，o_i表示所述第i项数据的异常值矢量。

所述无标签历史数据用M个具有m个传感器的矩阵表示。所述无标签历史数据矩阵中的每一项数据可以用所述纯净值矢量、所述测量噪声矢量和所述异常值矢量之和表示，即

x_i也可以用含有

o_i、n_i的其他公式表示。由此，由所述纯净值矢量组成的矩阵，即所述纯净值矩阵，表示为x⁰。

由所述测量噪声矢量组成的矩阵，即所述测量噪声矩阵，表示为O。O＝[o₁,o₂,...,o_M]∈R^m×M。由所述异常值矢量组成的矩阵，即所述异常值矩阵，表示为n。n＝[n₁,n₂,...,n_M]∈R^m×M。由于，

故，x＝x⁰+o+n。其中，所述测量噪声矩阵O具有密集、随机性和低幅度的特点。所述异常值矢量o_i是由于仪器故障或仅在少量传感器发生格式化错误等情况下出现，因此，所述异常值矩阵O是稀疏矩阵。也就是说，矩阵O中，仅一小部分元素具有非零值。而且所述异常值矩阵O中的非零值幅度较大。

S220，构建所述纯净值矩阵的范数优化模型。

所述无标签历史数据矩阵的范数优化模型可以表示为：

因此，在一个实施例中，所述纯净值矩阵的范数优化模型为：

其中，D＝[d₁,d₂,...,d_K]∈R^m×K表示所述字典，d_i表示所述字典的第i项原子，W＝[w₁,w₂,...,w_M]∈R^K×M表示X⁰的所述稀疏编码矩阵，T表示稀疏约束因子。

S230，根据所述纯净值矩阵、所述测量噪声矩阵和所述异常值矩阵之间的关系，将所述纯净值矩阵的范数优化模型扩展，得到所述纯净值矩阵和所述异常值矩阵的范数优化模型。

具体的，对于公式(1)，可以通过K-SVD算法来求解，但是由于工业系统的所述纯净值矩阵x⁰几乎无法获得。因此，公式(1)用传统方法无法求解。

根据所述纯净值矩阵、所述测量噪声矩阵和所述异常值矩阵之间的关系x＝x⁰+o+n，可知，x⁰＝x-o-n。根据x⁰＝x-o-n，并考虑到所述异常值矩阵的稀疏性，在一个实施例中，所述纯净值矩阵和所述异常值矩阵的范数优化模型为：

其中，λ为正常数。

λ用于控制重构误差和所述异常值矩阵的稀疏度之间的相对贡献。由公式(2)可以看出，X-DW-O可以近似的表示所述测量噪声矩阵。因此，X-DW-O的L_F范数

能够抑制稠密噪声。所述异常值的矩阵O的L₀范数能够减少所述异常值矩阵的影响。

请参见图4，为了使公式(2)所示的优化模型更容易求解，在一个实施例中，S230之后，所述方法还包括：

S240，用所述异常值矩阵的L₁范数近似所述异常值矩阵的L₀范数，得到所述纯净值矩阵和所述异常值矩阵的近似优化模型。

由于所述异常值矩阵O的L₁范数与所述异常值矩阵O的L₀范数值近似，因此，为了简化运算，可以用所述异常值矩阵O的的L₁范数来近似所述异常值矩阵O的L₀范数值近似。公式(2)经过近似，得到所述纯净值矩阵和所述异常值矩阵的近似优化模型：

本实施例中，所述基于字典学习的多工况工业监测方法通过将所述无标签历史数据表示为包含纯净值矩阵、测量噪声矩阵和异常值矩阵的矩阵，并构建所述纯净值矩阵的范数优化模型，并根据所述纯净值矩阵、所述测量噪声矩阵和所述异常值矩阵之间的关系，将所述纯净值矩阵的范数优化模型扩展，得到所述纯净值矩阵和所述异常值矩阵的范数优化模型，以抑制所述测量噪声，减少所述异常值的影响。通过对所述纯净值矩阵的范数优化模型的扩展，解决了传统方法无法求解所述纯净值矩阵的范数优化模型的问题。且扩展得到所述纯净值矩阵和所述异常值矩阵的范数优化模型考虑了所述异常值和所述测量噪声的影响，增加了所述异常值矩阵的目标函数，并对所述测量噪声进行了抑制，减少了所述异常值的影响。因此所述基于字典学习的多工况工业监测方法可以提高工业监测的精确度。

请参见图5，对于公式(3)中的所述字典D、所述稀疏矩阵W和所述异常值矩阵O的优化求解，可以使用交替迭代优化方法进行。在一个实施例中，S30包括：

S310，根据所述纯净值矩阵和所述异常值矩阵的近似优化模型，初始化所述字典、所述稀疏编码矩阵和所述异常值矩阵。

S320，根据所述纯净值矩阵和所述异常值矩阵的近似优化模型，迭代更新求解所述稀疏编码矩阵、所述异常值矩和所述字典。

在一个实施例中，S310具体为：令D＝D⁰，W＝W⁰，O＝O⁰。

也就是说，第一次迭代更新前，所述字典D、所述稀疏编码矩阵W和所述异常值矩阵O分别为D⁰、W⁰和O⁰。

然后，迭代更新求解所述字典D、所述稀疏编码矩阵W和所述异常值矩阵O。迭代更新求解的方法为：使用正交匹配OMP(Orthogonal Matching Pursuit)算法更新求解所述稀疏编码矩阵W和所述异常值矩阵O，使用K-SVD算法更新求解所述字典D。

请参见图6，在一个实施例中，令迭代次数J＝1，S320具体包括：

S321，根据公式

更新求解所述稀疏编码矩阵；其中D^(k)表示第J次迭代更新前的所述字典，W^(k)表示第J次迭代更新前的所述稀疏编码矩阵，O^(k)表示第J次迭代更新前的所述异常值矩阵，W^(k+1)表示第J次更新后的所述稀疏编码矩阵。

D^(k)、W^(k)、O^(k)分别表示第J次迭代更新前，所述字典、所述稀疏矩阵和所述异常值矩阵。因此，D^(k)、W^(k)、O^(k)可以根据上次迭代更新求解得知。从而，使用正交匹配追踪OMP算法，根据公式

可以更新求解所述稀疏编码矩阵，得到W^(k+1)。

例如，当迭代次数J＝1时，根据S310可知初始化的所述字典、所述稀疏编码矩阵和所述异常值矩阵分别为D⁰、W⁰、O⁰。根据公式

对所述系数编码矩阵进行第1次迭代更新。此时，k＝0，则对所述系数编码矩阵第1次迭代更新的公式为：

根据上述公式可第1次迭代更新求得W¹。

S322，根据公式

更新求解所述异常值矩阵；其中，O^(k+1)表示第J次迭代更新后的所述异常值矩阵。

根据S310可知D^(k)，根据S321求解可知W^(k+1)。使用正交匹配追踪OMP算法，根据公式

可以更新求解所述异常值矩阵得到O^(k+1)。

例如，当迭代次数J＝1时，根据S310可知初始化的所述字典、所述稀疏编码矩阵和所述异常值矩阵分别为D⁰、W⁰、O⁰。根据S321的求解可得知W¹。根据公式

对所述异常值矩阵进行第一次迭代更新。此时，k＝0，则对所述异常值矩阵第一次迭代更新公式为：

根据上述公式可第1次迭代更新求得O¹。

S323，根据公式

更新求解所述字典；其中，D^(k+1)表示第J次迭代更新后的所述字典。

根据S321求解可知W^(k+1)，根据S322求解可知O^(k+1)。使用K-SVD算法，根据公式

可以更新求解所述字典，得到D^(k+1)。

例如，当迭代次数J＝1时，根据S321求解可知W¹，根据S322求解可知O¹。根据公式

对所述字典进行第一次迭代更新。此时，k＝0，则对所述字典矩阵第一次迭代更新公式为：

根据上述公式可第1次迭代更新求得D¹。

S324，令J＝J+1，重复S321、S322、S323，直到J达到预设迭代次数。

重复S321、S322、S323使得所述字典、所述系数编码矩阵和所述异常值矩阵不断优化，直到迭代次数达到预设值，停止迭代。此时，得到的所述字典D、所述稀疏编码矩阵W和所述异常值矩阵O可视为公式(3)所示模型的最优解。利用公式(3)所示的模型求解得到的所述字典D和所述系数编码矩阵W中提出了所述异常值矩阵O，因此，消除了所述异常值的影响。从而在利用此字典学习模型进行工业监测时，提高了对故障检测的准确性。

请参见图7，在一个实施例中，S40包括：

S410，用谱聚类算法对所述稀疏编码矩阵进行聚类，得到所述稀疏编码矩阵聚类簇。

由于所述稀疏编码矩阵W包含表征所述无标签历史数据特征的信息，且所述稀疏编码矩阵W是稀疏矩阵。因此，使用谱聚类方法对所述稀疏编码矩阵W进行聚类，得到若干个所述稀疏编码矩阵聚类簇。假设有c个所述稀疏编码矩阵聚类簇，所述稀疏编码矩阵聚类簇表示为W₁，W₂，W₃……，W_c。每个所述稀疏编码矩阵聚类簇内包含若干个相似原子。用W_i表示第i项所述稀疏编码矩阵聚类簇，假设第i项所述系数编码矩阵聚类簇包含e个原子，则W_i＝[w_i1,w_i2,w_i3......w_ie]。

S420，计算与所述稀疏编码矩阵聚类簇对应的字典原子，以得到所述子字典。

根据S410得到的所述稀疏编码矩阵聚类矩阵W₁，W₂，W₃……，W_c，结合公式X_i＝D_iW_i分别计算求解与所述稀疏编码矩阵聚类簇对应的字典原子，以得到所述子字典。假设计算求解得到与W_i原子对应的子字典原子分别为d_i1,d_i2,d_i3......d_ie，则与W_i对应的子字典D_i＝[d_i1,d_i2,d_i3......d_ie]。令i＝1到c，依次计算求解，得到c个与所述稀疏编码矩阵聚类矩阵W₁，W₂，W₃……，W_c分别对应的所述子字典D₁，D₂，D₃……，D_c。每个所述子字典表征一种生产工况。

本实施例中，所述基于字典学习的多工况工业监测方法通过用谱聚类算法对所述稀疏编码矩阵进行聚类，得到所述稀疏编码矩阵聚类簇，并计算与所述稀疏编码矩阵聚类簇对应的字典原子，以得到所述子字典。不同的所述子字典表征了不同的工况。因此，本实施例提供的基于字典学习的多工况工业监测方法能够针对多工况情况进行监测，防止对故障点的漏报，提高了工业监测的准确性，从而提高了工业系统的鲁棒性。

请参见图8，在一个实施例中，S50包括：

S510，获取所述测试数据，求解所述测试数据在各所述子字典下的稀疏编码。

所述测试数据表示为X_new，所述稀疏编码表示为w_new。则，

使用正交匹配追踪OMP算法，对公式(4)所示模型进行求解。由于所述测试数据X_new最多只能属于一种工况，因此，所述测试数据X_new可以表示为

其中，

是由c个所述子字典和单位矩阵I∈R^m×m组成。

如果一个所述测试数据属于一个可以被所述子字典扩展的子空间，那么f接近零向量。根据公式(4)和

分别求解得到与各所述子字典对应的，表征所述测试数据X_new特征的所述稀疏编码w_new。

S520，根据所述稀疏编码求解所述测试数据在各所述子字典中的重构误差。

根据S510求解得到的所述稀疏编码w_new，计算在每种工况下的重构误差。具体可以采用如下方法计算：

1)根据δ_i(w_new)＝P_i ^Tw_new∈R^m,i＝1,2,...,C求解所述稀疏编码w_new的选择算子，从而提取每个所述子字典对应的所述稀疏编码。

其中，δ_i(w_new)表示所述稀疏编码w_new的选择算子。P_i ^T表示矩阵P_i的转置。

用

表示矩阵P_i中的第j项，则，

定义如下：

2)根据

求解所述测试数据x_new在子字典D_i中的重构。

其中，

表示所述测试数据x_new在子字典D_i中的重构。P_i和P_i ^T可以根据步骤1)中得到。

3)根据

(5)求解所述测试数据x_new在第i个子字典D_i中的重构误差。其中，E_i(x_new,D_i)表示所述测试数据x_new在第i个子字典D_i中的重构误差，即，所述测试数据x_new在第i种工况下的重构误差。

可以从步骤2)中计算得到。

S530，计算所述重构误差中的最小重构误差。

根据S520中计算得到的所述测试数据在各所述子字典中的重构误差，计算求解最小重构误差。假设所述测试数据在第c个子字典中的重构误差最小，即：

S540，判断所述最小重构误差是否大于预设阈值。

所述阈值可以以经验的方式从训练数据中获取。所述阈值表示为E_tr。将所述最小重构误差与所述阈值进行比较，以确定所述测试数据x_new是否正常。

S550，若所述最小重构误差大于预设阈值，则所述测试数据为故障点。

若E_c(x_new,D_c)>E_tr，则，所述测试数据x_new为故障点。

在一个实施例中S540之后，所述方法还包括：

S560，若所述最小重构误差小于或等于所述预设阈值，则所述测试数据属于所述最小重构误差对应的子字典所属的工况。

若E_c(x_new,D_c)<E_tr，则所述测试数据x_new为故障点为纯净值，且所述测试数据x_new属于第c个所述子字典对应的工况c。

本实施例中，通过所述基于字典学习的多工况工业监测方法通过输入所述测试数据，求解所述测试数据在各所述子字典下的稀疏编码，然后根据所述稀疏编码求解所述测试数据在各所述子字典中的重构误差，并计算所述重构误差中的最小重构误差。通过判断所述最小重构误差是否大于预设阈值，判断所述测试数据是否为故障点，从而判断所述工业系统是否运行正常。所述基于字典学习的多工况工业监测方法能够针对各种工况下的故障点进行准确识别。同时，若所述测试数据正常，所述方法还可以判断出所述测试数据对应的工况，进一步提高了所述方法对工业过程监测的准确性，提高了工业系统中异常值和噪声的鲁棒性。

另外，本实施例提供的所述基于字典学习的多工况工业监测方法仅通过最小重构误差一个指标即可判断出所述测试数据是否为故障点，而传统技术，例如，PCA和混合PCA技术需要两个指标才能判断出所述测试数据是否为故障点。因此，本实施例提供的所述基于字典学习的多工况工业监测方法简化了判断过程，提高了工业监测的效率。

应该理解的是，虽然图2-8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-8中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

请参见图9，本申请一个实施例提供一种工业监测装10，包括数据获取模块110、模型构建模块120、求解模块130、划分模块和判断模块140。其中，

所述数据获取模块110用于获取含有纯净值、测量噪声和异常值的无标签历史数据。所述模型构建模块120用于构建基于所述无标签历史数据的无监督字典学习模型。所述求解模块130用于根据所述无监督字典学习模型，求解字典、稀疏编码矩阵和异常值矩阵。所述划分模块140用于根据生产工况信息将所述字典划分为多个子字典。所述判断模块150用于获取测试数据，并通过所述子字典判断所述测试数据是否为故障点。

本实施例提供的工业监测装置10，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

请参见图10，在一个实施例中，所述模型构建模块120具体包括表示单元121、构建单元122和扩展单元123。所述表示单元121用于将所述无标签历史数据表示为包含纯净值矩阵、测量噪声矩阵和异常值矩阵的矩阵。所述构建单元122用于构建所述纯净值矩阵的范数优化模型。所述扩展单元123用于根据所述纯净值矩阵、所述测量噪声矩阵和所述异常值矩阵之间的关系，将所述纯净值矩阵的范数优化模型扩展，得到所述纯净值矩阵和所述异常值矩阵的范数优化模型。

在一个实施例中，所述表示单元121具体用于将所述无标签历史数据表示为X＝[x₁,x₂,...,x_M]∈R^m×M，

表示纯净值矩阵，O＝[o₁,o₂,...,o_M]∈R^m×M表示所述异常值矩阵，n＝[n₁,n₂,...,n_M]∈R^m×M表示所述测量噪声矩阵；

其中，X表示M个具有m个传感器的所述无标签历史数据矩阵，x_i表示所述无标签历史数据矩阵中的第i项数据，

表示所述第i项数据的纯净值矢量，n_i表示所述第i项数据的测量噪声矢量，o_i表示所述第i项数据的异常值矢量。

在一个实施例中，所述纯净值矩阵的范数优化模型为：

其中，D＝[d₁,d₂,...,d_K]∈R^m×K表示所述字典，d_i表示所述字典的第i项原子。W＝[w₁,w₂,...,w_M]∈R^K×M表示X⁰的所述稀疏编码矩阵，T表示稀疏约束因子。

在一个实施例中，所述纯净值矩阵和所述异常值矩阵的范数优化模型为：

其中，λ为正常数。

请参见图11，在一个实施例中，所述模型构建模块120还包括近似单元124，所述近似单元用于用所述异常值矩阵的L₁范数近似所述异常值矩阵的L₀范数，得到所述纯净值矩阵和所述异常值矩阵的近似优化模型。。

请参见图12，在一个实施例中，所述求解模块130包括初始化单元131和迭代更新求解单元132。所述初始化单元131用于根据所述纯净值矩阵和所述异常值矩阵的近似优化模型，初始化所述字典、所述稀疏编码矩阵和所述异常值矩阵。所述迭代更新求解单元132用于根据所述纯净值矩阵和所述异常值矩阵的近似优化模型，迭代更新求解所述稀疏编码矩阵、所述异常值矩阵和所述字典。

在一个实施例中，所述初始化单元131具体用于根据所述纯净值矩阵和所述异常值矩阵的近似优化模型，令D＝D⁰，W＝W⁰，O＝O⁰。

在一个实施例中，所述迭代更新单元132具体用于：

根据公式

更新求解所述稀疏编码矩阵；其中D^(k)表示第J次迭代更新前的所述字典，W^(k)表示第J次迭代更新前的所述稀疏编码矩阵，O^(k)表示第J次迭代更新前的所述异常值矩阵，W^(k+1)表示第J次更新后的所述稀疏编码矩阵；

根据公式

更新求解所述异常值矩阵；其中，O^(k+1)表示第J次迭代更新后的所述异常值矩阵；

根据公式

更新求解所述字典；其中，D^(k+1)表示第J次迭代更新后的所述字典；

令J＝J+1，重复S321、S322、S323，直到J达到预设迭代次数。

请参见图13，在一个实施例中，所述划分模块140包括聚类单元141和计算单元142。所述聚类单元141用于谱聚类算法对所述稀疏编码矩阵进行聚类，得到所述稀疏编码矩阵聚类簇。所述计算单元142用于计算与所述稀疏编码矩阵聚类簇对应的字典原子，以得到所述子字典。

请参见图14，在一个实施例中，所述判断模块150包括稀疏编码求解单元151、重构误差求解单元152、最小重构误差求解单元153、阈值比较单元154。所述稀疏编码求解单元151用于获取所述测试数据，求解所述测试数据在各所述子字典下的稀疏编码。所述重构误差求解单元152用于根据所述稀疏编码求解所述测试数据在各所述子字典中的重构误差。所述最小重构误差求解单元153用于计算所述重构误差中的最小重构误差。阈值比较单元154用于判断所述最小重构误差是否大于预设阈值。若所述最小重构误差大于预设阈值，则所述测试数据为故障点。若所述最小重构误差小于或等于所述预设阈值，则所述测试数据属于所述最小重构误差对应的子字典所属的工况。

关于工业监测装置10的具体限定可以参见上文中对于基于字典学习的多工况工业监测方法的限定，在此不再赘述。上述工业监测装置10中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

本申请一个实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上实施例中任一项所述方法的步骤。

本申请一个实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上实施例中任一项所述方法的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (11)

1.一种基于字典学习的多工况工业监测方法，其特征在于，包括：

S10，获取含有纯净值、测量噪声和异常值的无标签历史数据；

S20，构建基于所述无标签历史数据的无监督字典学习模型；

S30，根据所述无监督字典学习模型，求解字典、稀疏编码矩阵和异常值矩阵；

S40，根据生产工况信息将所述字典划分为多个子字典；

S50，获取测试数据，通过所述子字典判断所述测试数据是否为故障点；

其中，S20包括:

S210，将所述无标签历史数据表示为包含纯净值矩阵、测量噪声矩阵和异常值矩阵的矩阵；

S220，构建所述纯净值的范数优化模型；

S230，根据所述纯净值矩阵、所述测量噪声矩阵和所述异常值矩阵之间的关系，将所述纯净值矩阵的范数优化模型扩展，得到所述纯净值矩阵和所述异常值矩阵的范数优化模型；

S210具体为：

将所述无标签历史数据表示为X＝[x₁,x₂,...,x_M]∈R^m×M，

表示所述纯净值矩阵，O＝[o₁,o₂,...,o_M]∈R^m×M表示所述异常值矩阵，n＝[n₁,n₂,...,n_M]∈R^m×M表示所述测量噪声矩阵；

其中，X表示M个具有m个传感器的所述无标签历史数据矩阵，x_i表示所述无标签历史数据矩阵中的第i项数据，

表示所述第i项数据的纯净值矢量，n_i表示所述第i项数据的测量噪声矢量，o_i表示所述第i项数据的异常值矢量；

所述纯净值矩阵的范数优化模型为：

其中，D＝[d₁,d₂,...,d_K]∈R^m×K表示所述字典，d_i表示所述字典的第i项原子，W＝[w₁,w₂,...,w_M]∈R^K×M表示X⁰的所述稀疏编码矩阵，T表示稀疏约束因子；

所述纯净值矩阵和所述异常值矩阵的范数优化模型为：

其中，λ为正常数。

2.根据权利要求1所述的基于字典学习的多工况工业监测方法，其特征在于，S230之后，所述方法还包括：

S240，用所述异常值矩阵的L₁范数近似所述异常值矩阵的L₀范数，得到所述纯净值矩阵和所述异常值矩阵的近似优化模型。

3.根据权利要求2所述的基于字典学习的多工况工业监测方法，其特征在于，S30包括：

S310，根据所述纯净值矩阵和所述异常值矩阵的近似优化模型，初始化所述字典、所述稀疏编码矩阵和所述异常值矩阵；

S320，根据所述纯净值矩阵和所述异常值矩阵的近似优化模型，迭代更新求解所述稀疏编码矩阵、所述异常值矩阵和所述字典。

4.根据权利要求3所述的基于字典学习的多工况工业监测方法，其特征在于，S310具体为：

根据所述纯净值矩阵和所述异常值矩阵的近似优化模型，令D＝D⁰，W＝W⁰，O＝O⁰。

5.根据权利要求4所述的基于字典学习的多工况工业监测方法，其特征在于，令迭代次数J＝1，S320包括：

S321，根据公式

更新求解所述稀疏编码矩阵；其中D^(k)表示第J次迭代更新前的所述字典，W^(k)表示第J次迭代更新前的所述稀疏编码矩阵，O^(k)表示第J次迭代更新前的所述异常值矩阵，W^(k+1)表示第J次更新后的所述稀疏编码矩阵；

S322，根据公式

更新求解所述异常值矩阵；其中，O^(k+1)表示第J次迭代更新后的所述异常值矩阵；

S323，根据公式

更新求解所述字典；其中，D^(k+1)表示第J次迭代更新后的所述字典；

S324，令J＝J+1，重复S321、S322、S323，直到J达到预设迭代次数。

6.根据权利要求1所述的基于字典学习的多工况工业监测方法，其特征在于，S40包括：

S410，用谱聚类算法对所述稀疏编码矩阵进行聚类，得到所述稀疏编码矩阵聚类簇；

S420，计算与所述稀疏编码矩阵聚类簇对应的字典原子，以得到所述子字典。

7.根据权利要求1-6任意一项所述的一种基于字典学习的多工况工业监测方法，其特征在于，S50包括：

S510，获取所述测试数据，求解所述测试数据在各所述子字典下的稀疏编码；

S520，根据所述稀疏编码求解所述测试数据在各所述子字典中的重构误差；

S530，计算所述重构误差中的最小重构误差；

S540，判断所述最小重构误差是否大于预设阈值；

S550，若所述最小重构误差大于所述预设阈值，则所述测试数据为故障点。

8.根据权利要求7所述的一种基于字典学习的多工况工业监测方法，其特征在于，S550之后，所述方法还包括：

S560，若所述最小重构误差小于或等于所述预设阈值，则所述测试数据属于所述最小重构误差对应的子字典所属的工况。

9.一种工业监测装置(10)，其特征在于，包括：

数据获取模块(110)，用于获取含有纯净值、测量噪声和异常值的无标签历史数据；

模型构建模块(120)，用于构建基于所述无标签历史数据的无监督字典学习模型；

求解模块(130)，用于根据所述无监督字典学习模型，求解字典、稀疏编码矩阵和异常值矩阵；

划分模块(140)，用于根据生产工况信息将所述字典划分为多个子字典；

判断模块(150)，用于获取测试数据，并通过所述子字典判断所述测试数据是否为故障点；

其中，模型构建模块(120)，具体用于将所述无标签历史数据表示为包含纯净值矩阵、测量噪声矩阵和异常值矩阵的矩阵；构建所述纯净值的范数优化模型；根据所述纯净值矩阵、所述测量噪声矩阵和所述异常值矩阵之间的关系，将所述纯净值矩阵的范数优化模型扩展，得到所述纯净值矩阵和所述异常值矩阵的范数优化模型；

所述模型构建模块(120)，具体还用于将所述无标签历史数据表示为X＝[x₁,x₂,...,x_M]∈R^m×M，

表示所述纯净值矩阵，O＝[o₁,o₂,...,o_M]∈R^m×M表示所述异常值矩阵，n＝[n₁,n₂,...,n_M]∈R^m×M表示所述测量噪声矩阵；

其中，X表示M个具有m个传感器的所述无标签历史数据矩阵，x_i表示所述无标签历史数据矩阵中的第i项数据，

表示所述第i项数据的纯净值矢量，n_i表示所述第i项数据的测量噪声矢量，o_i表示所述第i项数据的异常值矢量；

所述纯净值矩阵的范数优化模型为：

其中，D＝[d₁,d₂,...,d_K]∈R^m×K表示所述字典，d_i表示所述字典的第i项原子，W＝[w₁,w₂,...,w_M]∈R^K×M表示X⁰的所述稀疏编码矩阵，T表示稀疏约束因子；

所述纯净值矩阵和所述异常值矩阵的范数优化模型为：

其中，λ为正常数。

10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-8中任一项所述方法的步骤。

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8中任一项所述方法的步骤。

Images