CN114959797A - 基于数据扩增和sskelm的铝电解槽况诊断方法 - Google Patents
基于数据扩增和sskelm的铝电解槽况诊断方法 Download PDFInfo
- Publication number
- CN114959797A CN114959797A CN202210786549.2A CN202210786549A CN114959797A CN 114959797 A CN114959797 A CN 114959797A CN 202210786549 A CN202210786549 A CN 202210786549A CN 114959797 A CN114959797 A CN 114959797A
- Authority
- CN
- China
- Prior art keywords
- matrix
- samples
- image
- sskelm
- aluminum electrolysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 title claims abstract description 32
- 229910052782 aluminium Inorganic materials 0.000 title claims abstract description 32
- 238000005868 electrolysis reaction Methods 0.000 title claims abstract description 31
- 230000003321 amplification Effects 0.000 title claims abstract description 27
- 238000003199 nucleic acid amplification method Methods 0.000 title claims abstract description 27
- 238000003745 diagnosis Methods 0.000 title claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 79
- 230000006870 function Effects 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 238000004519 manufacturing process Methods 0.000 claims abstract description 9
- 238000011426 transformation method Methods 0.000 claims abstract description 7
- 238000005520 cutting process Methods 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 37
- 210000004027 cell Anatomy 0.000 claims description 29
- 238000005457 optimization Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000009795 derivation Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 description 13
- 241001106462 Ulmus Species 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000051616 Ulmus minor Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25C—PROCESSES FOR THE ELECTROLYTIC PRODUCTION, RECOVERY OR REFINING OF METALS; APPARATUS THEREFOR
- C25C3/00—Electrolytic production, recovery or refining of metals by electrolysis of melts
- C25C3/06—Electrolytic production, recovery or refining of metals by electrolysis of melts of aluminium
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/20—Recycling
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于数据扩增和SSKELM的铝电解槽况诊断方法，包括如下步骤：S1：收集铝电解生产过程的火眼图像，对收集到的火眼图像进行预处理，主要包括分割和裁剪；S2：将预处理后的火眼图像进行数据扩增，采用传统的图像变换的方法来进行的；S3：提取分割后的火眼图像的颜色特征及纹理特征，对提取后的特征矩阵进行归一化处理；S4：在半监督极限学习机的基础上引入核函数，提出半监督核极限学习机；S5：将半监督核极限学习机作为分类器，根据火眼图像判断当前铝电解槽况。本发明可以从火眼的变化来判断槽况的趋势，可以做到事先预防，调整起来也比较容易达到效果，损失也会降低。
Description
技术领域
本发明属于铝电解技术领域，具体涉及一种基于数据扩增和SSKELM的铝电解槽况诊断方法。
背景技术
目前铝电解生产现场的槽况变化一般要1到3天才会在曲线与报表上体现，所以等到在曲线与报表上出现异常时，已经对生产影响了，处理起来也会变得困难，如果可以从火眼的变化来判断槽况的趋势，那么就可以做到事先预防，调整起来也比较容易达到效果，损失也会降低。为此，我们提出一种基于数据扩增和SSKELM的铝电解槽况诊断方法，以解决上述背景技术中提到的问题。
发明内容
本发明的目的是为了充分利用铝电解工业过程中的无标签火眼图像，提出的一种基于数据扩增和SSKELM的铝电解槽况诊断方法。通过提取预处理后的火眼图像的颜色特征和纹理特征，将颜色特征和纹理特征融合获得输入特征矩阵，将特征矩阵输入分类器SSKELM对铝电解槽况进行诊断。
为实现上述目的，本发明提供如下技术方案：一种基于数据扩增和SSKELM的铝电解槽况诊断方法，包括如下步骤：
步骤S1：收集铝电解生产过程的火眼图像，对收集到的火眼图像进行预处理，主要包括分割和裁剪；
步骤S2：将预处理后的火眼图像进行数据扩增，采用传统的图像变换的方法来进行的；
步骤S3：提取分割后的火眼图像的颜色特征及纹理特征，对提取后的特征矩阵进行归一化处理；
步骤S4：在半监督极限学习机(SSELM)的基础上引入核函数，提出半监督核极限学习机(SSKELM)；
步骤S5：将SSKELM作为分类器，根据火眼图像判断当前铝电解槽况。
所述步骤S1中，火眼区域与背景区域的颜色存在较大的色彩差距，这种色彩差距正好能被RGB颜色空间模型很好地辨别和分开，因此对火眼图像采用颜色分割的方法进行分割。针对火眼图像分割公式为：
式中，R(i,j)、G(i,j)和B(i,j)分别表示在RGB颜色空间模型中(i,j)位置的R通道像素值、G通道像素值以及B通道像素值，Rmean表示整个图像的R通道平均值，L代表图像像素点的个数。
所述步骤S1包括：对火眼图像进行预处理，火眼图像在分割之后还存在较多的噪声，因此，本发明采用去除小的连通域来达到去除噪声的目的，通过试验，阈值取500效果较好。为了保留图像中火眼信息的同时保证算法的实时性，本发明选择在分割后的图像中选取出合适的矩形窗口对火眼图像进行裁剪，在利用裁剪框裁剪后的图像能够把大量无关背景去掉，将火眼区域很好的保存了下来。
所述步骤S2包括：为增加样本的数量，进一步增加样本的多样性，对采集到的火眼图像样本进行数据扩增。采用的是传统的变换方法对火眼图像数据集进行扩增，其中包括镜像翻转、加入高斯噪声、平移、多角度旋转(90°和270°)、选择图片的4个角的186×186和中间的186×186进行裁剪，这样每张火眼图像将得到10张扩增的图像。
所述步骤S3进一步包括：在利用火眼图像对槽况进行诊断的实验中，提取火眼图像的颜色特征和纹理特征作为槽况诊断模型的输入。颜色特征包括灰度直方图中的平均值、方差、能量、熵、一阶矩、二阶矩；纹理特征包括灰度差分统计中的平均值、对比度、角度方向二阶矩、熵。
所述步骤S4中，流形正则化的方法进一步包括：
流形正则化建立在以下两个假设之上：
(1)N个训练样本中的有标签数据Xl和无标签数据Xu都来自相同的边缘概率分布Px。
(2)如果两个点X1和X2彼此接近，那么条件概率P(y|x1)和P(y|x2)也应该相似。
以上两个假设中的后一种假设被称为机器学习中的光滑假设，并被广泛应用于机器学习领域。为了对数据实施这一假设，流形正则化模型建议最小化式(2)所示成本函数:
其中，wij表示两个模式xi和xj之间成对相似的权重。
一般根据K近邻方法的计算结果表示两个样本之间的相似度，即找到K个样本，将它们设定为xi的邻居，它们之间的相似度可由高斯核函数
来计算或者固定为1，具体如式(3)所示：
其中，当xi和xj互为K近邻，基于高斯核函数的正实数即为它们之间的相似度，其它情况下相似度为1。
可求得样本间的相似度矩阵W：
一般的，式(2)中的条件概率难以计算，式(2)可以转化为式(5)的矩阵形式：
其中，
和
分别代表样本xi和xj的预测输出向量。将式(5)转化为矩阵的形式可得：
其中，tr(·)表示矩阵的迹，L＝D-W为图拉普拉斯矩阵；D是对角矩阵，其元素为
表示预测输出值。由文献[67]的研究结果，可利用先验知识的方法将L归一化为
或者直接用Lp(p为整数)来代替。
更进一步地，极限学习机进一步包括：
其中，β＝[β1,β2,…,βn]T表示连接隐含层和输出层之间的权值；h(xi)＝[h1(xi),h2(xi),…,hN(xi)]表示隐含层神经元与输入样本的映射关系，N是隐层神经元个数；yi表示输入样本xi对应的实际输出值；ξi表示样本xi的输出误差；C表示的是惩罚因子。
由KKT优化条件可得输出权值为：
βn＝HT(C-1Ι+HHT)-1yn (8)
其中，H＝[hT(x1),hT(x2),…,hT(xn)]T为训练样本的映射矩阵，yn＝[y1,y2,…,yn]为训练样本的实际输出值。
更进一步地，半监督极限学习机(SSELM)通过结合了岭回归的方法处理最优化问题，需要解决的最优化问题进一步包括：
式中，C为训练误差的正则化系数，用于权衡训练误差和模型复杂度，避免过拟合；
是训练样本类别标签构成的矩阵，其前l行等于Tl，其余行的元素均为0；λ是平衡参数；
是行为f(xi)的矩阵，是ELM的实际输出矩阵；L为拉普拉斯矩阵，由无标签和有标签样本计算得到，能够衡量样本之间的相似程度。
可将式(9)进一步写成如下形式：
利用式(10)求关于β的导数，且令其等于0，则可得：
β*＝HT(Il+u+CHHT+λLHHT)-1CT (11)
式(11)中H∈R(l+u)×N，N为隐层节点数；Il+u是(l+u)×(l+u)的单位矩阵；C是(l+u)×(l+u)的对角矩阵，其前l个对角元素为Cii＝ci，其余元素为0。
更进一步地，核极限学习机(Kernel Extreme Learning Machine，KELM)是基于极限学习机并结合核函数所提出的改进算法，KELM的提出是为了将低维输入空间映射到高维特征空间时，以稳定的核函数矩阵替代随机的隐层输出矩阵，避免了维数灾难进而得到稳定的预测输出，提高算法的稳定性和泛化能力。
根据Mercer条件定义的核矩阵Ω＝HHT，进一步可得如下公式：
Ω(i,j)＝h(xi)h(xj)＝K(xi,xj) (12)
引入核函数到ELM中，结合式(8)可得KELM的输出为：
式中，K(·)为核函数，x为待测试样本，xm为训练样本；矩阵ΩELM∈Rm×m为训练样本的核矩阵；ym为训练样本的标签。
类似KELM的推导过程，在式(11)的基础上，引入核函数，并通过结合流形正则化方法，加入拉普拉斯矩阵可得SSKELM的输出为：
F*(x)＝[K(x,x1)；…；K(x,xl+u)](Il+u+CΩ*+λLΩ*)-1CY (14)
式中，xl+u为训练样本，包括有标签样本和无标签样本；矩阵Ω*∈R(l+u)×(l+u)为训练样本的核矩阵；Y∈R(l+u)×k为训练样本的标签矩阵，k为样本的类别数，Y的前l行为训练样本的标签yl，后u行元素均为0；矩阵[K(x,x1)；…；K(x,xm)]∈Rt×z，t为待预测样本的个数，z为样本的特征维数；矩阵(Il+u+CΩ*+λLΩ*)-1CY∈Rz×k。
与现有技术相比，本发明的有益效果是：本发明提供的一种基于数据扩增和SSKELM的铝电解槽况诊断方法，本发明通过提取预处理后的火眼图像的颜色特征和纹理特征，将颜色特征和纹理特征融合获得输入特征矩阵，将特征矩阵输入分类器SSKELM对铝电解槽况进行诊断，可以从火眼的变化来判断槽况的趋势，可以做到事先预防，调整起来也比较容易达到效果，损失也会降低。
附图说明
图1为一种基于数据扩增和SSKELM的铝电解槽况诊断方法的模型示意图；
图2为本发明火眼图像的预处理的流程示意图；
图3为本发明无标签样本增加时半监督算法的诊断精度变化图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前，铝电解生产中的槽况及其变化趋势主要依靠人工经验进行判断，其准确性远不能令人满意，此外，人工成本和物理设备既昂贵又耗时。为了提高槽况评判的准确率，本发明提出了一种基于数据扩增和SSKELM的铝电解槽况诊断方法的模型如图1所示。
首先，针对实际生产过程中，异常槽(冷槽和热槽)出现的概率较小，所以异常槽况相对应的火眼图像样本量有限，且在训练卷积神经网络时，也需要较大的样本量；因此，为增加样本的数量，增加样本的多样性，本发明对采集到的火眼图像样本进行数据扩增。然后，针对有标签的火眼图像较难获取，样本量小，而无标签的火眼图像易于获取，样本量大，为了降低成本及有效利用大量的无标签样本以提高槽况诊断的准确率，提出了一种半监督核极限学习机(SSKELM)算法。
实施例一：
1.数据集的描述和预处理：
本发明实验所用的火眼图像数据集为铝电解槽出铝口处的火眼视频流，它们是由某铝电解厂内生产现场的操作人员用工业摄像设备采集的，本发明将火眼视频分解成若干帧RGB火眼图像，这些未经处理的火眼图像包含了大量的冗余信息，冗余信息对图像识别来说是不利的，不仅增加了计算成本，而且严重影响了图像分类的精度，因此，在对图像进行分类任务之前需要对图像进行预处理。
火眼图像的预处理主要分为三步，其预处理的流程如图2所示。由摄像设备获取的原始火眼图像，除了火眼口，其中还包含了大量无关的背景，因而需要对原始的火眼图像进行预处理，去除原始火眼图像中包含的大量冗余信息；通过观察发现火眼部分与背景部分有着较明显的颜色差别，而颜色差可在RGB色彩模式下被很好的辨别，因此对火眼图像采用颜色分割的方法进行分割，分割公式如式(1)。
图2为一张火眼图像预处理的过程；其中，现场的一张火眼图像，火眼图像在分割之后还存在较多的噪声，因此，本发明采用去除小的连通域来达到去除噪声的目的，通过试验，阈值取500效果较好，
为了保留图像中火眼信息的同时保证算法的实时性，本发明选择在分割后的图像中选取出合适的矩形窗口对火眼图像进行裁剪，在利用裁剪框裁剪后的图像能够把大量无关背景去掉，将火眼区域很好的保存了下来。
2.火眼图像数据集扩增：
为了减少从同一个火眼视频中分离出图像间的相似程度，增加样本的多样性，采用在同一个火眼视频中相隔一段时间取一帧火眼图像的方法。在实际生产过程中，异常槽(冷槽和热槽)出现的概率较小，所以异常槽况相对应的火眼图像样本量有限，因此，为增加样本的数量，进一步增加样本的多样性，本发明对采集到的火眼图像样本进行数据扩增。本发明采用的是传统的变换方法对火眼图像数据集进行扩增，其中包括镜像翻转、加入高斯噪声、平移、多角度旋转(90°和270°)、选择图片的4个角的186×186和中间的186×186进行裁剪，这样每张火眼图像将得到10张扩增的图像。
具体如表1所示，通过上述操作，将原来的数据集扩大了10倍。
表1火眼图像的数据扩增操作
这些扩增操作在一定程度上模拟了在实际获取火眼图像时可能会出现的情况比如抖动、拍摄的图像仅包含部分火眼区域、拍摄角度不同等情况，在对模型进行训练时，这些扩增的图像可以增强模型对火眼图像的识别性能。
3.火眼图像特征提取：
3.1颜色特征：
颜色特征是一种针对全局的特征，颜色特征是在图像模式识别中被应用最多的视觉特征，与其他的图像特征相比，颜色特征具有对图像的尺寸及方向等依懒性弱的优点，使得颜色特征有着较好的稳定性。
设图像f的像素总数为n，灰度等级数为L，灰度为k的像素全图共有nk个，则有：
式(2)中的hk称为f的灰度直方图，本发明采用的是先将火眼图像灰度化，再求出灰度图的灰度直方图。
图像灰度直方图可以认为是图像灰度概率密度的估计，可以由直方图产生下列特征。
(1)平均值：
(2)方差：
(3)能量：
(4)熵：
图像颜色的分布情况通过颜色矩可以体现出来，而图像的颜色分布信息主要集中在低阶，且在图像的RGB空间中可以直接计算颜色矩。本发明提取了火眼图像颜色的一阶矩和二阶矩，它们的定义如下：
(1)一阶矩：
(2)二阶矩：
式中，pij是第i(RGB图像空间中，i＝1,2,3)个颜色分量的第j像素值，n是图像的像素点的个数。
3.2纹理特征：
颜色矩和颜色直方图都不能体现出图像颜色空间的分布信息。纹理是对图像的像素灰度级在空间上的分布模式的描述，反应物品的质地，如光滑性、颗粒度等。在图像的模式识别中，纹理特征也有其自身的优势，它不会因为局部的偏差而导致模式匹配不成功。纹理特征所具有的特性使得它抗噪声能力较强。
设{f(i,j)；i＝0,1,2,L,M-1；j＝0,1,2,L,N-1}为给定的灰度图像，Δi、Δj为取定的较小的整数，求差分图像：
g(i,j)＝f(i,j)-f(i+Δi,j+Δj) (9)
g称为灰度差分。设灰度差分有m级取值可能，则可算出灰度差分图像归一化后的直方图{hg(k),k＝0,1,2,L,m-1}；当小的差值k求出的hg(k)值较大时说明纹理较粗糙，反之则说明纹理较细致。
进一步可由灰度差分直方图得到二次统计量，作为纹理特征，反映图像的纹理细致程度。其二次统计量包括平均值、对比度、角度方向二阶矩、熵，它们计算公式如下所示：
(1)平均值：
(2)对比度：
(3)角度方向二阶矩：
(4)熵：
ENT＝-∑hg(i)log2hg(i) (13)
实施例二：
1.拉普拉斯正则化：
流形假设指的是如果数据在一个很小的局部邻域内，邻近的样本应该具有相似的标签，不难看出流形假设反映的是局部特征。半监督极限学习机的提出是基于流形假设的，它是在常用的ELM目标函数中加入了流形正则项，而流形正则项中则包含了无标记样本的流形结构信息。
流形正则化建立在以下两个假设之上：
(1)N个训练样本中的有标签数据Xl和无标签数据Xu都来自相同的边缘概率分布Px。
(2)如果两个点X1和X2彼此接近，那么条件概率P(y|x1)和P(y|x2)也应该相似。
以上两个假设中的后一种假设被称为机器学习中的光滑假设，并被广泛应用于机器学习领域。为了对数据实施这一假设，流形正则化模型建议最小化式(14)所示的成本函数：
其中，wij表示两个模式xi和xj之间成对相似的权重，一般采用K近邻的计算结果来表示两个样本之间的相似度，即找到K个样本，将它们设定为xi的邻居，它们之间的相似度可由高斯核函数
来计算或者固定为1，具体如式(15)所示：
其中，当xi和xj互为K近邻，基于高斯核函数的正实数即为它们之间的相似度，其它情况下相似度为1。
可求得样本间的相似度矩阵W：
一般的，式(14)中的条件概率难以计算，式(14)可以转化为式(17)的矩阵形式：
其中，
和
分别代表样本xi和xj的预测输出向量。将式(17)转化为矩阵的形式可得：
其中，tr(·)表示矩阵的迹，L＝D-W为图拉普拉斯矩阵；D是对角矩阵，其元素为
表示预测输出值。可利用先验知识的方法将L归一化为
或者直接用Lp(p为整数)来代替。
2.半监督极限学习机：
ELM(Extreme Learning Machine,ELM)是一种监督算法，该算法包括随机学习和输出权值的计算。ELM算法需要先确定隐含层的神经元数目，然后随机产生输入层和隐含层之间的连接权值及偏置值，选择所使用的激活函数，并利用以下公式得到输出：
f(x)＝∑βH(axi+b) (19)
式中，xi和f(x)分别表示输入、输出数据，a和b分别表示输入层和隐含层之间的连接权值及偏置值，β表示隐含层和输出层之间的连接权值，H(·)表示激活函数。
误差函数计算的是实际输出和预测输出之间的误差，使误差函数最小化得到隐含层和输出层的连接权值，设Y为预测输出值，求解min||f(x)-Y||2得到隐含层与输出层之间的连接权重β*，最后的输出如下所示:
f(x)＝∑β*H(axi+b) (20)
在统计学习中实际风险包含了经验风险和结构风险。因而极限学习机不仅要将经验误差最小化，同时还应考虑最小化结构风险。而要同时考虑经验风险和结构风险最小化就是要使输出权值最小同时误差也能够实现最小，因而可构造如下式子：
式(20)可以进一步转化为如下公式：
其中，β＝[β1,β2,…,βn]T表示连接隐含层和输出层之间的权值；h(xi)＝[h1(xi),h2(xi),…,hN(xi)]表示隐含层神经元与输入样本的映射关系，N是隐层神经元个数；yi表示输入样本xi对应的实际输出值；ξi表示样本xi的输出误差；C表示的是惩罚因子。
由KKT优化条件可得输出权值为：
βn＝HT(C-1Ι+HHT)-1yn (23)
其中，H＝[hT(x1),hT(x2),…,hT(xn)]T为训练样本的映射矩阵，yn＝[y1,y2,…,yn]为训练样本的实际输出值。
为了充分利用无标签样本包含的有效信息，需要使用有标签和无标签样本一起训练，进而增强ELM的泛化性能。处理标签数据缺失的问题时，通过结合流形正则化方法，利用所有无标签样本的信息得到全局极限学习机的分类器，以此降低有标签样本的随机性所带来的不利影响，提高分类器的正确性，该方法称为半监督极限学习机(Semi-supervisedExtreme Learning Machine,SSELM)。SSELM通过结合了岭回归的方法处理最优化问题，需要解决的最优化问题如式(23)所示:
式中，C为训练误差的正则化系数，用于权衡训练误差和模型复杂度，避免过拟合；
是训练样本类别标签构成的矩阵，其前l行等于Tl，其余行的元素均为0；λ是平衡参数；
是行为f(xi)的矩阵，是ELM的实际输出矩阵；L为拉普拉斯矩阵，由无标签和有标签样本计算得到，能够衡量样本之间的相似程度。
可将式(24)进一步写成如下形式：
利用式(25)求关于β的导数，且令其等于0，则可得：
β*＝HT(Il+u+CHHT+λLHHT)-1CT (26)
式(26)中H∈R(l+u)×N，N为隐层节点数；Il+u是(l+u)×(l+u)的单位矩阵；C是(l+u)×(l+u)的对角矩阵，其前l个对角元素为Cii＝ci，其余元素为0。
3.半监督核极限学习机：
核极限学习机(Kernel Extreme Learning Machine，KELM)是基于极限学习机并结合核函数所提出的改进算法，KELM的提出是为了将低维输入空间映射到高维特征空间时，以稳定的核函数矩阵替代随机的隐层输出矩阵，避免了维数灾难进而得到稳定的预测输出，提高算法的稳定性和泛化能力。
根据Mercer条件定义的核矩阵Ω＝HHT，进一步可得如下公式：
Ω(i,j)＝h(xi)h(xj)＝K(xi,xj) (27)
引入核函数到ELM中，结合式(23)可得KELM的输出为：
式中，K(·)为核函数，x为待测试样本，xm为训练样本；矩阵ΩELM∈Rm×m为训练样本的核矩阵；ym为训练样本的标签。
类似KELM的推导过程，在式(26)的基础上，引入核函数，并通过结合流形正则化方法，加入拉普拉斯矩阵可得SSKELM的输出为：
F*(x)＝[K(x,x1)；…；K(x,xl+u)](Il+u+CΩ*+λLΩ*)-1CY (29)
式中，xl+u为训练样本，包括有标签样本和无标签样本；矩阵Ω*∈R(l+u)×(l+u)为训练样本的核矩阵；Y∈R(l+u)×k为训练样本的标签矩阵，k为样本的类别数，Y的前l行为训练样本的标签yl，后u行元素均为0；矩阵[K(x,x1)；…；K(x,xm)]∈Rt×z，t为待预测样本的个数，z为样本的特征维数；矩阵(Il+u+CΩ*+λLΩ*)-1CY∈Rz×k。
实验采用4折交叉验证法，其中SSKELM的参数C和λ的取值范围均为10-6,10-5,…,106}，采用网格搜索法(Grid)来进行选择。在训练半监督算法时，使用的数据包括有标签的数据和无标签的数据。
为了将LapSVM、SSELM及SSKELM在有标签样本保持不变的情况下，无标签样本逐渐增加时，电解槽况的诊断精度变化情况更好的表现出来，将它们的诊断精度随着无标签样本增加的变化情况画成曲线如图3所示。
从图3中可以直观的看出当更多的无标签样本被添加到无标签数据集中时，LapSVM、SSELM及SSKELM的诊断精度逐渐升高，说明无标签火眼图中隐含的有用信息被有效利用于槽况的诊断。同时，从图中可以看出在有标签数据和无标签数据相同时，本发明所提出的SSKELM算法的诊断精度始终高于LapSVM及SSELM算法。
综上所述，与现有技术相比，本发明通过提取预处理后的火眼图像的颜色特征和纹理特征，将颜色特征和纹理特征融合获得输入特征矩阵，将特征矩阵输入分类器SSKELM对铝电解槽况进行诊断，可以从火眼的变化来判断槽况的趋势，可以做到事先预防，调整起来也比较容易达到效果，损失也会降低。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于数据扩增和SSKELM的铝电解槽况诊断方法，其特征在于：包括如下步骤：
S1：收集铝电解生产过程的火眼图像，对收集到的火眼图像进行预处理，主要包括分割和裁剪；
S2：将预处理后的火眼图像进行数据扩增，采用传统的图像变换的方法来进行的；
S3：提取分割后的火眼图像的颜色特征及纹理特征，对提取后的特征矩阵进行归一化处理；
S4：在半监督极限学习机的基础上引入核函数，提出半监督核极限学习机；
S5：将半监督核极限学习机作为分类器，根据火眼图像判断当前铝电解槽况。
2.根据权利要求1所述的一种基于数据扩增和SSKELM的铝电解槽况诊断方法，其特征在于：所述步骤S1中，火眼区域与背景区域的颜色存在较大的色彩差距，这种色彩差距正好能被RGB颜色空间模型很好地辨别和分开，因此对火眼图像采用颜色分割的方法进行分割；
针对火眼图像分割公式为：
式中，R(i,j)、G(i,j)和B(i,j)分别表示在RGB颜色空间模型中(i,j)位置的R通道像素值、G通道像素值以及B通道像素值，Rmean表示整个图像的R通道平均值，L代表图像像素点的个数。
3.根据权利要求1所述的一种基于数据扩增和SSKELM的铝电解槽况诊断方法，其特征在于：采用去除小的连通域来达到去除噪声的目的，选择在分割后的图像中选取出合适的矩形窗口对火眼图像进行裁剪，在利用裁剪框裁剪后的图像能够把无关背景去掉，将火眼区域很好的保存了下来。
4.根据权利要求1所述的一种基于数据扩增和SSKELM的铝电解槽况诊断方法，其特征在于：为增加样本的数量，进一步增加样本的多样性，对采集到的火眼图像样本进行数据扩增，采用的是传统的变换方法对火眼图像数据集进行扩增，其中包括镜像翻转、加入高斯噪声、平移、多角度旋转、选择图片的4个角的186×186和中间的186×186进行裁剪，这样每张火眼图像将得到10张扩增的图像。
5.根据权利要求1所述的一种基于数据扩增和SSKELM的铝电解槽况诊断方法，其特征在于：在利用火眼图像对槽况进行诊断的实验中，提取火眼图像的颜色特征和纹理特征作为槽况诊断模型的输入，颜色特征包括包括灰度直方图中的平均值、方差、能量、熵、一阶矩、二阶矩；纹理特征包括灰度差分统计中的平均值、对比度、角度方向二阶矩、熵。
6.根据权利要求1所述的一种基于数据扩增和SSKELM的铝电解槽况诊断方法，其特征在于：所述步骤S4建立在以下两个假设之上：
(1)N个训练样本中的有标签数据Xl和无标签数据Xu都来自相同的边缘概率分布Px；
(2)如果两个点X1和X2彼此接近，那么条件概率P(y|x1)和P(y|x2)也应该相似；
以上两个假设中的后一种假设被称为机器学习中的光滑假设，为了对数据实施这一假设，流形正则化模型建议最小化式(2)所示成本函数:
其中，wij表示两个模式xi和xj之间成对相似的权重，采用K近邻的计算结果来表示两个样本之间的相似度，即找到K个样本，将它们设定为xi的邻居，它们之间的相似度可由高斯核函数
来计算或者固定为1，具体如式(3)所示：
其中，当xi和xj互为K近邻，基于高斯核函数的正实数即为它们之间的相似度，其它情况下相似度为1；
可求得样本间的相似度矩阵W：
一般的，式(2)中的条件概率难以计算，式(2)可以转化为式(5)的矩阵形式：
其中，
和
分别代表样本xi和xj的预测输出向量，将式(5)转化为矩阵的形式可得：
其中，tr(·)表示矩阵的迹，L＝D-W为图拉普拉斯矩阵；D是对角矩阵，其元素为
表示预测输出值，利用先验知识的方法将L归一化为
或者直接用Lp(p为整数)来代替。
7.根据权利要求1所述的一种基于数据扩增和SSKELM的铝电解槽况诊断方法，其特征在于：极限学习机包括：
其中，β＝[β1,β2,…,βn]T表示连接隐含层和输出层之间的权值；h(xi)＝[h1(xi),h2(xi),…,hN(xi)]表示隐含层神经元与输入样本的映射关系，N是隐层神经元个数；yi表示输入样本xi对应的实际输出值；ξi表示样本xi的输出误差；C表示的是惩罚因子；
由KKT优化条件可得输出权值为：
βn＝HT(C-1Ι+HHT)-1yn (8)
其中，H＝[hT(x1),hT(x2),…,hT(xn)]T为训练样本的映射矩阵，yn＝[y1,y2,…,yn]为训练样本的实际输出值。
8.根据权利要求1所述的一种基于数据扩增和SSKELM的铝电解槽况诊断方法，其特征在于：半监督极限学习机通过结合了岭回归的方法处理最优化问题，需要解决的最优化问题包括：
式中，C为训练误差的正则化系数，用于权衡训练误差和模型复杂度，避免过拟合；
是训练样本类别标签构成的矩阵，其前l行等于Tl，其余行的元素均为0；λ是平衡参数；
是行为f(xi)的矩阵，是ELM的实际输出矩阵；L为拉普拉斯矩阵，由无标签样本和有标签样本计算得到，能够衡量样本之间的相似程度；
可将式(9)进一步写成如下形式：
利用式(10)求关于β的导数，且令其等于0，则可得：
β*＝HT(Il+u+CHHT+λLHHT)-1CT (11)
式(11)中H∈R(l+u)×N，N为隐层节点数；Il+u是(l+u)×(l+u)的单位矩阵；C是(l+u)×(l+u)的对角矩阵，其前l个对角元素为Cii＝ci，其余元素为0。
9.根据权利要求1所述的一种基于数据扩增和SSKELM的铝电解槽况诊断方法，其特征在于：根据Mercer条件定义的核矩阵Ω＝HHT，可得如下公式：
Ω(i,j)＝h(xi)h(xj)＝K(xi,xj) (12)
引入核函数到ELM中，结合式(8)可得KELM的输出为：
式中，K(·)为核函数，x为待测试样本，xm为训练样本；矩阵ΩELM∈Rm×m为训练样本的核矩阵；ym为训练样本的标签；
类似KELM的推导过程，在式(11)的基础上，引入核函数，并通过结合流形正则化方法，加入拉普拉斯矩阵可得SSKELM的输出为：
F*(x)＝[K(x,x1)；…；K(x,xl+u)](Il+u+CΩ*+λLΩ*)-1CY (14)
式中，xl+u为训练样本，包括有标签样本和无标签样本；矩阵Ω*∈R(l+u)×(l+u)为训练样本的核矩阵；Y∈R(l+u)×k为训练样本的标签矩阵，k为样本的类别数，Y的前l行为训练样本的标签yl，后u行元素均为0；矩阵[K(x,x1)；…；K(x,xm)]∈Rt×z，t为待预测样本的个数，z为样本的特征维数；矩阵(Il+u+CΩ*+λLΩ*)-1CY∈Rz×k。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210786549.2A CN114959797A (zh) | 2022-07-04 | 2022-07-04 | 基于数据扩增和sskelm的铝电解槽况诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210786549.2A CN114959797A (zh) | 2022-07-04 | 2022-07-04 | 基于数据扩增和sskelm的铝电解槽况诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114959797A true CN114959797A (zh) | 2022-08-30 |
Family
ID=82968478
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210786549.2A Pending CN114959797A (zh) | 2022-07-04 | 2022-07-04 | 基于数据扩增和sskelm的铝电解槽况诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114959797A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117523503A (zh) * | 2024-01-08 | 2024-02-06 | 威科电子模块（深圳）有限公司 | 基于厚膜电路板的制备设备安全监控方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103103570A (zh) * | 2013-01-30 | 2013-05-15 | 重庆科技学院 | 基于主元相似性测度的铝电解槽况诊断方法 |
| CN107204004A (zh) * | 2017-04-26 | 2017-09-26 | 中南大学 | 一种铝电解槽火眼视频动态特征识别方法及系统 |
| CN107248157A (zh) * | 2017-06-30 | 2017-10-13 | 中南大学 | 一种铝电解槽自动看火的方法及其装置 |
| CN109161932A (zh) * | 2018-10-22 | 2019-01-08 | 中南大学 | 一种铝电解槽火眼视频动态特征的提取方法 |
| CN110129832A (zh) * | 2019-06-21 | 2019-08-16 | 广西大学 | 一种铝电解过程槽电压的多目标优化方法 |
| CN110675382A (zh) * | 2019-09-24 | 2020-01-10 | 中南大学 | 基于CNN-LapsELM的铝电解过热度识别方法 |
| CN112765894A (zh) * | 2020-11-25 | 2021-05-07 | 北方工业大学 | 一种基于k-lstm的铝电解槽状态预测方法 |
| CN114511735A (zh) * | 2022-01-12 | 2022-05-17 | 南京理工大学 | 级联空谱特征融合与核极限学习机的高光谱图像分类方法及系统 |
| CN115082734A (zh) * | 2022-06-23 | 2022-09-20 | 中南大学 | 铝电解槽火眼视频巡检系统及过热度深度学习识别方法 |
-
2022
- 2022-07-04 CN CN202210786549.2A patent/CN114959797A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103103570A (zh) * | 2013-01-30 | 2013-05-15 | 重庆科技学院 | 基于主元相似性测度的铝电解槽况诊断方法 |
| CN107204004A (zh) * | 2017-04-26 | 2017-09-26 | 中南大学 | 一种铝电解槽火眼视频动态特征识别方法及系统 |
| CN107248157A (zh) * | 2017-06-30 | 2017-10-13 | 中南大学 | 一种铝电解槽自动看火的方法及其装置 |
| CN109161932A (zh) * | 2018-10-22 | 2019-01-08 | 中南大学 | 一种铝电解槽火眼视频动态特征的提取方法 |
| CN110129832A (zh) * | 2019-06-21 | 2019-08-16 | 广西大学 | 一种铝电解过程槽电压的多目标优化方法 |
| CN110675382A (zh) * | 2019-09-24 | 2020-01-10 | 中南大学 | 基于CNN-LapsELM的铝电解过热度识别方法 |
| CN112765894A (zh) * | 2020-11-25 | 2021-05-07 | 北方工业大学 | 一种基于k-lstm的铝电解槽状态预测方法 |
| CN114511735A (zh) * | 2022-01-12 | 2022-05-17 | 南京理工大学 | 级联空谱特征融合与核极限学习机的高光谱图像分类方法及系统 |
| CN115082734A (zh) * | 2022-06-23 | 2022-09-20 | 中南大学 | 铝电解槽火眼视频巡检系统及过热度深度学习识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| LEI YONGXIANG等: "Manifold semi-supervised learning for aluminum electrolysis temperature identification based on regularized hierarchical extreme learning machine", PROCEEDINGS OF THE INSTITUTION OF MECHANICAL ENGINEERS, vol. 236, no. 6, pages 1109 - 1118 * |
| 余志雄等: "一种基于视频图像火焰多特征融合的识别算法", 工业控制计算机, vol. 26, no. 5, pages 85 - 87 * |
| 刘斌等: "基于特征融合和ILSTSVM 的铝电解过热度识别", 广西大学学报（自然科学版）, vol. 47, no. 4, pages 998 - 1007 * |
| 徐辰华等: "基于改进多重极限学习机的槽电压优化方法", 控 制 工 程, vol. 27, no. 4, pages 758 - 764 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117523503A (zh) * | 2024-01-08 | 2024-02-06 | 威科电子模块（深圳）有限公司 | 基于厚膜电路板的制备设备安全监控方法及系统 |
| CN117523503B (zh) * | 2024-01-08 | 2024-05-03 | 威科电子模块（深圳）有限公司 | 基于厚膜电路板的制备设备安全监控方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111695469B (zh) | 轻量化深度可分离卷积特征融合网的高光谱图像分类方法 | |
| Waghmare et al. | Detection and classification of diseases of grape plant using opposite colour local binary pattern feature and machine learning for automated decision support system | |
| CN106778687B (zh) | 基于局部评估和全局优化的注视点检测方法 | |
| US7983486B2 (en) | Method and apparatus for automatic image categorization using image texture | |
| CN112200121B (zh) | 基于evm和深度学习的高光谱未知目标检测方法 | |
| Liu et al. | Remote sensing image change detection based on information transmission and attention mechanism | |
| CN107992874A (zh) | 基于迭代稀疏表示的图像显著目标区域提取方法及系统 | |
| CN112102314B (zh) | 基于不确定性来判断人脸图片质量的计算方法 | |
| CN111539320B (zh) | 基于互相学习网络策略的多视角步态识别方法及系统 | |
| CN112906813A (zh) | 一种基于密度聚类和胶囊神经网络的浮选工况识别方法 | |
| CN114463843A (zh) | 一种基于深度学习的多特征融合鱼类异常行为检测方法 | |
| CN113221913A (zh) | 一种基于高斯概率决策级融合的农林病虫害细粒度识别方法及装置 | |
| Saidane et al. | Robust binarization for video text recognition | |
| Velliangira et al. | A novel forgery detection in image frames of the videos using enhanced convolutional neural network in face images | |
| CN114959797A (zh) | 基于数据扩增和sskelm的铝电解槽况诊断方法 | |
| Vatsavai | High-resolution urban image classification using extended features | |
| Di et al. | Prediction of red wine quality using one-dimensional convolutional neural networks | |
| CN113810683A (zh) | 一种客观评估水下视频质量的无参考评价方法 | |
| CN117253192A (zh) | 用于桑蚕养殖的智能系统及方法 | |
| CN117011346A (zh) | 鼓风机图像配准算法 | |
| CN116596891A (zh) | 基于半监督多任务检测的木地板颜色分类及缺陷检测方法 | |
| CN115937095A (zh) | 融合图像处理算法和深度学习的印刷缺陷检测方法及系统 | |
| CN113822869B (zh) | 一种基于机器视觉的透明软性包装袋静态检测方法及系统 | |
| Zhang et al. | Unsound wheat kernel recognition based on deep convolutional neural network transfer learning and feature fusion | |
| CN115511838A (zh) | 一种基于群智能优化的植物病害高精度识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220830 |