【技术实现步骤摘要】
一种基于线性判别邻域保持嵌入的故障分类方法
[0001]本专利技术属于故障监测与诊断
,提出了一种基于线性判别邻域保持嵌入的故障分类方法。
技术介绍
[0002]随着科学技术的不断发展和工业化水平的不断提高,工业生产逐渐向大规模、复杂化发展。一个工业生产系统中的各个组成部分之间的关联关系、耦合程度非常高。各个组成部分相互耦合,协同工作。在一方面,这种生产方式工作效率得到了很大提高,产生了巨大的经济效益;然而在另一方面,由于工业生产过程中各个组成部分关联性强,存在大量耦合,整个工业生产系统变得越来越复杂,对系统产生影响造成系统故障的因素也变得越来越多,系统发生故障的几率也随之增加,一旦发生较大的故障就可能导致停工停产,造成巨大的经济损失。国内国外都曾发生过因工业生产过程中机器故障导致的工业事故,造成了巨大的人员伤亡、经济损失和不良的社会影响。不同种类的故障会对系统造成不同的工业事故,如何进行故障检测、故障诊断,对不同种类故障进行有效分类对保障生产过程安全、工业生产系统稳定运行是十分必要和有意义的。
[0003]工业生产系统的故障数据中含有丰富的信息,大量的故障信息为故障分类研究带来了新的机遇。但由于工业生产系统的故障有数据量大、数据间相关性强、冗余度大、维数高等特点,传统故障分类方法很容易导致“维数灾难”现象。因此,如何从高维数据中有效地提取出隐含特征来降低数据维数成为故障检测、故障诊断、故障分类方面研究的重点。也就是说故障分类首先需要对待测数据进行特征提取,实现维数约简,然后再对提取出来的特征进行分类。 ...
【技术保护点】
【技术特征摘要】
1.一种基于线性判别邻域保持嵌入的故障分类方法,其特征在于,该方法包括如下步骤:步骤1:对某工业生产过程实施若干次的模拟仿真,每次仿真过程设置不同的故障类型,采集仿真过程获得的不同种类故障的数据,每种故障的数据构成一个样本子集,所有样本子集构成TE故障数据集;步骤2:从TE故障数据集中随机选取两个样本子集,获取两类需要分类的故障样本点,并分别从选取出的两个样本子集中划分出测试数据和训练数据,其中所述测试数据构成测试样本集,所述训练数据构成训练样本集,训练样本集每个样本点的故障类别构成样本类别集合;步骤3:初始化邻域保持嵌入算法相关参数,包括近邻点个数k、降维目标维数d;步骤4:找出训练样本集中每个样本点除自身外的k个近邻点,并根据该k个近邻点构造每个样本点的邻域图;步骤5:根据训练样本集中每个样本点的邻域图,对训练样本集中每个样本点x
i
与其近邻点的连接赋予权值,通过其近邻点的线性组合对每个样本点进行重构,并通过使重构误差最小化计算邻接矩阵W;步骤6:根据训练样本集以及步骤5得到的邻接矩阵W,对待求解的降维后的样本点通过其降维后近邻点的线性组合进行重构,通过使重构误差函数最小化,构建邻域保持嵌入模型的目标函数;步骤7:根据训练样本集中每个样本点的近邻点集合以及训练样本集中每个样本点的类别信息构建判别邻域嵌入模型的权值矩阵,同时引入线性判别分析算法的思想,将步骤6中求解邻域保持嵌入模型投影矩阵的重构误差函数和求解判别邻域嵌入模型投影矩阵的目标函数分别作为基于类别信息的邻域保持嵌入模型的目标函数的分母与分子,从而构建基于类别信息的邻域保持嵌入模型;步骤8:根据训练样本集中样本的类别信息,计算样本类内散度矩阵S
w
和类间散度矩阵S
b
,构建线性判别分析模型的目标函数;步骤9:将基于类别信息的邻域保持嵌入模型与线性判别分析模型结合,把基于类别信息的邻域保持嵌入模型目标函数的分子与线性判别分析模型目标函数的分子相加作为线性判别邻域保持嵌入模型目标函数的分子,将基于类别信息的邻域保持嵌入模型目标函数的分母与线性判别分析模型目标函数的分母相加作为线性判别邻域保持嵌入模型目标函数的分母,从而构建线性判别邻域保持嵌入模型的目标函数,并计算出线性判别邻域保持嵌入模型的投影矩阵A4;步骤10、使用步骤9得到的投影矩阵A4对测试样本集降维,通过支持向量机方法对测试样本集中的样本进行分类。2.根据权利要求1所述的基于线性判别邻域保持嵌入的故障分类方法,其特征在于,所述找出训练样本集中每个样本点除自身外的k个近邻点的方法为:计算训练样本集X=[x1,...,x
n
]中每个样本点与其他所有样本点的欧氏距离,依据欧式距离找出每个样本点除自身外的k个近邻点。3.根据权利要求1所述的基于线性判别邻域保持嵌入的故障分类方法,其特征在于,所述邻接矩阵W满足如下要求:
对于非零的权值w
ij
,通过式(2)所示的重构误差函数求得:,通过式(2)所示的重构误差函数求得:其中,邻接矩阵W为n
×
n的矩阵,W的第i行第j列的值w
ij
代表着样本点x
i
与训练样本集X中所有样本点x
j
的连接权值;N(x
i
)为训练样本集X中每个样本点x
i
的近邻点集合;x
i
(i=1,2,...,n)表示训练样本集X中的第i个样本点,x
j
(j=1,2,
……
,n)表示训练样本集X中的第j个样本点。4.根据权利要求1所述的基于线性判别邻域保持嵌入的故障分类方法,其特征在于,所述邻域保持嵌入模型的目标函数,具体形式如下:s.t.Y
T
Y=A
0T
XX
T
A0=1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)其中,Y=[y1,y2,
……
,y
n
]为训练样本集合X=[x1,...,x
n
]经过投影矩阵A0降维后的样本点集合,且满足Y=A
0T
X,A0为邻域保持嵌入模型所求的m
×
d的投影矩阵;w
ij
为样本点x
i
与样本点x
j
对应邻接矩阵W的i行j列的权值;y
j
是样本点x
i
对应近邻点降维后的样本点;I为n
×
n的单位矩阵。5.根据权利要求1所述的基于线性判别邻域保持嵌入的故障分类方法,其特征在于,所述步骤7进一步包括如下步骤:步骤7
‑
1:根据训练样本集中每个样...
【专利技术属性】
技术研发人员:高鸿瑞,张颖伟,冯琳,李豪,朱红博,
申请(专利权)人:东北大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。