一种基于相异性递归消除特征的故障诊断方法及装置制造方法及图纸
【技术实现步骤摘要】
一种基于相异性递归消除特征的故障诊断方法及装置
本专利技术涉及故障诊断领域，更具体地说，涉及一种基于相异性递归消除特征的故障诊断方法及装置。
技术介绍
现代工业系统十分复杂，对于其监控的过程中就会产生大量的监控数据，当系统检测到故障时，就要对故障数据进行分析，找出产生故障的部件和原因。但是由于数据数量庞大，如何从中挖掘出有价值的数据并加以利用成为一个十分重要的事情。一般情况下，故障数据与正常数据的差别可能只是由于几个关键特征引导的，如果可以甄别出这些导致差别的关键特征，就可以找到解决故障的方法。因此，特征选择在故障诊断领域中受到越来越多的重视，特征选择方法可以对大量数据进行筛选，得到特征子集，随后就可以对特征子集进行分类，识别出故障及故障的类型，完成故障诊断。但是现有的传统特征选择方法通常避免不了处理非线性、非高斯以及大规模复杂的数据，导致了特征选择的复杂性，无法准确找出与故障相关的特征子集，因此影响了后续分类结果的不准确。因此，如何准确找出与故障相关的特征，减少不相关特征对故障诊断的影响，是本领域技术人员需要解决的问题。
技术实现思路
本专利技术的目的在于提供一种基...
【技术保护点】
一种基于相异性递归消除特征的故障诊断方法，其特征在于，包括：S101：收集第一正常训练数据矩阵与第一故障训练数据矩阵；S102：初始化包括所有特征的特征索引全集和排序特征索引集；S103：在所述特征索引全集中去除预选特征，构建不同的特征索引子集；S104：根据每一个特征索引子集，形成第二正常训练数据矩阵与第二故障训练数据矩阵，并计算相异性，得到不同的特征索引子集的相异性值；S105：确定与最大相异性值对应的特征索引子集的目标预选特征，将所述目标预选特征从所述特征索引全集移除并添加到所述排序特征索引集，更新所述特征索引全集和所述排序特征索引集；S106：判断更新后的特征索引全...
【技术特征摘要】
1.一种基于相异性递归消除特征的故障诊断方法，其特征在于，包括：S101：收集第一正常训练数据矩阵与第一故障训练数据矩阵；S102：初始化包括所有特征的特征索引全集和排序特征索引集；S103：在所述特征索引全集中去除预选特征，构建不同的特征索引子集；S104：根据每一个特征索引子集，形成第二正常训练数据矩阵与第二故障训练数据矩阵，并计算相异性，得到不同的特征索引子集的相异性值；S105：确定与最大相异性值对应的特征索引子集的目标预选特征，将所述目标预选特征从所述特征索引全集移除并添加到所述排序特征索引集，更新所述特征索引全集和所述排序特征索引集；S106：判断更新后的特征索引全集是否为空，若否，则返回S103；若是，进行S107；S107：在更新后的排序特征索引集中取优选个数的特征，构建最优特征集；S108：根据所述最优特征子集对获取的测试数据进行特征的选取，并对选取后的特征进行分类，根据分类结果进行故障诊断。2.根据权利要求1所述的故障诊断方法，其特征在于，所述收集第一正常训练数据矩阵与第一故障训练数据矩阵，包括：收集第一正常训练数据矩阵与第一故障训练数据矩阵，并进行标准化处理。3.根据权利要求1所述的故障诊断方法，其特征在于，所述根据每一个特征索引子集，形成第二正常训练数据矩阵与第二故障训练数据矩阵，并计算相异性，得到不同的特征索引子集的相异性值，包括：根据每一个特征索引子集，形成第二正常训练数据矩阵与第二故障训练数据矩阵，并计算得到第一协方差矩阵；对所述第一协方差矩阵进行特征分解，得到投影矩阵；利用所述投影矩阵对所述第二正常训练数据矩阵进行投影，计算得到投影后的第二协方差矩阵；对所述第二协方差矩阵进行特征分解得到特征值，利用所述特征值计算相异性，得到不同的特征索引子集的相异性值。4.根据权利要求1所述的故障诊断方法，其特征在于，所述在更新后的排序特征索引集中取优选个数的特征，构建最优特征集，包括：采用支持向量机分类器在训练数据上进行10折交叉验证，得到优选个数；在所述排序特征索特引集中取出所述优选个数的特征，构建最优特征子集。5.根据权利要求1至4任意一项所述的故障诊断方法，其特征在于，根据所述最优特征子集对获取的测试数据进行特征的选取，并对选取后的特征进行分类，根据分类结果进行故障诊断，包括：收集测试数据，并进行标准化处理；根据所述最优特征子集对所述测试数据进行特征的选取，并对选取后的特征用支持向量机进行分类，根据分类结果进行故障诊断。6.一种基于相异性递归...
【专利技术属性】
技术研发人员：张莉，薛杨涛，王邦军，张召，李凡长，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏,32
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。