基于工业大数据图半监督新类挖掘的故障诊断方法技术

本发明专利技术提供一种基于工业大数据图半监督新类挖掘的故障诊断方法，涉及故障监测与诊断技术领域。基于工业大数据图半监督新类挖掘的故障诊断方法，首先采集工业生产过程的数据，并对其进行降维处理；然后对数据点按已标记数据点和未标记数据点进行初始标签标记，并计算软标签矩阵，通过软标签矩阵对故障数据的类别进行诊断；最后对新故障类型重新进行诊断，直到发现所有新的故障类型。本发明专利技术的基于工业大数据图半监督新类挖掘的故障诊断方法，实现了对原有故障类型的识别以及未知故障类型的发现，大大降低了故障类型的误报警率，同时提高了故障检测的准确性。

Fault diagnosis method based on semi supervised new class mining based on industrial large data graph

The invention provides a fault diagnosis method based on the semi supervised new class mining of industrial large data graph, which involves the field of fault monitoring and diagnosis. Fault diagnosis method of industrial data graph mining based on semi supervised the new class, the first acquisition process of industrial production data, and the dimension of the data points; then according to the labeled data and unlabeled data points and calculate the initial tag, soft tag matrix, were diagnosed by category of soft label matrix fault data; at the end of the new type of fault diagnosis to find fault, until all of the new type. The fault diagnosis method based on the semi supervised new class mining based on the industrial big data graph has realized the identification of the original fault types and the discovery of the unknown fault types, greatly reduced the false alarm rate of the fault types, and improved the accuracy of the fault detection.

【技术实现步骤摘要】
基于工业大数据图半监督新类挖掘的故障诊断方法
本专利技术涉及故障监测与诊断
，尤其涉及一种基于工业大数据图半监督新类挖掘的故障诊断方法。
技术介绍
随着现代工业的迅速发展，现代企业中生产设备日趋大型化、连续化、高速化和自动化，设备的结构与组成十分复杂，生产规模非常庞大，各部门之间的联系也特别密切。实际的生产过程有线性的、非线性的、时不变的、时变的等，对于不同的生产过程所具有的特征，应选用不同的故障监测方法，这样才能有效地检测到故障。基于图的半监督故障诊断算法可以准确识别各种不同类别的故障。半监督算法，如图1所示，指既利用标记数据也利用未标记数据来建立学习模型，最终通过该模型能够预测输入数据的标记。半监督分为两类：归纳半监督和直推半监督，定义分别为：归纳半监督：给定训练集归纳半监督的目的是学习得到一个函数f：X→Y，使得该函数能够很好地预测训练集以外的输入数据的标记。直推半监督：给定训练集直推半监督的目的是学习得到一个函数f：Xl+u→Yl+u，使得该函数能够很好地预测训练集中未标记样本的标记。实际工业过程中将会产生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，所本文档来自技高网...

【技术保护点】
一种基于工业大数据图半监督新类挖掘的故障诊断方法，其特征在于：包括以下步骤：步骤1：采集工业生产过程中的数据，并将采集到的数据进行降维处理，生成一个包含多种数据类型的工业生产过程的大数据池；步骤2：从工业生产过程的大数据池中随机选取n个采样数据，对采样数据进行初始标签的标记，具体方法为：已知n个采样数据{x1，x2，…，xn}，这些采样数据总共有c个种类，首先设置一个初始标记矩阵Y∈R

【技术特征摘要】
1.一种基于工业大数据图半监督新类挖掘的故障诊断方法，其特征在于：包括以下步骤：步骤1：采集工业生产过程中的数据，并将采集到的数据进行降维处理，生成一个包含多种数据类型的工业生产过程的大数据池；步骤2：从工业生产过程的大数据池中随机选取n个采样数据，对采样数据进行初始标签的标记，具体方法为：已知n个采样数据{x1，x2，…，xn}，这些采样数据总共有c个种类，首先设置一个初始标记矩阵Y∈Rn×(c+1)，对于人工已标记的第i个数据xi，若该数据属于第j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，则在初始标记矩阵Y的前c列均设为0，第c+1列设为1，得到已标记数据和未标记数据的初始标记矩阵Y；步骤3：采用高斯核函数构建采样数据点的近邻权重矩阵W，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；步骤4：将采样数据点间的权重系数做标准化处理，得到标准化的权重矩阵步骤5：计算采样数据点的软标签矩阵F∈Rn×(c+1)，其计算公式如下所示：F＝(E-EaB)-1(E-Ea)Y其中，E是n×n的单位矩阵，Ea是n×n的对角矩阵，矩阵中每个对角元素都是大于0小于1的正值，每个对角元素对应于大数据池中的一个数据点，当数据点是已标记数据，则该元素为一个接近于1的随机数，当数据是未标记数据，则该元素为一个接近于0的随机数，矩阵其中，矩阵为对角矩阵D的标准化的矩阵；步骤6：通过软标签矩阵的计算结果对采样数据点所属的故障类别进行诊断，对于数据点xi的故障类别的判别公式为：yi＝argmaxj≤c+1Fij其中，yi为第i个采样数据的类别标签；如...

【专利技术属性】
技术研发人员：张颖伟，刘帅，李旭光，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21