基于类均值核主元分析和BP神经网络的故障诊断方法技术

一种基于类均值核主元分析和BP神经网络的故障诊断方法，所述方法首先根据故障类型对设备运行的历史数据进行分类，得到有故障类标签的数据集；然后对数据集进行标准化处理，计算其类均值核矩阵，进行中心化；再计算中心化后的类均值核矩阵的特征值和特征向量，抽取核主元成分，得到降维后的样本数据集；用样本数据集对神经网络进行训练；最后用训练好的神经网络对设备进行故障识别。本发明专利技术将类均值核主元分析与BP神经网络相结合，不对被检测系统发出任何指令，只使用被检测系统的运行数据就能够实现对各种生产系统的故障诊断。本方法计算复杂低，具有诊断速度快、准确性高、泛化性好等特点。

Fault Diagnosis Method Based on Class Mean Kernel Principal Component Analysis and BP Neural Network

A fault diagnosis method based on class mean kernel principal component analysis and BP neural network is presented. Firstly, the historical data of equipment operation are classified according to the type of fault, and the data set with fault class label is obtained. Then, the data set is standardized, its class mean kernel matrix is calculated and centralized. The eigenvalues and eigenvectors of the centralized mean-like kernels matrix are extracted, and the reduced dimension sample data sets are obtained. The neural network is trained with the sample data sets. Finally, the trained neural network is used to identify the faults of the equipment. The method combines the class mean kernel principal component analysis with BP neural network, does not issue any instructions to the detected system, and can realize the fault diagnosis of various production systems only by using the operation data of the detected system. This method has the advantages of low computational complexity, fast diagnosis speed, high accuracy and good generalization.

【技术实现步骤摘要】
基于类均值核主元分析和BP神经网络的故障诊断方法
本专利技术涉及一种类均值核主元分析与BP神经网络相结合的故障诊断方法，属于测试

技术介绍
随着工业自动化水平的提高，工业控制系统的规模越来越大，一个大型的工业控制系统有成百套控制回路，因此影响系统正常工作的因素也越来越多，系统的可靠运行受到多方面的威胁。非线性、时变性、强耦合、高维度等造成了控制系统的复杂多样性，往往牵一发而动全身。而一旦发生故障，不仅会对社会生产、生态环境造成不可估量的损失与危害，而且会严重威胁人员安全，因此设计并研发一套诊断系统运行是否发生故障的技术对安全生产具有重要的意义。工业过程控制面临的重要任务之一就是对控制系统的故障诊断。在控制系统的运作过程中，有很多方面会导致故障的发生，比如操作失当、设备老化、外加干扰等等，有些属于突发故障，使生产骤停，有些是缓变故障，潜移默化中使生产效率偏移预定指标，从而耗费资源。因此，控制系统的故障诊断问题日显重要，及时、准确地诊断出设备运营发生的故障类型，对于工作人员排查问题、生产效益提升有很大的帮助，如何有效地诊断系统是否发生故障以及故障发生类型受到专家学者的深切关注。故障诊断方法源远流长，发展至今，总结起来主要分为两种方法：基于解析模型的方法和基于数据驱动的方法。前者需要对诊断对象及故障机理有深刻的认识，然而一般工业系统结构复杂、动态时变且强耦合特性严重，使之难以建立准确的解析模型。后者通过对系统运行数据进行分析处理，从而在不需知道诊断对象的先验知识和系统精确解析模型的情况下完成系统的故障诊断，因此受到国内外研究者的青睐，并在这方面做出了很多的研究。基于数据驱动的故障诊断方法主要包括多元统计的方法和人工智能的方法。多元统计分析具有强大的降维能力和数据处理能力，对于解决工业系统的高维运行数据有很大的帮助。Ajami等人利用独立主元分析针对电厂状态监测进行了研究，能够减少由于机理模型的不确定性和操作条件变化导致的误报警。人工智能的方法主要通过模仿和实现人类(熟练操作人员、技术人员、专家)在监控过程中的某些思维和行为，自动完成整个监测和诊断过程。其中最主要的就是人工神经网络控制。Rakhshani等将数据挖掘与人工神经网络用于热电站锅炉的状态监测与故障诊断，首先基于数据挖掘方法将锅炉多测点数据聚类为三类：正常运行状态族、直接故障状态族、有故障先兆状态族，然后采用两类神经网络进行训练，完成故障的及时检测并对故障进行了诊断。然而现有的故障诊断方法均不理想，存在计算复杂、诊断效率低、准确性和泛化性不高等缺点，因此有必要进一步进行研发和提高。
技术实现思路
本专利技术的目的在于针对现有技术之弊端，提供一种基于类均值核主元分析和BP神经网络的故障诊断方法，以降低计算复杂度，提高故障诊断的准确性和泛化性。本专利技术所述问题是以下述技术方案解决的：一种基于类均值核主元分析和BP神经网络的故障诊断方法，所述方法首先根据故障类型对设备运行的历史数据进行分类，得到有故障类标签的数据集；然后对数据集进行标准化处理，计算其类均值核矩阵，进行中心化；再计算中心化后的类均值核矩阵的特征值和特征向量，抽取核主元成分，得到降维后的样本数据集；用样本数据集对神经网络进行训练；最后用训练好的神经网络对设备进行故障识别。上述基于类均值核主元分析和BP神经网络的故障诊断方法，所述方法包括以下步骤：A、根据故障类型对设备运行的历史数据进行分类，得到有故障类标签的数据集O；B、对数据集O进行标准化处理，使之无量纲化，然后计算数据集O的类均值核矩阵，并进行中心化，具体步骤如下：B1、对数据集O中的数据x进行标准化处理，得到其无量纲化数据其中，为样本数据的均值，σ为样本数据的标准差；B2、选取核函数：选用RBF核函数作为类均值核主元分析法的核函数，表达式为：其中，x,y均为数据集变量；B3、计算类均值核矩阵其中，xij为标准化后数据集第i行第j列所对应的数值；B4、对核矩阵进行中心化处理，得到中心化处理后的类均值核矩阵其中，AN＝(αrs)N×N，C、计算中心化处理后的类均值核矩阵的特征值和特征向量，抽取核主元成分，得到降维后的样本数据集Q，具体步骤如下：C1、求解特征方程得到中心化处理后的类均值核矩阵的非零特征值λ1≥λ2≥…≥λm(m≤N-1)及相应的特征矢量α1,α2,…,αm；C2、将特征向量αk归一化，记为C3、计算数据集O的类均值核主元特征矢量H及降维后的样本数据集Q：H＝(h1(x)，h2(x)，…hm(x))T其中，则Q＝H*Om，其中，Om为非零特征值λi对应的O中各列组成的新数据集；D、初始化神经网络，将降维后的样本数据集Q作为神经网络的输入，将数据集O的标签进行编码，作为神经网络的输出；用样本数据集Q对神经网络进行训练；E、将待检测的设备运行数据按照步骤B和步骤C的方法进行处理，得到新数据集R，将数据集R输入训练好的神经网络进行故障识别。本专利技术将类均值核主元分析与BP神经网络相结合，不对被检测系统发出任何指令，只使用被检测系统的运行数据就能够实现对各种生产系统的故障诊断。本方法计算复杂低，具有诊断速度快、准确性高、泛化性好等特点。附图说明下面结合附图对本专利技术作进一步详述。图1是本专利技术一个实施例中神经网络的训练结果(图中横轴表示训练循环次数，纵轴表示误差，三条曲线分别代表训练误差、测试误差以及目标值)；图2是本专利技术故障诊断的原理框图。文中各符号分别表示为：O为有故障类标签的数据集，为对数据x进行标准化处理所得到的无量纲化数据，为样本数据的均值，σ为样本数据的标准差，K(x，y)为类均值核主元分析法的核函数，x,y均为数据集变量，xij为标准化后数据集第i行第j列所对应的数值，D为类均值核矩阵，为对D进行中心化处理后的类均值核矩阵，Q为降维后的样本数据集，H是数据集O的类均值核主元特征矢量，Om为非零特征值λi对应的O中各列组成的新数据集。具体实施方式本专利技术采用多元统计的降维和数据处理的能力以及神经网络的智能化应用，一方面能高效地处理数据，提取故障特征，另一方面能准确地识别故障类型，在故障诊断和故障识别上达到优化。本专利技术采用类均值核主元分析来处理数据，通过BP神经网络来识别系统状态以及故障类型。类均值核主元分析中的主元分析是把相关变量数据转换成部分无关变量数据的分析方法。但是，它不能解决非线性问题。因此，Scholkopf等人提出了改进的主元分析方法。该方法不仅能处理非线性数据，而且其计算复杂度由输入数据空间的维数决定。然而，本方法存在损失部分数据样本信息的缺点。因而，针对这一问题，本专利技术采用类均值核主元分析的方法，通过吸收类均值矢量的分类信息来构建类均值核主元，可以实现数据的无损失降维。人工神经网络具有较强的非线性映射能力、学习能力和容错能力。通过神经网络的构建、训练、分类来完成故障诊断。它可以与多种算法结合来提高故障诊断的正确率。MuhammetUnal等人采用遗传算法优化神经网络的拓扑结构，以滚动轴承的故障诊断为例，验证了故障诊断方案的可行性。本专利技术利用类均值核主元分析法能无损降维以及提取特征信息的特点，降低数据处理复杂度的同时得到有效的表征信息，并且将之用于训练神经网络，相比于直接用原始数据，能减少网络的复杂度，提本文档来自技高网...

【技术保护点】
1.一种基于类均值核主元分析和BP神经网络的故障诊断方法，其特征是，所述方法首先根据故障类型对设备运行的历史数据进行分类，得到有故障类标签的数据集；然后对数据集进行标准化处理，计算其类均值核矩阵，进行中心化；再计算中心化后的类均值核矩阵的特征值和特征向量，抽取核主元成分，得到降维后的样本数据集；用样本数据集对神经网络进行训练；最后用训练好的神经网络对设备进行故障识别。

【技术特征摘要】
1.一种基于类均值核主元分析和BP神经网络的故障诊断方法，其特征是，所述方法首先根据故障类型对设备运行的历史数据进行分类，得到有故障类标签的数据集；然后对数据集进行标准化处理，计算其类均值核矩阵，进行中心化；再计算中心化后的类均值核矩阵的特征值和特征向量，抽取核主元成分，得到降维后的样本数据集；用样本数据集对神经网络进行训练；最后用训练好的神经网络对设备进行故障识别。2.根据权利要求1所述的一种基于类均值核主元分析和BP神经网络的故障诊断方法，其特征是，所述方法包括以下步骤：A、根据故障类型对设备运行的历史数据进行分类，得到有故障类标签的数据集O；B、对数据集O进行标准化处理，使之无量纲化，然后计算数据集O的类均值核矩阵，并进行中心化，具体步骤如下：B1、对数据集O中的数据x进行标准化处理，得到其无量纲化数据其中，为样本数据的均值，σ为样本数据的标准差；B2、选取核函数：选用RBF核函数作为类均值核主元分析法的核函数，表达式为：其中，x,y为数据集变量；B3、计算类...

【专利技术属性】
技术研发人员：蒋雄杰，黄启东，王印松，孙天舒，高建强，刘卫亮，
申请(专利权)人：浙江浙能嘉华发电有限公司，华北电力大学保定，
类型：发明
国别省市：浙江,33