基于张量化数据降维的工业设备故障检测分类方法技术

本发明专利技术提出了物联网领域内的一种基于张量化数据降维的工业设备故障检测分类方法，包括以下步骤：1）数据获取：采用各类型传感器进行数据采集，为预测提供数据来源，数据包括工业设备生产过程中的运行参数等结构化数据以及运作时的视频或图像等非结构化数据；2）数据预处理：对不同结构的数据进行融合，并对融合好的数据进行降维；3）数据分析：利用服务端的堆叠去噪自编码器，在经过大量数据进行训练后，得以根据生产过程周围传感器发送的数据对工业设备的生产状况进行健康检测，本发明专利技术提高了处理的效率，增加了检测结果的准确性。

Fault detection and classification method of industrial equipment based on dimension reduction of Zhang quantitative data

【技术实现步骤摘要】
基于张量化数据降维的工业设备故障检测分类方法
本专利技术涉及一种故障检测方法，具体的说是一种基于张量化数据降维的工业设备故障检测分类方法，属于物联网

技术介绍
工业物联网和数据驱动技术通过使计算机网络从连接的机器中收集大量数据并将大型机械数据转化为可操作的信息，从而彻底改变了制造业。作为现代制造系统的关键组成部分，机器健康监测已经完全接受了大数据革命。与传统的基于物理的模型提供的自上而下建模相比，数据驱动的机器健康监测系统提供了一种自下而上的解决方案范例，用于在发生某些故障(诊断)和预测未来的工作条件和剩余使用寿命。为了从大数据中提取有用的知识并做出适当的决策，机器学习技术被认为是一种强大的解决方案。作为机器学习最热门的子领域，深度学习能够成为连接大机械数据和智能机器健康监测的桥梁。作为机器学习的一个分支，深度学习尝试对数据背后的分层表示进行建模，并通过在分层体系结构中堆叠多层信息处理模块来对模式进行分类(预测)。最近，深度学习已成功应用于各个领域，如计算机视觉，自动语音识别，自然语言处理，音频识别和生物信息学。在机器健康监测系统方面，深度学习技术也具有良好的应用前景，基于自编码器或RBM的深度神经网络的逐层预训练可以促进神经网络的训练并提高其辨别能力以表征机械数据。卷积神经网络和循环神经网络可以提供更先进和复杂的组合机制，以学习机械数据的表示。与传统的数据驱动健康检测系统相比，基于深度学习的健康检测系统不需要广泛的人工和手工制作的特征设计知识。可以联合训练包括特征模块和模式分类/回归模块的所有模型参数。但是，随着数据量的日渐庞大，一方面，神经网络需要处理的数据种类已经从以往单一的结构化数据延伸至半结构化和非结构化数据，甚至，神经网络可能将同时处理多种结构类型的数据，另一方面，由于数据种类的增加，神经网络的输入维度总是超过百，甚至一千，可能的高维度将会导致一些潜在的问题，例如由于巨大的模型参数导致的大量计算成本和过度拟合，因此，如何对数据进行预处理也成为了大数据技术在今后研究的一大方向。文献《工业设备的健康状态的评估方法、系统、设备和存储介质》(申请号201910376003.8)它提供了一种工业设备的健康状态的评估方法、系统、设备和存储介质，所述评估方法包括：获取工业设备中的传感器在历史设定时间段内采集的历史运行参数数据和操作对应的历史操作代码数据；建立参数预测模型；根据参数预测模型获取目标传感器对应的参数预测值；根据目标运行参数数据和参数预测值，评估工业设备在目标设定时间段内的健康状态。该文献利用历史数据和机器学习方法建立预测模型，将实际传感器参数与预测值进行比较，进而判断目标工业设备的健康状况。方案立足于实际，简单实用。该方案的不足之处是，仅仅收集连续型或离散型的结构化数据作为设备健康状态的评估依据，可靠性不高。由于数据的单一性，上述方案中的预测模型仅仅使用线性回归算法预测目标参数数据，预测方法过于简单。在评估健康状态方面，通过比较预测值和实际值，根据两者的残差是否超过一定的阈值只能得到该工业设备健康与否，并不能准确地判断出该工业设备的健康程度，即不能细化判断工业设备的健康状况。
技术实现思路
本专利技术的目的是提供一种基于张量化数据降维的工业设备故障检测分类方法，提高了处理的效率，增加了检测结果的准确性。本专利技术的目的是这样实现的：一种基于张量化数据降维的工业设备故障检测分类方法，包括以下步骤：1)数据获取：采用各类型传感器进行数据采集，为预测提供数据来源，数据包括工业设备生产过程中的运行参数等结构化数据以及运作时的视频或图像等非结构化数据；2)数据预处理：对不同结构的数据进行融合，并对融合好的数据进行降维；3)数据分析：利用服务端的堆叠去噪自编码器，在经过大量数据进行训练后，得以根据生产过程周围传感器发送的数据对工业设备的生产状况进行健康检测。作为本专利技术的进一步限定，步骤2)数据预处理中数据融合过程包括：首先将工业大数据进行张量化统一表示，针对不同的结构化、半结构化和非结构化数据都有不同的张量化表示方法；再利用张量扩展算子将不同阶的张量化数据进行融合，一般先融合同类型结构数据，再对不同结构数据进行融合。作为本专利技术的进一步限定，步骤2)数据预处理中数据降维过程采用增量式降维算法，具体包括：2-1)递归矩阵奇异值分解，递归公式如下在式中，mix(*)函数为在第2部分进行说明，用于合并增量矩阵与分解结果，递归过程中，函数f(*)不断调用自身的操作对矩阵Mi和Ci进行分解，每一次的函数调用都向最终的奇异值分解逼近一步，最终求得矩阵M1；2-2)合并增量矩阵与分解结果，具体描述如下：矩阵Mi和矩阵Ci的分解结果与矩阵Mi-1和矩阵Ci-1进行合并，作为新的输入原始矩阵和增量矩阵，然后对增量矩阵Ci-1进行投影，将矩阵Ci-1投影到正交空间Ui上，可以通过正交关系，通过计算求得Ui的正交矩阵H，并获得H的单位正交基J，将Ui和J组合成一个新的矩阵，通过对新矩阵的高阶奇异值分解，得到更新后的左酉矩阵U，半正定对角矩阵Σ，以及右酉矩阵V，完成将新增矩阵与原始矩阵结合，然后完成动态更新分解；2-3)增量张量奇异值分解，切割高阶张量，划分为增量张量原始张量首先将增量张量和原始张量扩展到相同的维度，不同维度的张量在展开时得到的按模展开矩阵维度会不同，一方面对张量X按模展开，对张量T进行更新，得到核心张量S，另一方面，对原始张量T进行分解得到其核心张量和左酉矩阵U1,U2…Ui，将S与U1,U2…Ui进行合并，得到新的近似张量实现对原张量的降维处理。作为本专利技术的进一步限定，步骤3)具体包括：3-1)选择合适的去噪自编码器：此堆叠去噪自编码器有3个隐藏层，每一层的输出作为下一层的输入，另一方面，也可以把它看作由3个自编码器组成，其中第一层(输入层)和第二层组成第一个自编码器，第二层与第三层组成第二个自编码器，第三层与第四层组成第三个编码器；3-2)给出此自编码器的编码函数和重建函数：假设堆叠自编码器共有l层，则ω(k,l)和b(k,l)分别表示第k个自编码器的权重和偏置参数，每层的编码过程设置如下：其中a(k+1)和x(k)分别表示编码器的输出和输入，f(*)表示从一层到另一层的具有对数似然函数的S形变换；重建过程表示如下：z＝gθ′(a)＝s(ωTa+bT),θ′＝{ωT,vT}其中z和a分别表示输出和前一隐藏层的输出，θ表示连接参数；函数s(*)表示重建函数，旨在式输出z等于输入数据；3-3)为自编码器增加稀疏性；设aj和m分别表示隐藏单元的激活和输入节点的数量，其中输出为1表示激活，输出为0表示被抑制，则编码器中的平均激活ρj表示为3-4)该自编码器的成本函数表示如下：假设一个训练集有m个输入样本，则具有n个层的去噪自编码器的总体成本函数被设置为：上式中，C(ω,b；x(本文档来自技高网...

【技术保护点】
1.一种基于张量化数据降维的工业设备故障检测分类方法，其特征在于，包括以下步骤：/n1)数据获取：采用各类型传感器进行数据采集，为预测提供数据来源，数据包括工业设备生产过程中的运行参数等结构化数据以及运作时的视频或图像等非结构化数据；/n2)数据预处理：对不同结构的数据进行融合，并对融合好的数据进行降维；/n3)数据分析：利用服务端的堆叠去噪自编码器，在经过大量数据进行训练后，得以根据生产过程周围传感器发送的数据对工业设备的生产状况进行健康检测。/n

【技术特征摘要】
1.一种基于张量化数据降维的工业设备故障检测分类方法，其特征在于，包括以下步骤：
1)数据获取：采用各类型传感器进行数据采集，为预测提供数据来源，数据包括工业设备生产过程中的运行参数等结构化数据以及运作时的视频或图像等非结构化数据；
2)数据预处理：对不同结构的数据进行融合，并对融合好的数据进行降维；
3)数据分析：利用服务端的堆叠去噪自编码器，在经过大量数据进行训练后，得以根据生产过程周围传感器发送的数据对工业设备的生产状况进行健康检测。


2.根据权利要求1所述的基于张量化数据降维的工业设备故障检测分类方法，其特征在于，步骤2)数据预处理中数据融合过程包括：首先将工业大数据进行张量化统一表示，针对不同的结构化、半结构化和非结构化数据都有不同的张量化表示方法；再利用张量扩展算子将不同阶的张量化数据进行融合，一般先融合同类型结构数据，再对不同结构数据进行融合。


3.根据权利要求2所述的基于张量化数据降维的工业设备故障检测分类方法，其特征在于，步骤2)数据预处理中数据降维过程采用增量式降维算法，具体包括：
2-1)递归矩阵奇异值分解，递归公式如下



在式中，mix(*)函数为在第2部分进行说明，用于合并增量矩阵与分解结果，递归过程中，函数f(*)不断调用自身的操作对矩阵Mi和Ci进行分解，每一次的函数调用都向最终的奇异值分解逼近一步，最终求得矩阵M1；
2-2)合并增量矩阵与分解结果，具体描述如下：矩阵Mi和矩阵Ci的分解结果与矩阵Mi-1和矩阵Ci-1进行合并，作为新的输入原始矩阵和增量矩阵，然后对增量矩阵Ci-1进行投影，将矩阵Ci-1投影到正交空间Ui上，可以通过正交关系，通过计算求得Ui的正交矩阵H，并获得H的单位正交基J，将Ui和J组合成一个新的矩阵，通过对新矩阵的高阶奇异值分解，得到更新后的左酉矩阵U，半正定对角矩阵Σ，以及右酉矩阵V，完成将新增矩阵与原始矩阵结合，然后完成动态更新分解；
2-3)增量张量奇异值分解，切割高阶张量，划分为增量张量原始张量首先将增量张量和原始张量扩展到相同的维度，不同维度的张量在展开时得到的按模展开...

【专利技术属性】
技术研发人员：孙雁飞，朱行健，亓晋，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32