一种基于PCA-Kmeans算法的冷轧带钢故障诊断优化方法技术

一种基于PCA‑Kmeans算法的冷轧带钢故障诊断优化方法，提出一种PCA降维算法结合K‑means聚类算法来优化数学模型，利用PCA算法优化巴克豪森信号特征数据，然后结合K‑means无监督学习算法处理优化后的低维数据，完成对冷轧带钢故障的预测诊断。其数学模型通过PCA得到优化，预测精度能够达到95％以上。

An optimization method for fault diagnosis of cold strip based on PCA-Kmeans algorithm

【技术实现步骤摘要】
一种基于PCA-Kmeans算法的冷轧带钢故障诊断优化方法
本专利技术涉及改进聚类算法，利用PCA优化后的数据特征建立预测模型，完成冷轧带钢故障诊断预测，特别是涉及一种基于PCA-Kmeans算法的冷轧带钢故障诊断优化方法。
技术介绍
随着我国工业的不断强大，铁路运输、航空航天、船舶、汽车、能源、建筑等产业得到了快速的发展，铁磁性材料是种功用性材料，在工业领域中其已成为关键性的工业原料。钢铁等铁磁性材料是使用最为广泛的材料之一，成为了工业繁荣、经济建设的重要基础。因此严格把控钢铁等铁磁性材料的质量成为了重要的任务，对于检测冷轧带钢等铁磁性材料有着广阔的应用前景。传统的检测方法具有破坏性并且检测准确度不够高，本专利技术采用巴克豪森法无损检测方法检测冷轧带钢是否存在故障，巴克豪森法属于无损检测方法，该方法不需要破坏材料本身就能准确的检测出带钢是否存在缺陷故障。通过分析巴克豪森信号的特性，提取出巴克豪森信号的特征，建立特征数据库，利用聚类等数学模型即可实现对冷轧带钢的故障检测。巴克豪森信号特征较多，较多的特征虽然拥有抗干扰能力和丰富的信息，包含着多重的特征信息，但是高维度特征向量的问题往往容易陷入维度灾难。随着数据集维度的增加，算法学习需要的样本数量呈指数级增加，这样对数据建模是非常不利的。另外，随着维度的增加，数据的稀疏性会越来越高。在高维向量空间中探索同样的数据集比在同样稀疏的数据集中探索更加困难。多维度特征数据无疑会为冷轧带钢故障预测诊断模型提供丰富的信息，但是也在一定程度上影响了数据处理和模型预测准确性。如果分别对每个指标进行分析，分析往往是孤立的，不能完全利用数据中的信息，因此盲目减少指标会损失很多有用的信息，从而产生错误的结论。PCA降维算法可以将具有相关性的原始高维度数据进行线性无关的映射至低维空间，从而实现在尽可能保留数据信息的情况下降维数据，接着使用K-means聚类算法，通过无监督学习的方式来完成冷轧带钢故障的预测诊断。
技术实现思路
为了解决以上问题，本专利技术的技术方案为一种基于PCA-Kmeans算法的冷轧带钢故障诊断优化方法，通过将巴克豪森信号进行特征提取，然后利用PCA(PrincipalComponentAnalysis)降维算法优化数据，将信号特征压缩降维至二维。K-means聚类算法对于处理二维或者三维数据效果较佳，将优化后的数据送入K-means算法模型中，通过无监督学习来完成冷轧带钢的故障诊断。本专利技术的PCA-Kmeans算法模型优化了故障诊断模型，提高模型鲁棒性和预测准确性，为达此目的，本专利技术提供一种基于PCA-Kmeans算法的冷轧带钢故障诊断优化方法，其特征在于，包括如下步骤：步骤1：首先对传感器采集到的巴克豪森信号进行特征提取，选取常用特征均方根、均值、峰值、峰值时间、半高宽、振岭数六个时域特征和功率谱一个频域特征；步骤2：将获取的数据进行转化整合，巴克豪森信号特征多且数据结构复杂，在进行数据处理之前需要先进行数据的转化整合处理，将数据进行归一化处理，让每个特征处于0到1区间范围内；步骤3：建立特征数据库，每个样本有7类特征；步骤4：将数据库中的原始数据划分一部分数据为测试数据，用于测试优化算法后的模型有效性，剩余的数据作为建立模型的训练数据；步骤5：采用PCA降维算法将原始七维特征降到二维特征数据，在贡献率保证的情况下完成数据聚类之前的预处理；步骤6：构建K-means非监督学习算法，输入为经过PCA优化之后的特征数据，输出为两类结果，即有故障的冷轧带钢和无故障的冷轧带钢，并且设置初始的K-means中距离测度、初始质心位置、聚类重复次数相关参数；所述K-means核心算法公式如下：其中SSE参数计算的内容为当前迭代得到的中心位置到各自中心点簇的欧式距离总和，这个值越小表示当前的分类效果越好，p表示点位置(x,y)，mi为中心点的位置；步骤7：通过不断调整K-means参数达到最佳的分类效果，最后参数设置定为距离测度参数为sqEuclidean，初始质心位置参数为sample，聚类重复相应次数；步骤8：利用测试数据测试算法模型的有效性能。作为本专利技术进一步改进，所述步骤3中7类特征分别包括均方根、均值、峰值、峰值时间、半高宽、振岭数和功率谱。作为本专利技术进一步改进，步骤7聚类重复次数为5。本专利技术一种基于PCA-Kmeans算法的冷轧带钢故障诊断优化方法，有如下有益效果：1、本专利技术提出的基于PCA算法可以很好的优化数据特征，在保证数据信息量和稳定性的同时有效的压缩了数据维度，降低了数据的存贮和运算需求，避免了维度灾难。尽可能完备相关且低维度的数据有利于后续聚类算法的处理。2、本专利技术采用的K-means聚类算法属于非监督学习，可以在节约人力、物力、财力的情况下自动的完成数据模型的建立。3、该方法基于PCA-Kmeans算法使得预测模型性能更加优越，预测冷轧带钢故障准确度较高，能够达到95％以上，并且相比于传统预测方法，优化后的大数据预测模型鲁棒性更好、速度更快。4、该方法属于无损检测方法，相比于传统的检测方法更的科学环保并且精度较高。附图说明图1是本专利技术中创建的K-means算法原理流程；图2是冷轧带钢故障诊断预测聚类效果图；图3是本专利技术PCA-Kmeans整体算法原理流程图。具体实施方式下面结合附图与具体实施方式对本专利技术作进一步详细描述：本专利技术的技术方案为一种基于PCA-Kmeans算法的冷轧带钢故障诊断优化方法，通过将巴克豪森信号进行特征提取，然后利用PCA(PrincipalComponentAnalysis)降维算法优化数据，将信号特征压缩降维至二维。K-means聚类算法对于处理二维或者三维数据效果较佳，将优化后的数据送入K-means算法模型中，通过无监督学习来完成冷轧带钢的故障诊断。本专利技术的PCA-Kmeans算法模型优化了故障诊断模型，提高模型鲁棒性和预测准确性。本申请首先利用巴克豪森电磁传感器检测冷轧带钢，从中获取巴克豪森原始信号。然后依次从巴克豪森信号中提取出特征，包括均方根、均值、峰值、峰值时间、半高宽、振岭数六个时域特征和功率谱一个频域特征。由于每个特征指标的数值分布不同，并且巴克豪森信号特征多且数据结构复杂，在进行数据处理之前需要先进行数据的转化整合处理，归一化处理数据，这样使得处理后的数据更加有利于处理计算，并且不容易产生不稳定的干扰影响，提高了数据的鲁棒性，减少了计算的复杂性。对整合转化后的数据建立数据集，其中选取一部分数据作为测试样本数据，剩余的数据均送入后续的算法流程中进行处理。巴克豪森信号特征虽然信息量丰富且鲁棒性强，但是由于数据量巨大、维度较高，这样会导致维度灾难，并且维度的增加，数据的稀疏性会越来越高。在一定程度上影响了数据处理和模型预测准确性。利用PCA降维算法可以将具有相关性的原始高维度数据进行线性无关本文档来自技高网...

【技术保护点】
1.一种基于PCA-Kmeans算法的冷轧带钢故障诊断优化方法，其特征在于，包括如下步骤：/n步骤1：首先对传感器采集到的巴克豪森信号进行特征提取，选取常用特征均方根、均值、峰值、峰值时间、半高宽、振岭数六个时域特征和功率谱一个频域特征；/n步骤2：将获取的数据进行转化整合，巴克豪森信号特征多且数据结构复杂，在进行数据处理之前需要先进行数据的转化整合处理，将数据进行归一化处理，让每个特征处于0到1区间范围内；/n步骤3：建立特征数据库，每个样本有7类特征；/n步骤4：将数据库中的原始数据划分一部分数据为测试数据，用于测试优化算法后的模型有效性，剩余的数据作为建立模型的训练数据；/n步骤5：采用PCA降维算法将原始七维特征降到二维特征数据，在贡献率保证的情况下完成数据聚类之前的预处理；/n步骤6：构建K-means非监督学习算法，输入为经过PCA优化之后的特征数据，输出为两类结果，即有故障的冷轧带钢和无故障的冷轧带钢，并且设置初始的K-means中距离测度、初始质心位置、聚类重复次数相关参数；/n所述K-means核心算法公式如下：/n

【技术特征摘要】
1.一种基于PCA-Kmeans算法的冷轧带钢故障诊断优化方法，其特征在于，包括如下步骤：
步骤1：首先对传感器采集到的巴克豪森信号进行特征提取，选取常用特征均方根、均值、峰值、峰值时间、半高宽、振岭数六个时域特征和功率谱一个频域特征；
步骤2：将获取的数据进行转化整合，巴克豪森信号特征多且数据结构复杂，在进行数据处理之前需要先进行数据的转化整合处理，将数据进行归一化处理，让每个特征处于0到1区间范围内；
步骤3：建立特征数据库，每个样本有7类特征；
步骤4：将数据库中的原始数据划分一部分数据为测试数据，用于测试优化算法后的模型有效性，剩余的数据作为建立模型的训练数据；
步骤5：采用PCA降维算法将原始七维特征降到二维特征数据，在贡献率保证的情况下完成数据聚类之前的预处理；
步骤6：构建K-means非监督学习算法，输入为经过PCA优化之后的特征数据，输出为两类结果，即有故障的冷轧带钢和无故障的冷轧带钢，并且设置初始...

【专利技术属性】
技术研发人员：王庆燕，周志云，王昊宇，
申请(专利权)人：金陵科技学院，
类型：发明
国别省市：江苏;32