基于图正则化半监督字典学习的工业信号故障识别方法技术

本公开实施例中提供了一种基于图正则化半监督字典学习的工业信号故障识别方法，属于数据识别技术领域，具体包括：采集目标设备的工业信号数据；将有标签数据和无标签数据作为训练数据集并输入基于图正则半监督字典学习模型，得到训练集稀疏编码、置信度矩阵以及结构字典；将测试集信号和结构字典带入分类模型，得到测试集信号的测试集稀疏编码；计算测试集信号的重构误差，并根据重构误差识别测试集信号的故障类别。通过本公开的方案，将字典学习与半监督学习以及流行学习结合，既能保存数据的流形结构，又能学习无标签数据的特征，以此增强模型学习的判别性及可靠性，提高了识别的效率、精准度和适应性。精准度和适应性。精准度和适应性。

【技术实现步骤摘要】
基于图正则化半监督字典学习的工业信号故障识别方法


[0001]本公开实施例涉及数据识别
，尤其涉及一种基于图正则化半监督字典学习的工业信号故障识别方法。

技术介绍

[0002]目前，工业环境的生产过程及现场设备的运行状态良好与否将直接影响生产过程的可靠性和设备使用寿命，准确地判断出设备及生产过程的运行状态将在很大程度上避免事故发生，因此，对工业信号分析进行故障诊断具有重要意义。现有的工业过程故障诊断方法主要包含基于机理模型的故障诊断方法、基于数据驱动的故障诊断方法。基于机理模型的故障诊断方法过于依赖工业背景知识，模型可靠性低，因而泛化能力不强。随着计算机技术以及物联网技术的快速发展，基于数据驱动的方法在设备故障诊断领域取得了较大进展，基于数据驱动的方法一般利用传感器采集的现场信号，采用深度学习以及机器学习方法对信号进行分析，学习信号的内部特征，最后识别出故障的类别。但是深度学习方法存在训练时间过长，对计算机要求较高，学习过程运算量大，耗时长，难应用与工业现场等问题。字典学习方法不受上述问题约束，模型精度高，可靠性好，广泛应用于故障诊断领域。然而现场工业环境采集的信号很多没有标签，而传统字典学习方法大部分集中于研究全监督式的故障诊断，这种方法过于依赖标签数据。针对该问题就需要一种有效的方法在有标签数据少的情况下也能取得较好的诊断效果。字典学习的学习过程是在约束条件下，尽量满足重构误差最小化，再利用相应求解算法求解得到字典和稀疏编码。然而现有的字典学习算法较好的利用了数据有标签特点，因而模型可以取得理想的效果。但是这样的模型普遍存在的问题是：1、过于依赖大量有标签数据，2、只学习数据本身的数据特征未学习数据的内部结构特征。
[0003]可见，亟需一种高效精准和适应性强的基于图正则化半监督字典学习的工业信号故障识别方法。

技术实现思路

[0004]有鉴于此，本公开实施例提供一种基于图正则化半监督字典学习的工业信号故障识别方法，至少部分解决现有技术中存在识别效率、识别精准度和适应性较差的问题。
[0005]本公开实施例提供了一种基于图正则化半监督字典学习的工业信号故障识别方法，包括：
[0006]采集目标设备的工业信号数据，其中，所述工业信号数据包括有标签数据和无标签数据；
[0007]将所述有标签数据和所述无标签数据作为训练数据集并输入基于图正则半监督字典学习模型，得到训练集稀疏编码、置信度矩阵以及结构字典，其中，所述训练集稀疏编码包括所述有标签数据对应的有标签稀疏编码和所述无标签数据对应的无标签稀疏编码；
[0008]采集所述目标设备的测试集信号，并将所述测试集信号和所述结构字典带入分类
模型，得到所述测试集信号的测试集稀疏编码；
[0009]根据所述测试集稀疏编码计算所述测试集信号的重构误差，并根据所述重构误差识别所述测试集信号的故障类别。
[0010]根据本公开实施例的一种具体实现方式，所述将所述有标签数据和所述无标签数据作为训练数据集并输入基于图正则半监督字典学习模型，得到训练集稀疏编码、置信度矩阵以及结构字典的步骤，包括：
[0011]保存所述有标签数据的流型结构并将其简化为图正则化的有标签稀疏编码；
[0012]利用K
‑
SVD算法初始化监督字典，再利用匹配追踪算法得到所述无标签数据对应的初始化稀疏编码；
[0013]利用所述无标签数据的重构误差得到所述置信度矩阵；
[0014]根据所述置信度矩阵更新扩展字典；
[0015]利用所述匹配追踪算法求解所述初始化稀疏编码得到所述无标签稀疏编码；
[0016]利用FISTA反向传播方法更新所述有标签稀疏编码；
[0017]利用Metaface方法更新监督字典；
[0018]根据更新后的扩展字典和更新后的监督字典形成所述结构字典。
[0019]根据本公开实施例的一种具体实现方式，所述保存所述有标签数据的流型结构并将其简化为图正则化的有标签稀疏编码的步骤，包括：
[0020]利用k近邻算法计算每个所述有标签数据的k个近邻点；
[0021]根据所述k个近邻点计算权重系数矩阵；
[0022]根据所述权重系数矩阵将全部所述有标签数据映射至低维空间，并通过拉普拉斯矩阵将其简化为图正则化的有标签稀疏编码。
[0023]根据本公开实施例的一种具体实现方式，所述利用所述无标签数据的重构误差得到所述置信度矩阵的步骤，包括：
[0024]计算每个所述无标签数据属于不同类的置信度值后得到所述置信度矩阵。
[0025]根据本公开实施例的一种具体实现方式，所述根据所述置信度矩阵更新扩展字典的步骤，包括：
[0026]根据所述置信度矩阵，利用奇异值分解更新所述扩展字典。
[0027]根据本公开实施例的一种具体实现方式，所述采集所述目标设备的测试集信号，并将所述测试集信号和所述结构字典带入分类模型，得到所述测试集信号的测试集稀疏编码的步骤，包括：
[0028]将所述测试集信号和所述结构字典带入所述分类模型，根据所述结构字典得到所述测试集信号对应的稀疏表示；
[0029]利用所述匹配追踪算法求解所述稀疏表示，得到所述测试集稀疏编码。
[0030]本公开实施例中的基于图正则化半监督字典学习的工业信号故障识别方案，包括：采集目标设备的工业信号数据，其中，所述工业信号数据包括有标签数据和无标签数据；将所述有标签数据和所述无标签数据作为训练数据集并输入基于图正则半监督字典学习模型，得到训练集稀疏编码、置信度矩阵以及结构字典，其中，所述训练集稀疏编码包括所述有标签数据对应的有标签稀疏编码和所述无标签数据对应的无标签稀疏编码；采集所述目标设备的测试集信号，并将所述测试集信号和所述结构字典带入分类模型，得到所述
测试集信号的测试集稀疏编码；根据所述测试集稀疏编码计算所述测试集信号的重构误差，并根据所述重构误差识别所述测试集信号的故障类别。
[0031]本公开实施例的有益效果为：通过本公开的方案，将字典学习与半监督学习结合，用以解决由于工业环境有标签数据较少导致模型学习效果不理想的问题，以及，将字典学习与图正则化结合，用以解决传统方法只考虑数据本身的数据域特征、却忽略了数据的内部几何结构特征的问题，以此来增强模型学习的判别性及可靠性，提高了识别的效率、精准度和适应性。
附图说明
[0032]为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0033]图1为本公开实施例提供的一种基于图正则化半监督字典学习的工业信号故障识别方法的流程示意图；
[0034]图2为本公开实施例提供的一种工业信号数据处理流程示意图；
[0035]图3为本公开实施例提供的一种工业信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图正则化半监督字典学习的工业信号故障识别方法，其特征在于，包括：采集目标设备的工业信号数据，其中，所述工业信号数据包括有标签数据和无标签数据；将所述有标签数据和所述无标签数据作为训练数据集并输入基于图正则半监督字典学习模型，得到训练集稀疏编码、置信度矩阵以及结构字典，其中，所述训练集稀疏编码包括所述有标签数据对应的有标签稀疏编码和所述无标签数据对应的无标签稀疏编码；采集所述目标设备的测试集信号，并将所述测试集信号和所述结构字典带入分类模型，得到所述测试集信号的测试集稀疏编码；根据所述测试集稀疏编码计算所述测试集信号的重构误差，并根据所述重构误差识别所述测试集信号的故障类别。2.根据权利要求1所述的方法，其特征在于,所述将所述有标签数据和所述无标签数据作为训练数据集并输入基于图正则半监督字典学习模型，得到训练集稀疏编码、置信度矩阵以及结构字典的步骤，包括：保存所述有标签数据的流型结构并将其简化为图正则化的有标签稀疏编码；利用K
‑
SVD算法初始化监督字典，再利用匹配追踪算法得到所述无标签数据对应的初始化稀疏编码；利用所述无标签数据的重构误差得到所述置信度矩阵；根据所述置信度矩阵更新扩展字典；利用所述匹配追踪算法求解所述初始化稀疏编码得到所述无标签稀疏编码；利用FIST...

【专利技术属性】
技术研发人员：陈晓方，周杰，谢世文，谢永芳，张红亮，
申请(专利权)人：中南大学，
类型：发明
国别省市：