基于因果推断的工业数据特征降维方法技术

本发明专利技术提供一种基于因果推断的工业数据特征降维方法，包括步骤：S1：获取工业系统监测数据集；S2：进行数据预处理操作；S3：使用PCMCI+因果关系推断方法，获得监测变量间的因果关系；S4：将因果关系转化为因果关系矩阵；S5：利用主成分分析对因果关系矩阵进行降维，提取因果关系矩阵中的关键信息；S6：将工业系统监测数据集与特征向量矩阵相乘，构建数据集X2；S7：利用自编码器将经过数据降维后的数据集X2进行故障检测。本发明专利技术的一种基于因果推断的工业数据特征降维方法，以便挖掘工业监测变量间的本质关系，提取出能够反映系统实际运行状态的信息，滤除无用的噪声，进而提高工业系统故障诊断的准确率并减小计算成本。诊断的准确率并减小计算成本。诊断的准确率并减小计算成本。

【技术实现步骤摘要】
基于因果推断的工业数据特征降维方法


[0001]本专利技术涉及特征降维方法
，尤其涉及一种基于因果推断的工业数据特征降维方法。

技术介绍

[0002]故障检测是指利用设备模型或设备监测数据，对工业设备的健康状态进行评估，判断设备是否发生故障，以便进行及时的维护措施，避免因设备故障导致生产安全事故。故障检测技术对于降低生产成本以及保障生产过程安全具有重要意义。故障检测方法主要包括基于模型的方法和数据驱动的方法。随着现代工业生产流程的复杂化，构建精确的工业系统模型变得愈加困难。而随着智能传感器、工业物联网和数据存储技术的发展，制造企业可以从工业设备中获取大量的监测数据并将数据用于设备故障检测。同时，计算机运算速度的提升与机器学习算法的发展又简化了检测数据应用于故障检测的流程。因此，数据驱动的工业设备故障诊断成为了热门的研究课题。
[0003]然而，大量的监测数据也会带来计算量大、数据冗余、噪声污染等问题。随着工业监测数据维数的增大，故障监测计算负担呈指数级增长。原始数据中的噪声也会影响故障检测的准确率。因此，在故障检测前需要对原始工业本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于因果推断的工业数据特征降维方法，包括步骤：S1：获取工业系统监测数据集X；S2：对获取的所述工业系统监测数据集X进行数据预处理操作；S3：使用PCMCI+因果关系推断方法，获得监测变量间的因果关系；S4：将所述因果关系转化为因果关系矩阵；S5：利用主成分分析对所述因果关系矩阵进行降维，提取所述因果关系矩阵中的关键信息，构成一特征向量矩阵V2；S6：将所述工业系统监测数据集X与所述特征向量矩阵V2相乘，构建包含k个变量的数据集X2，X2＝XV2；S7：利用自编码器将经过数据降维后的所述数据集X2进行故障检测。2.根据权利要求1所述的基于因果推断的工业数据特征降维方法，其特征在于，所述S1步骤中，所述工业系统监测数据集X的表达式为：其中，m表示数据中变量的数量，n表示每个变量的数据点数量，数据点x
ij
表示第i个变量在第j时刻的监测值；其中i＝1，2，
…
，n，j＝1，2，
…
，m；数据集分为工业系统正常运行状态下收集的数据和发生故障时收集的数据。3.根据权利要求2所述的基于因果推断的工业数据特征降维方法，其特征在于，所述S2步骤进一步包括步骤：S21：对所述工业系统监测数据集X进行缺失值补全操作；S22：对所述工业系统监测数据集X进行线性归一化处理。4.根据权利要求3所述的基于因果推断的工业数据特征降维方法，其特征在于，所述S3步骤中：因果关系的表达式为(x
(t
‑
τ)i
，x
tj
)；其中原因为x
(t
‑
τ)i
，结果为x
tj
，因果关系的方向由x
(t
‑
τ)i
指向x
tj
；因果关系具体包括因果关系的对象变量、方向、因果关系强度S(x<...

【专利技术属性】
技术研发人员：许佳，李莉，李一鸣，
申请(专利权)人：同济大学，
类型：发明
国别省市：