一种重型装备数据预处理的故障诊断方法技术

一种重型装备数据预处理的故障诊断方法，属于重型装备控制技术领域，包括如下步骤：步骤

【技术实现步骤摘要】
一种重型装备数据预处理的故障诊断方法


[0001]本专利技术属于重型装备控制
，尤其涉及一种重型装备数据预处理的故障诊断方法
。

技术介绍

[0002]重型装备的工作状态直接影响着整个矿山磨矿系统运行的状态
。
重型装备控制具有流程响应大滞后性
、
控制系统大惯性
、
多变量强耦合性
、
工作机理复杂等特点
。
所以重型装备检测数据呈现多维且高耦合的特点
。
多维体现在重型装备工况复杂，需传感器监测的部位多，所以其检测数据维数较高，随着检测数据维度的增大，检测数据在空间中的分布也变得稀疏，如果不对其进行处理，将会产生“维数灾难”。
耦合性强体现在重型装备所产生的数据分布呈现出“强耦合性与强分散性”的特点，即检测温度数据强耦合性，而流量
、
压力
、
电流
、
振动等数据又呈现强分散性，强耦合与强分散数据同时出现，这也加大了故障诊断的难度
。
由于重型装备工业数据维度高，直接进行故障诊断，导致诊断时间长，且容易陷入“维度灾难”。
由于重型装备工业数据相关性强，数据间具有较强的耦合性，直接进行故障诊断导致故障诊断准确率低
。
因此，如何针对重型装备工业数据进行正确处理，保证数据的完整结构，成为了重型装备故障诊断一大难点
。

技术实现思路

[0003]鉴于现有技术的上述缺点
、
不足，本专利技术提供一种重型装备数据预处理的故障诊断方法，解决重型装备数据维度高耦合性强导致诊断准确率低的问题
。
[0004]为了达到上述目的，本专利技术采用的主要技术方案包括：
[0005]一种重型装备数据预处理的故障诊断方法，包括如下步骤：
[0006]步骤
S01
：获取重型装备故障诊断数据集；
[0007]步骤
S02
：将采集好的重型装备故障诊断数据集进行数据清洗，检查数据异常值和缺失值，缺失数据通过取近十组数据信息的平均值进行填补，异常值直接删除异常数据，将清洗好的数据通过
MS
‑
UMAP
降维，将降维后的数据用于
DNN
模型的输入；
[0008]步骤
S03
：将降维后的重型装备故障诊断数据集分为训练集和测试集，通过训练集采用贝叶斯优化算法对全连接神经网络的超参数优化求解，获取最优故障诊断模型；
[0009]步骤
S04
：设置
DNN
模型的激活函数，根据贝叶斯优化之后的最优超参数组合构建
DNN
模型，通过测试集对训练好的最优
DNN
故障诊断模型进行故障诊断测试
。
[0010]进一步地，所述步骤
S01
中，通过
PLC
在现场获取重型装备故障诊断数据集
。
[0011]进一步地所述步骤
S02
中，所述
MS
‑
UMAP
降维具体步骤如下：
[0012]采用改进的
UMAP
算法，获得改进后的原始数据空间的方向相似性度量，构建原始高维空间度量，改进的
UMAP
算法公式如下：
[0013][0014]式中
p
j|i
表示数据点
x
i
和
x
j
相关性的概率，
d1(x
i
,x
j
)
表示为
x
i
和
x
j
之间的马氏距离，
x
i
，
x
j
表示第
i
个和第
j
个样本数据，
ρ
i
是
x
i
到最近邻的距离，
σ
i
是尺度参数；
[0015]采用公式
(8)
构建低维嵌入空间：
[0016][0017]式中：
q
ij
为嵌入空间中点
y
i
和
y
j
之间的相似性的对称度量，变量
a
和
b
是超参数；
[0018]利用公式
(9)
将公式
(6)
和
(8)
的两个空间联系起来，使二者差距缩到最小，即两个空间最相似，完成降维；
[0019][0020]式
(9)
中
C1(p
ji
,q
ji
)
表示
p
ij
和
q
ij
的交叉熵损失函数，
p
ij
表示输入空间中的点
x
i
和
x
j
之间的相似性的对称度量，
q
ij
嵌入空间中点
y
i
和
y
j
之间的相似性的对称度量
。
[0021]进一步地，所述步骤
S03
具体步骤如下：
[0022]将降维后的重型装备数据的
70
％作为训练集，把
DNN
超参数的寻优视作黑盒模型问题，如下式表示：
[0023][0024]其中为
DNN
模型最优超参数组合，
X
为由超参数定义的搜索空间，
f
DNN
(
·
)
为
DNN
模型；
[0025]选择高斯过程作为贝叶斯优化的代理模型
[0026][0027]式中
m(x)
为均值函数，
k(X,X
′
)
为协方差函数，为噪声项，根据采样函数
EI
函数得到模型的后验分布：
[0028][0029]式中
E[
·
]表示期望，
f
*
表示为当前已有采样最小函数值，
φ
(
·
)
和分别表示累积分布函数
CDF
和概率密度函数
PDF
，
μ
(x)
为预测均值，
σ
(x)
为预测方差；通过采集函数从训练集中采样新的观测点进行迭代，不断更新概率代理模型，逐步提高代理模型的准确率，直到寻找到最优的超参数组合获取最优故障诊断模型
。
[0030]本专利技术的有益效果是：本专利技术的重型装备数据预处理的故障诊断方法是基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种重型装备数据预处理的故障诊断方法，其特征在于：包括如下步骤：步骤
S01
：获取重型装备故障诊断数据集；步骤
S02
：将采集好的重型装备故障诊断数据集进行数据清洗，检查数据异常值和缺失值，缺失数据通过取近十组数据信息的平均值进行填补，异常值直接删除异常数据，将清洗好的数据通过
MS
‑
UMAP
降维，将降维后的数据用于
DNN
模型的输入；步骤
S03
：将降维后的重型装备故障诊断数据集分为训练集和测试集，通过训练集采用贝叶斯优化算法对全连接神经网络的超参数优化求解，获取最优故障诊断模型；步骤
S04
：设置
DNN
模型的激活函数，根据贝叶斯优化之后的最优超参数组合构建
DNN
模型，通过测试集对训练好的最优
DNN
故障诊断模型进行故障诊断测试
。2.
根据权利要求1所述的一种重型装备数据预处理的故障诊断方法，其特征在于：所述步骤
S01
中，通过
PLC
在现场获取重型装备故障诊断数据集
。3.
根据权利要求1所述的一种重型装备数据预处理的故障诊断方法，其特征在于，所述步骤
S02
中，所述
MS
‑
UMAP
降维具体步骤如下：采用改进的
UMAP
算法，获得改进后的原始数据空间的方向相似性度量，构建原始高维空间度量，改进的
UMAP
算法公式如下：式中
p
j|i
表示数据点
x
i
和
x
j
相关性的概率，
d1(x
i
,x
j
)
表示为
x
i
和
x
j
之间的马氏距离，
x
i
，
x
j
表示第
i
个和第
j
个样本数据，
ρ
i
是
x
i
到最近邻的距离，
σ
i
是尺度参数；采用公式
(8)
构建低维嵌入空间：式中：
q
ij
为嵌入空间中点
y

【专利技术属性】
技术研发人员：曲星宇，燕秋雨，王鑫，杨光，宋夏，毕天轶，崔楠，杨雷，吕佳，张冕，李昌健，
申请(专利权)人：沈阳工业大学，
类型：发明
国别省市：