【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 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
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
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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。