【技术实现步骤摘要】
本专利技术涉及工业过程故障监测与诊断领域，尤其涉及一种基于流形学习的工业报警泛滥根源诊断方法、设备及介质。
技术介绍
1、报警泛滥是指报警率过高并超过操作员响应能力的情形，是报警管理中最常见也是最棘手的问题。报警泛滥的出现和传播，会导致操作员无法及时判断关键报警，容易造成报警泛滥进一步恶化成工业事故。报警泛滥的产生有多种原因，如抖振报警、状态切换报警、故障报警等。现有报警分析方法能够解决抖振报警、冗余报警和误报警等问题，但报警泛滥仍是限制监控报警系统性能的瓶颈，特别是由故障引起的真实报警泛滥，直接影响工业生产过程的安全性。现阶段虽然存在一些分析和抑制报警泛滥的方法，但针对报警泛滥根源诊断的讨论较少。因此，迫切需要先进的报警泛滥根源诊断方法，为操作员提供快速准确的决策支持，提高复杂工业过程运行的安全性和可操作性。
2、工业报警泛滥根源分析的主要难点包括：工业报警事件数据是半结构化类型的数据，难以直接用于建模、分析；故障引起的报警泛滥样本缺乏，带标签的报警泛滥序列获取困难。这些问题导致难以应用机器学习方法解决报警泛滥问题，智能诊断技术的应用存在一些局限性，如模型过拟合或诊断精度不足。现有研究方法有介绍以报警泛滥序列的相似性比对，为报警泛滥的研究提供有效解决方法。然而这种方法只关注了向量距离的联系，会导致结果因考虑不全带来误差,同时,由于实际工业中带标签的样本获取步骤繁琐、成本代价高,导致大量根源诊断方法应用受到限制,如何利用少量样本建立面向报警泛滥的根源诊断模型也值得进一步关注。
技术实现思路
1、为了解决上述问题，本专利技术提供了一种基于流形学习的工业报警泛滥根源诊断方法、设备及存储介质，一种基于流形学习的工业报警泛滥根源诊断方法，分为离线训练过程和在线监测过程。
2、离线步骤包括:
3、s1、预处理历史报警事件日志；
4、s2、提取历史报警泛滥序列及标签数据；
5、s3、基于词嵌入，对历史报警泛滥序列进行向量化编码，得到历史报警泛滥序列的词向量；
6、s4、利用报警泛滥序列的词向量和标签数据训练半监督分类器，得到基于流形学习的报警泛滥根源诊断模型。
7、在线步骤包括：
8、s5、对在线监测的报警泛滥序列基于词坠入向量化编码，得到待测报警泛滥序列词向量；
9、s6、将待测报警泛滥序列词向量输入报警泛滥根源诊断模型,得到诊断结果。
10、进一步地，离线报警事件日志包含有标签数据和无标签数据，预处理减少滋扰报警，预处理的具体步骤为：
11、s11、时间戳和日志格式的检查：所有的时间戳和日志的格式都需要统一；
12、s12、减少抖振报警：增加延时定时器，避免错误识别报警泛滥。
13、通过预处理，能够很大程度上减少历史报警事件日志中的滋扰报警。将提取报警泛滥序列定义为x：
14、x＝[x1,x2,...,xn]
15、式中，n为发生的报警事件的总数；xi为报警泛滥序列x中的第i个报警事件。
16、进一步地，针对报警事件数据难以直接用于计算的问题，提出基于词嵌入的报警泛滥序列的向量化编码方法。与传统方法相比，该方法能够通过学习文本数据中的上下文关系，来表达单词的语义信息。这种语义信息包含了一个词的同义词、近义词、反义词等。另外，采用的学习模型结构相对紧凑，参数较少，训练速度快。
17、基于词嵌入的向量化编码利用skip-gram模型完成，skip-gram模型为仅包含一层隐含层的人工神经网络，对于一段提取到的报警泛滥序列[xt-2,xt-1,xt,xt+1,xt+2]，通过目标报警xt来预测前后报警出现的概率，采用最大概率确定权重，从而得到报警泛滥序列的词向量。
18、进一步地，步骤s3具体为：
19、s31、采用独热编码，提取报警泛滥序列中的目标报警，由输入层到隐藏层：
20、p＝φw
21、p代表输入层，φ代表输入层的报警信号的独热编码，w为权重矩阵，包含了全部词向量；
22、s32、根据权重矩阵w得到每个报警泛滥序列的词向量表示：
23、
24、式中，表示第j条报警泛滥序列的词向量表示，j＝1,2,…,l，其中l表示报警泛滥序列的条数，n为第j条报警泛滥序列发生的报警事件的总数；为中第i个报警事件的词向量表示。
25、进一步地，步骤s4具体为：
26、s41、将编码得到训练集报警泛滥序列的词向量结合标签数据合并表示为数据集x：
27、x＝xl∪xu
28、xl和xu分别表示有标签数据和无标签数据；
29、s42、基于高斯核，计算数据集x中每对报警泛滥序列词向量之间完整的距离矩阵u以及元素间的备选距离矩阵h:
30、
31、
32、其中k(·,·)代表核函数，uij、hij分别为距离矩阵和备选距离矩阵中的元素，代表不同的词向量，σ表示高斯核的带宽；
33、s43、构建数据集x的全连通图g＝(v,e)，其中，v＝{v1,v2,…,vl}表示所有节点的集合，表示边的集合，每个顶点vi代表一个报警泛滥序列的词向量eij是连接顶点vi和vj的边；每条边eij通过距离矩阵u的元素uij加权，依据备选距离矩阵h将全连通图稀疏化处理为稀疏化权重矩阵w′；通过构建图，可以将报警泛滥序列之间的关系转换成图的各边权值，以更好地描述数据的局部结构；
34、s44、利用稀疏化权重矩阵w′训练半监督分类器，并基于流形正则化进行优化，将训练完成的半监督分类器作为基于流形学习的报警泛滥根源诊断模型，实现报警泛滥根源诊断。
35、进一步地，全连通图的稀疏化处理步骤，具体如下：
36、s431、通过k近邻搜索算法移除全连通图的边，得到二进制矩阵b；
37、
38、
39、bij＝max(bij,bji)
40、其中，b为n×n的二进制矩阵，bij、bii、bji均为b矩阵的元素，矩阵中1代表连接的存在，0代表连接不存在；
41、s432、利用备选距离矩阵对二进制矩阵加权处理，得到稀疏化权重矩阵：
42、wij′＝hijbij
43、w′表示稀疏化权重矩阵，wij′是与边eij相关联的权重，表示顶点vi和vj之间的相似性；
44、进一步地，步骤s5具体为：
45、利用少量带标签样本与无标签数据相结合训练半监督分类器，在目标函数中加入约束项约束目标函数在环境空间的复杂度，其次加入正则项来表示相对于几何分布的内在平滑性，分类结果满足数据潜在的流形结构，利用训练的半监督分类器实现报警泛滥根源诊断；在拉普拉斯正则化最小二乘框架下，流形正则化的优化问题为：
46、
47、
48、
49、此时，本文档来自技高网...
【技术保护点】
1.一种基于流形学习的工业报警泛滥根源诊断方法，其特征在于，分为离线训练过程和在线监测过程；
2.如权利要求1所述的一种基于流形学习的工业报警泛滥根源诊断方法，其特征在于，所述离线报警事件日志包含有标签数据和无标签数据，预处理减少滋扰报警，预处理的具体步骤为：
3.如权利要求1所述的一种基于流形学习的工业报警泛滥根源诊断方法，其特征在于，基于词嵌入的向量化编码利用Skip-gram模型完成，Skip-gram模型为仅包含一层隐含层的人工神经网络，对于一段提取到的报警泛滥序列[xt-2,xt-1,xt,xt+1,xt+2]，通过目标报警xt来预测前后报警出现的概率，采用最大概率确定权重，从而得到报警泛滥序列的词向量。
4.如权利要求1所述的一种基于流形学习的工业报警泛滥根源诊断方法，其特征在于，步骤S3具体为：
5.如权利要求1所述的一种基于流形学习的工业报警泛滥根源诊断方法，其特征在于，步骤S4具体为：
6.如权利要求1所述的一种基于流形学习的工业报警泛滥根源诊断方法，其特征在于，全连通图的稀疏化处理步骤，具体如下：p>
7.如权利要求1所述的一种基于流形学习的工业报警泛滥根源诊断方法，其特征在于，在拉普拉斯正则化最小二乘框架下，流形正则化的优化问题为：
8.如权利要求1所述的一种基于流形学习的工业报警泛滥根源诊断方法，其特征在于，得到诊断结果后需评估诊断性能，性能指标达到预期水平，则继续使用当前离线模型，否则重新训练诊断模型；
9.一种存储介质，其特征在于：所述存储介质存储指令及数据用于实现权利要求1～8任一项所述的一种基于流形学习的工业报警泛滥根源诊断方法。
10.一种计算机设备，其特征在于：包括：处理器及存储介质；所述处理器加载并执行存储介质中的指令及数据用于实现权利要求1～8任一项所述的一种基于流形学习的工业报警泛滥根源诊断方法。
...【技术特征摘要】
1.一种基于流形学习的工业报警泛滥根源诊断方法，其特征在于，分为离线训练过程和在线监测过程；
2.如权利要求1所述的一种基于流形学习的工业报警泛滥根源诊断方法，其特征在于，所述离线报警事件日志包含有标签数据和无标签数据，预处理减少滋扰报警，预处理的具体步骤为：
3.如权利要求1所述的一种基于流形学习的工业报警泛滥根源诊断方法，其特征在于，基于词嵌入的向量化编码利用skip-gram模型完成，skip-gram模型为仅包含一层隐含层的人工神经网络，对于一段提取到的报警泛滥序列[xt-2,xt-1,xt,xt+1,xt+2]，通过目标报警xt来预测前后报警出现的概率，采用最大概率确定权重，从而得到报警泛滥序列的词向量。
4.如权利要求1所述的一种基于流形学习的工业报警泛滥根源诊断方法，其特征在于，步骤s3具体为：
5.如权利要求1所述的一种基于流形学习的工业报警泛滥根源诊断方法，...
【专利技术属性】
技术研发人员：胡文凯，陈宁，万雄波，胡杰，
申请(专利权)人：中国地质大学武汉，
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。