申请/专利权人：东北大学

申请日：2021-12-06

公开（公告）日：2024-04-16

公开（公告）号：CN114118292B

主分类号：G06F18/2413

分类号：G06F18/2413;G06F18/2132;G06F18/214

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2022.03.18#实质审查的生效;2022.03.01#公开

摘要：本发明公开了一种基于线性判别邻域保持嵌入的故障分类方法，属于故障监测与诊断技术领域。本发明方法在基于类别信息的邻域保持嵌入模型的基础上引入线性判别分析思想，将基于类别信息的邻域保持嵌入模型与线性判别分析模型结合，考虑样本高维局部流形结构的同时充分考虑样本的全局结构，构建线性判别邻域保持嵌入模型并求解。通过本发明构建模型中的基于类别信息的邻域保持嵌入思想充分考虑样本局部高维流形结构，同时利用样本类别的先验信息计算线性判别分析思想中的样本类内散度矩阵和类间散度矩阵，充分考虑采集样本点的全局信息，从样本全局和局部信息的两个角度出发对高维样本进行降维，从而得到更优质的降维效果，提高对故障分类的准确性。

主权项：1.一种基于线性判别邻域保持嵌入的故障分类方法，其特征在于，该方法包括如下步骤：步骤1：对某工业生产过程实施若干次的模拟仿真，每次仿真过程设置不同的故障类型，采集仿真过程获得的不同种类故障的数据，每种故障的数据构成一个样本子集，所有样本子集构成TE故障数据集；步骤2：从TE故障数据集中随机选取两个样本子集，获取两类需要分类的故障样本点，并分别从选取出的两个样本子集中划分出测试数据和训练数据，其中所述测试数据构成测试样本集，所述训练数据构成训练样本集，训练样本集每个样本点的故障类别构成样本类别集合；步骤3：初始化邻域保持嵌入算法相关参数，包括近邻点个数k、降维目标维数d；步骤4：找出训练样本集中每个样本点除自身外的k个近邻点，并根据该k个近邻点构造每个样本点的邻域图；步骤5：根据训练样本集中每个样本点的邻域图，对训练样本集中每个样本点xi与其近邻点的连接赋予权值，通过其近邻点的线性组合对每个样本点进行重构，并通过使重构误差最小化计算邻接矩阵W；步骤6：根据训练样本集以及步骤5得到的邻接矩阵W，对待求解的降维后的样本点通过其降维后近邻点的线性组合进行重构，通过使重构误差函数最小化，构建邻域保持嵌入模型的目标函数；步骤7：根据训练样本集中每个样本点的近邻点集合以及训练样本集中每个样本点的类别信息构建判别邻域嵌入模型的权值矩阵，同时引入线性判别分析算法的思想，将步骤6中求解邻域保持嵌入模型投影矩阵的重构误差函数和求解判别邻域嵌入模型投影矩阵的目标函数分别作为基于类别信息的邻域保持嵌入模型的目标函数的分母与分子，从而构建基于类别信息的邻域保持嵌入模型；步骤8：根据训练样本集中样本的类别信息，计算样本类内散度矩阵Sw和类间散度矩阵Sb，构建线性判别分析模型的目标函数；步骤9：将基于类别信息的邻域保持嵌入模型与线性判别分析模型结合，把基于类别信息的邻域保持嵌入模型目标函数的分子与线性判别分析模型目标函数的分子相加作为线性判别邻域保持嵌入模型目标函数的分子，将基于类别信息的邻域保持嵌入模型目标函数的分母与线性判别分析模型目标函数的分母相加作为线性判别邻域保持嵌入模型目标函数的分母，从而构建线性判别邻域保持嵌入模型的目标函数，并计算出线性判别邻域保持嵌入模型的投影矩阵A4；步骤10、使用步骤9得到的投影矩阵A4对测试样本集降维，通过支持向量机方法对测试样本集中的样本进行分类。

全文数据：

权利要求：

百度查询： 东北大学 一种基于线性判别邻域保持嵌入的故障分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD