發(fā)布時間：2018-11-18 16:58

【摘要】：工業(yè)過程中獲取帶標(biāo)簽的故障數(shù)據(jù)困難,而無標(biāo)簽故障數(shù)據(jù)卻大量存在,如何有效地利用數(shù)據(jù)信息進(jìn)行故障診斷是故障診斷領(lǐng)域的重要內(nèi)容。為更充分地挖掘和利用數(shù)據(jù)信息,提出一種新的半監(jiān)督學(xué)習(xí)方法:基于重構(gòu)的半監(jiān)督極限學(xué)習(xí)機(jī)(RSELM)。相比于傳統(tǒng)的半監(jiān)督極限學(xué)習(xí)機(jī)(ELM)方法,RSELM采用自動編碼ELM(ELM-AE)獲得的輸出權(quán)重替代隨機(jī)的隱含層輸入權(quán)重,能更有效地提取數(shù)據(jù)特征;考慮到數(shù)據(jù)均可由其近鄰數(shù)據(jù)來線性重構(gòu),故可構(gòu)建近鄰數(shù)自適應(yīng)選擇的重構(gòu)圖,并同時利用數(shù)據(jù)的標(biāo)簽信息優(yōu)化連接權(quán)重,以更優(yōu)地反映數(shù)據(jù)結(jié)構(gòu)信息;通過建立新的含局部保持的目標(biāo)函數(shù),可有效地訓(xùn)練分類器。標(biāo)準(zhǔn)數(shù)據(jù)集和TE過程上的仿真實(shí)驗(yàn)驗(yàn)證了所提算法的有效性。
[Abstract]:It is difficult to obtain tagged fault data in industrial process, but a large number of untagged fault data exist. How to effectively use data information for fault diagnosis is an important content in fault diagnosis field. In order to fully mine and utilize the data information, a new semi-supervised learning method, (RSELM). Based on reconfiguration, is proposed. Compared with the traditional semi-supervised extreme learning machine (ELM) method, RSELM can extract the data features more effectively by replacing the random hidden layer input weight with the output weight obtained by auto-coding ELM (ELM-AE). Considering that the data can be linearly reconstructed by its nearest neighbor data, we can construct the reconstruction graph of the adaptive selection of the nearest neighbor number, and optimize the connection weight by using the label information of the data to reflect the data structure information better. By establishing a new objective function with local preserving, the classifier can be effectively trained. The effectiveness of the proposed algorithm is verified by simulation experiments on standard data sets and TE process.
【作者單位】： 中國石油大學(xué)(華東)信息與控制工程學(xué)院;
【基金】：國家自然科學(xué)基金項(xiàng)目(61273160)~~
【分類號】：TP18;TP277

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 吳凡;;狀態(tài)監(jiān)測和故障診斷技術(shù)的現(xiàn)狀與展望[J];國外電子測量技術(shù);2006年03期

2 師文謙;;淺談計(jì)算機(jī)的故障診斷[J];計(jì)算技術(shù)與自動化;1986年03期

3 賈民平;機(jī)械故障診斷學(xué)的理論及其應(yīng)用 第一講 故障診斷的意義及研究發(fā)展概況[J];江蘇機(jī)械制造與自動化;1999年01期

4 張峻賓;蔡金燕;;故障診斷與硬件演化的一體化設(shè)計(jì)[J];微電子學(xué)與計(jì)算機(jī);2014年02期

5 張健成,周士昌,虞和濟(jì),丁相福,李國棟;故障診斷中的信息機(jī)制[J];基礎(chǔ)自動化;2000年04期

6 田少民;工程機(jī)械的狀態(tài)監(jiān)測與故障診斷技術(shù)[J];工程機(jī)械;2001年01期

7 王敏,王萬俊,熊春山,黃心漢;基于多傳感器數(shù)據(jù)融合的故障診斷技術(shù)[J];華中科技大學(xué)學(xué)報;2001年02期

8 葛曉鋒,陳素珊,何勇;基于圖論和模糊數(shù)學(xué)的故障診斷新方法[J];浙江大學(xué)學(xué)報(農(nóng)業(yè)與生命科學(xué)版);2001年04期

9 朱大奇,于盛林;基于知識的故障診斷方法綜述[J];安徽工業(yè)大學(xué)學(xué)報(自然科學(xué)版);2002年03期

10 葉銀忠;故障診斷技術(shù)的發(fā)展趨勢及我們的對策[J];自動化博覽;2002年03期

相關(guān)會議論文 前10條

1 黎清海;高慶;;基于系統(tǒng)分層的故障診斷方法[A];第三屆全國信息獲取與處理學(xué)術(shù)會議論文集[C];2005年

2 聞競競;黃道;;故障診斷方法綜述[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展·2007——全國第18屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集[C];2007年

3 張利;徐娟;張建軍;程龍;趙佛曉;;基于網(wǎng)格的遠(yuǎn)程協(xié)同故障診斷資源管理模型研究[A];全國第20屆計(jì)算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會議（CACIS·2009）暨全國第1屆安全關(guān)鍵技術(shù)與應(yīng)用學(xué)術(shù)會議論文集（上冊）[C];2009年

4 羅霞;;一種快速故障診斷裝置的設(shè)計(jì)[A];第七屆全國核儀器及其應(yīng)用學(xué)術(shù)會議暨全國第五屆核反應(yīng)堆用核儀器學(xué)術(shù)會議論文集[C];2009年

5 鮑忠貴;白方周;;故障診斷的模型跟蹤法[A];1996中國控制與決策學(xué)術(shù)年會論文集[C];1996年

6 高鋒;高強(qiáng);馬濤;;旋轉(zhuǎn)機(jī)械振動狀態(tài)監(jiān)測與故障診斷管理[A];第十屆全國設(shè)備監(jiān)測與診斷技術(shù)學(xué)術(shù)會議論文集[C];2000年

7 徐章遂;房立清;米東;王云峰;;基于奇異譜分析的發(fā)動機(jī)故障診斷方法[A];2001年中國智能自動化會議論文集（下冊）[C];2001年

8 張慶虎;高普云;;基于非線性動力學(xué)理論的故障診斷方法與進(jìn)展[A];第18屆全國結(jié)構(gòu)工程學(xué)術(shù)會議論文集第Ⅲ冊[C];2009年

9 趙劍偉;趙江;郭志新;;基于多傳感器信息融合的故障診斷方法[A];2007'儀表，自動化及先進(jìn)集成技術(shù)大會論文集（一）[C];2007年

10 王麗英;方攸同;蘇麗穎;劉寶友;;劣化系統(tǒng)的故障診斷和檢測策略的綜合研究[A];第二十六屆中國控制會議論文集[C];2007年

相關(guān)重要報紙文章 前1條

1 李萍;濟(jì)鋼EAM離線網(wǎng)絡(luò)點(diǎn)檢和故障診斷管理系統(tǒng)開發(fā)應(yīng)用[N];世界金屬導(dǎo)報;2007年

相關(guān)博士學(xué)位論文 前10條

1 尹同舟;基于復(fù)合網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的懸臂式掘進(jìn)機(jī)故障診斷方法[D];中國礦業(yè)大學(xué)(北京);2017年

2 肖紅軍;數(shù)據(jù)驅(qū)動的污水處理過程故障診斷與多步預(yù)測[D];華南理工大學(xué);2016年

3 向長城;基于可拓學(xué)的智能故障診斷與狀態(tài)監(jiān)測的理論及應(yīng)用研究[D];重慶大學(xué);2008年

4 胡友強(qiáng);數(shù)據(jù)驅(qū)動的多元統(tǒng)計(jì)故障診斷及應(yīng)用[D];重慶大學(xué);2010年

5 高保祿;大型復(fù)雜機(jī)電設(shè)備分布式故障診斷方法研究[D];太原理工大學(xué);2010年

6 曹玉蘋;基于狀態(tài)估計(jì)的石化過程故障診斷與預(yù)報方法研究[D];中國石油大學(xué);2010年

7 李盤靖;遠(yuǎn)程協(xié)同故障診斷關(guān)鍵技術(shù)及其應(yīng)用研究[D];西北工業(yè)大學(xué);2006年

8 鞏曉峗;基于全矢譜的非平穩(wěn)故障診斷關(guān)鍵技術(shù)研究[D];鄭州大學(xué);2013年

9 侯俊劍;基于聲像模式識別的故障診斷機(jī)理研究[D];上海交通大學(xué);2011年

10 譚樹彬;軋機(jī)厚控系統(tǒng)狀態(tài)監(jiān)測與故障診斷的研究與應(yīng)用[D];東北大學(xué);2006年

相關(guān)碩士學(xué)位論文 前10條

1 陳超;旋轉(zhuǎn)機(jī)械狀態(tài)趨勢預(yù)測及故障診斷專家系統(tǒng)關(guān)鍵技術(shù)研究[D];鄭州大學(xué);2015年

2 李橋;基于集合算法的故障診斷研究[D];沈陽理工大學(xué);2015年

3 閆國楊;基于度量學(xué)習(xí)和時間序列相似性度量的故障診斷方法研究[D];哈爾濱工業(yè)大學(xué);2015年

4 董小亮;混雜系統(tǒng)的微小故障診斷方法的研究[D];新疆大學(xué);2015年

5 史佳;基于聚類與K近鄰算法的LKJ運(yùn)行記錄數(shù)據(jù)分析及故障診斷[D];蘭州交通大學(xué);2015年

6 劉超;魚群優(yōu)化算法及其汽輪機(jī)故障診斷的應(yīng)用研究[D];東北石油大學(xué);2010年

7 曹曉霞;基于相關(guān)向量機(jī)的小樣本故障診斷預(yù)測研究[D];西安工程大學(xué);2016年

8 王龍娜;動態(tài)工業(yè)過程的故障診斷方法研究[D];東北大學(xué);2014年

9 高欣;基于支持向量機(jī)的田納西化工過程故障診斷研究[D];渤海大學(xué);2016年

10 祝向平;針對關(guān)鍵性能指標(biāo)的故障診斷方法研究[D];渤海大學(xué);2016年

，

本文編號：2340597