基于局部权重角度离群算法的球磨机故障诊断
发布时间：2020-03-05 01:04
【摘要】：矿用球磨机故障诊断是典型的复杂工业过程多维数据挖掘问题,难点在于多维数据挖掘准确度低且算法时间复杂度高,为此提出基于局部权重角度离群算法(LW-FastVOA)的数据挖掘方法.首先采用角度离群算法(ABOD)在多维空间中衡量数据点的离群度,并针对ABOD算法时间复杂度算法较高问题,采用FastVOA算法将数据集正交投影于随机超平面上,利用AMS草图推导出各点的方差,归纳将其投影到随机超平面上作为频矩参数,算法的时间复杂度降低.最后提出LWFastVOA算法增加数据点的局部权重,降低多聚簇间离群点遗漏率,从而提高了算法精度.仿真实验结果表明,所提出的LW-FastVOA算法提高了精确率与召回率,验证了算法的有效性和可行性.
【图文】：
图1ABOD算法思想示意图Fig．1SchematicdiagramofABODalgorithmX(i)apb=1α·ri＜p·ri＜b·ri0{其它对于向量ri得出:仅当向量a－p和b－p在正交于ri超平面的两侧且又有(a－p)·ri＜0时，X(i)apb=1，文［17］和文［18］提出该概率与θapb成正比．更确切地得出:定义2对于全部a，，b，p，i，Pr［X(i)apb=1］=θapb/(2π)，由于对称性得出Pr［X(i)bpa=1］=θapb/(2π)·P［14］，且θapb=π2∑ti=1X(i)apb．2．2．2AMS草图Alon等人在文［19］中提出了AMS草图用于估计多维度向量的第二频矩参数．引理1已知一个q维向量ω，取一个4维独立向量s∈{±1}q，AMS草图的值为Z=∑qi=1siωi．定义Y=Z2，有E［Y］=∑qi=1ω2i，var［Y］≤2(E［Y］)2．文［20］和文［21］中利用两个不同4维独立向量的外积．这样，把矩阵当做矩阵元素向量．引理2已知两个不同4维独立向量s1，s2∈{±1}q．AMS草图的外积(uv)，其中定义(uv)ij=uivj，则有:Z=∑(i，j)∈［q］×［q］s1is2j(ων)ij(=∑qi=1s1iu)(i∑qj=1s2jv)j(4)定义Y=Z2可得出E［Y］=∑i，1(uivi)2且var［Y］≤8(E|Y|)2．2．2．3近似ABOD文［6］中最终得到的结论如下:1)第一频矩参数:F1(p)=2πt(n－1)(n－2)∑ti=1|L(i)p||Ｒ(i)p|(5)2)第二频矩参数:F2(p)=4π2∑ti=1AMS(L(i)p)AMS(Ｒ(i)p())2t(t－1)(n－1)(n－2)－2πF1(p)t－1(6)2．3LW-FastVOA由于FastVOA在计
角度方差的离群检测算法的一个权重因子．可以定义一个数据点的相关近邻为ε近邻．定义3如果说一个数据点q是数据点p的一个ε近邻，仅当p－q≤avgdist(ε)，其中avgdist(ε)表示相同维度下两个点相关程度为1－ε时平均距离大小．定义4定义一个数据点的局部权重因子为这个数据点ε-近邻数量与他临近点的ε-近邻数的偏差程度:wp=ε－neighbourhood(p)2∑q∈ε－neighbourbood(p)ε－neighbourhood(q)(7)结合式(1)和式(7)提出基于权重的角度异常因子为LW－VOA(p)=wp·VOA(p)(8)3种算法的联系见图2．图23种算法的关系示意图Fig．2Schematicdiagramoftherelationshipamongthethreealgorithms3仿真分析本文以广东某矿山V系列球磨机磨矿系统现场采集的数据作为实验采样数据集，数据集的采样点为现场30个传感器采集的温度、压力、流量，采样周期为1h，采样样本1000组(1000h)，即1000个30维数据作为实验样本数据，通过数据筛选降维和数据清洗发现，在这30种测量指标里面6个指标在运行时变化可忽略，对故障诊断的影响不大，故可以先将这些数据剔除掉，这样数据集的纵向维度由30维下降为24维．数据集中还存在个别缺失的数据，对于这些数据的处理，本文采用对缺失数据前后5小时之内的数据进行求均值来填充缺失数据．该数据特征包括溢流浓度c1、旋流器转速n1、给矿压力p1、电机电流i、电机前轴承温度t1、电机后轴承温度t2、稀油站油箱温度t3、高压供油压力p2、低压供油压力p3、主轴承给料左温度t4、给料右温度t5、排料左温度t6、排料右温度t7、给料左压力p4、给料右压力p5、排料左压力p6、排料右压力p7、给料上流量f1、给料下流量f2、排料上流量
本文编号：2584877
【图文】：
图1ABOD算法思想示意图Fig．1SchematicdiagramofABODalgorithmX(i)apb=1α·ri＜p·ri＜b·ri0{其它对于向量ri得出:仅当向量a－p和b－p在正交于ri超平面的两侧且又有(a－p)·ri＜0时，X(i)apb=1，文［17］和文［18］提出该概率与θapb成正比．更确切地得出:定义2对于全部a，，b，p，i，Pr［X(i)apb=1］=θapb/(2π)，由于对称性得出Pr［X(i)bpa=1］=θapb/(2π)·P［14］，且θapb=π2∑ti=1X(i)apb．2．2．2AMS草图Alon等人在文［19］中提出了AMS草图用于估计多维度向量的第二频矩参数．引理1已知一个q维向量ω，取一个4维独立向量s∈{±1}q，AMS草图的值为Z=∑qi=1siωi．定义Y=Z2，有E［Y］=∑qi=1ω2i，var［Y］≤2(E［Y］)2．文［20］和文［21］中利用两个不同4维独立向量的外积．这样，把矩阵当做矩阵元素向量．引理2已知两个不同4维独立向量s1，s2∈{±1}q．AMS草图的外积(uv)，其中定义(uv)ij=uivj，则有:Z=∑(i，j)∈［q］×［q］s1is2j(ων)ij(=∑qi=1s1iu)(i∑qj=1s2jv)j(4)定义Y=Z2可得出E［Y］=∑i，1(uivi)2且var［Y］≤8(E|Y|)2．2．2．3近似ABOD文［6］中最终得到的结论如下:1)第一频矩参数:F1(p)=2πt(n－1)(n－2)∑ti=1|L(i)p||Ｒ(i)p|(5)2)第二频矩参数:F2(p)=4π2∑ti=1AMS(L(i)p)AMS(Ｒ(i)p())2t(t－1)(n－1)(n－2)－2πF1(p)t－1(6)2．3LW-FastVOA由于FastVOA在计
角度方差的离群检测算法的一个权重因子．可以定义一个数据点的相关近邻为ε近邻．定义3如果说一个数据点q是数据点p的一个ε近邻，仅当p－q≤avgdist(ε)，其中avgdist(ε)表示相同维度下两个点相关程度为1－ε时平均距离大小．定义4定义一个数据点的局部权重因子为这个数据点ε-近邻数量与他临近点的ε-近邻数的偏差程度:wp=ε－neighbourhood(p)2∑q∈ε－neighbourbood(p)ε－neighbourhood(q)(7)结合式(1)和式(7)提出基于权重的角度异常因子为LW－VOA(p)=wp·VOA(p)(8)3种算法的联系见图2．图23种算法的关系示意图Fig．2Schematicdiagramoftherelationshipamongthethreealgorithms3仿真分析本文以广东某矿山V系列球磨机磨矿系统现场采集的数据作为实验采样数据集，数据集的采样点为现场30个传感器采集的温度、压力、流量，采样周期为1h，采样样本1000组(1000h)，即1000个30维数据作为实验样本数据，通过数据筛选降维和数据清洗发现，在这30种测量指标里面6个指标在运行时变化可忽略，对故障诊断的影响不大，故可以先将这些数据剔除掉，这样数据集的纵向维度由30维下降为24维．数据集中还存在个别缺失的数据，对于这些数据的处理，本文采用对缺失数据前后5小时之内的数据进行求均值来填充缺失数据．该数据特征包括溢流浓度c1、旋流器转速n1、给矿压力p1、电机电流i、电机前轴承温度t1、电机后轴承温度t2、稀油站油箱温度t3、高压供油压力p2、低压供油压力p3、主轴承给料左温度t4、给料右温度t5、排料左温度t6、排料右温度t7、给料左压力p4、给料右压力p5、排料左压力p6、排料右压力p7、给料上流量f1、给料下流量f2、排料上流量
本文编号：2584877
本文链接：https://www.wllwen.com/kejilunwen/kuangye/2584877.html
