基于图正则化半监督字典学习的工业信号故障识别方法

技术特征：
1.一种基于图正则化半监督字典学习的工业信号故障识别方法，其特征在于，包括：采集目标设备的工业信号数据，其中，所述工业信号数据包括有标签数据和无标签数据；将所述有标签数据和所述无标签数据作为训练数据集并输入基于图正则半监督字典学习模型，得到训练集稀疏编码、置信度矩阵以及结构字典，其中，所述训练集稀疏编码包括所述有标签数据对应的有标签稀疏编码和所述无标签数据对应的无标签稀疏编码；采集所述目标设备的测试集信号，并将所述测试集信号和所述结构字典带入分类模型，得到所述测试集信号的测试集稀疏编码；根据所述测试集稀疏编码计算所述测试集信号的重构误差，并根据所述重构误差识别所述测试集信号的故障类别。2.根据权利要求1所述的方法，其特征在于,所述将所述有标签数据和所述无标签数据作为训练数据集并输入基于图正则半监督字典学习模型，得到训练集稀疏编码、置信度矩阵以及结构字典的步骤，包括：保存所述有标签数据的流型结构并将其简化为图正则化的有标签稀疏编码；利用k-svd算法初始化监督字典，再利用匹配追踪算法得到所述无标签数据对应的初始化稀疏编码；利用所述无标签数据的重构误差得到所述置信度矩阵；根据所述置信度矩阵更新扩展字典；利用所述匹配追踪算法求解所述初始化稀疏编码得到所述无标签稀疏编码；利用fista反向传播方法更新所述有标签稀疏编码；利用metaface方法更新监督字典；根据更新后的扩展字典和更新后的监督字典形成所述结构字典。3.根据权利要求2所述的方法，其特征在于,所述保存所述有标签数据的流型结构并将其简化为图正则化的有标签稀疏编码的步骤，包括：利用k近邻算法计算每个所述有标签数据的k个近邻点；根据所述k个近邻点计算权重系数矩阵；根据所述权重系数矩阵将全部所述有标签数据映射至低维空间，并通过拉普拉斯矩阵将其简化为图正则化的有标签稀疏编码。4.根据权利要求2所述的方法，其特征在于,所述利用所述无标签数据的重构误差得到所述置信度矩阵的步骤，包括：计算每个所述无标签数据属于不同类的置信度值后得到所述置信度矩阵。5.根据权利要求2所述的方法，其特征在于,所述根据所述置信度矩阵更新扩展字典的步骤，包括：根据所述置信度矩阵，利用奇异值分解更新所述扩展字典。6.根据权利要求1所述的方法，其特征在于,所述采集所述目标设备的测试集信号，并将所述测试集信号和所述结构字典带入分类模型，得到所述测试集信号的测试集稀疏编码的步骤，包括：将所述测试集信号和所述结构字典带入所述分类模型，根据所述结构字典得到所述测试集信号对应的稀疏表示；
利用所述匹配追踪算法求解所述稀疏表示，得到所述测试集稀疏编码。

技术总结
本公开实施例中提供了一种基于图正则化半监督字典学习的工业信号故障识别方法，属于数据识别技术领域，具体包括：采集目标设备的工业信号数据；将有标签数据和无标签数据作为训练数据集并输入基于图正则半监督字典学习模型，得到训练集稀疏编码、置信度矩阵以及结构字典；将测试集信号和结构字典带入分类模型，得到测试集信号的测试集稀疏编码；计算测试集信号的重构误差，并根据重构误差识别测试集信号的故障类别。通过本公开的方案，将字典学习与半监督学习以及流行学习结合，既能保存数据的流形结构，又能学习无标签数据的特征，以此增强模型学习的判别性及可靠性，提高了识别的效率、精准度和适应性。精准度和适应性。精准度和适应性。


技术研发人员：陈晓方 周杰 谢世文 谢永芳 张红亮
受保护的技术使用者：中南大学
技术研发日：2022.02.28
技术公布日：2022/5/30