[发明专利]基于网络分割的故障诊断谱聚类方法

说明书

技术领域

本发明属于故障诊断领域，涉及一种聚类方法在故障诊断领域的应用——基于网络分割的故障诊断谱聚类方法。该方法可用于解决故障诊断中的故障数据特征提取及故障识别和分类问题。

背景技术

故障诊断本质上是模式识别问题，即根据采集到的原始数据，通过分析数据内隐含的状态特征，对正常和异常(故障)状态进行识别和区分。把数据样本(可观测量)分成单独的类，每一个样本类对应一种设备状态。因此，故障诊断实际上要解决模式分类/聚类问题。

故障诊断应用常常面临下列情况：i)获得大量未标记的数据样本；ii)待分类的模式的性质会随着时间发生变化，例如系统状态由正常变为某种故障；iii)不知道待处理的数据样本的具体情况，需要训练分类器。面对这些问题，无监督的聚类方法更能发挥作用，因此成为解决故障诊断问题的重要手段之一。

传统的统计分析聚类方法求解故障诊断问题通常假设样本的概率密度的函数形式已知，例如，k-means聚类，混合模型聚类方法等，此类方法往往只能解决某些特定数据结构的聚类问题，例如凸形分布数据；而且，聚类所形成的类和类之间没有任何联系。层次聚类很好的解决了这个问题。“合并”和“分裂”两种途径都能在不同层次上揭示数据的内部结构，例如，判定树方法。随着待诊断系统复杂性的不断增加，传统的聚类分析在描述复杂数据结构，提取状态特征，获得准确的诊断结果方面存计算时间复杂度高、算法实现困难等不足。而人工智能技术，包括神经网络，模糊数理逻辑，进化算法，人工免疫系统等用于构成聚类方法，在某种程度上解决了传统故障诊断方法依赖模型，诊断效果一般的问题。例如，神经网络聚类，模糊k-means聚类，免疫网络聚类等。但是这些方法或多或少存在着随机性，造成每次诊断结果不确定。

借助图论，网络可以很好地刻画数据点及其之间的关系，适合表示复杂的数据结构。如果把故障数据样本作为“节点”，数据样本之间的联系作为“关系”，故障数据样本就可以利用网络拓扑结构表示，而故障分析可以利用网络分析方法实现。网络结构中对应同一状态的节点之间关系紧密，而对应不同故障状态的节点之间关系松散。从而，故障状态聚类就等同于基于节点的关系把网络“分裂”成不同的子网络，每个子网络代表一种状态。

图和网络是两个非常接近的概念，在很多场合下可以互换，网络分割很容易转换为图分割来处理。模式识别已经发展了基于图论的聚类方法，尽管这些方法在数据结构描述方面极具优势，但由于图分割问题的组合本质，对其划分判据求最优解是一个NP难问题。通常的解决措施是考虑问题的连续放松形式，即利用谱图理论获得逼近解，把原问题转化为求解矩阵的特征值和特征向量，形成了谱聚类算法。与其他聚类方法相比，谱聚类具有实现简单，可以聚类非凸分布的数据，避免了高维特征向量引起的奇异性，以及本质上不会遇到局部最优问题等优点，因此受到越来越多的关注，并已广泛应用于图像分割等模式识别领域。但由于其计算复杂度较大，且缺乏对算法实际应用的指导意见和可行思路，目前在故障诊断领域的应用未见文献报道。

发明内容

针对已有技术存在的缺陷或不足，即描述复杂数据结构能力、算法确定性、运算复杂度等多方面要求难以同时满足的矛盾，本发明的目的在于，提出一种基于网络分割的谱聚类故障诊断聚类方法，以达到增强故障诊断数据知识描述能力、获得确定性诊断结果，发挥谱聚类算法的优势，并降低传统谱聚类算法计算复杂度。

为了实现上述任务，本发明采取如下的技术解决方案：

一种基于网络分割的故障诊断谱聚类方法，该方法从网络/图的角度描述复杂故障诊断的数据结构，并利用网络分析方法分析故障，将故障诊断问题建模为网络分割，构造网络分割目标函数，利用谱图理论进行求解，具体实现步骤如下：

步骤一，建立故障诊断的网络模型，网络模型的建立有两个基本要素：节点和节点之间的关系，节点对应故障数据样本，而它们之间的关系用相似度来描述：相似度描述样本之间的关系，它是基于样本之间的距离描述的；用欧式距离满足两个样本之间距离越大，相似度越小；反之相似度越大；

步骤二，构造网络分割目标函数，网络分割目标函数的构造兼顾类内相似度大，类间相似度小；借鉴最小最大切判据形成网络分割目标函数；

步骤三，初始化：设定算法终止条件，给定算法运行阈值参数；

步骤四，算法终止条件判断：如果满足终止条件就结束算法，否则，继续执行步骤五；

步骤五，对网络进行两划分，返回步骤四。