[发明专利]一种基于增量PCA的工业监测数据分类方法

说明书

本发明公开了一种基于增量PCA的工业监测数据分类方法，包括如下步骤：步骤1、对工业监测数据进行采集，按采样顺序排列，并记录其数据标签，将其分为训练集和测试集；步骤2、基于增量PCA方法建立模型，分别对步骤1中的训练集和测试集进行在线降维；步骤3、步骤2中的训练集作为数据对象建立支持向量机SVM分类模型，并通过对测试集数据进行分类验证该模型。本发明分别通过建立降维模型和传统的SVM分类模型，可对有标签的高维数据进行分类；该方法在保证计算量的同时，通过寻找最优超平面，对线性数据和非线性数据都可以进行二分类；可将其用于工业系统的故障检测，从而及时反映机器性能，能够采取相应措施，避免一系安全事故。

技术领域

本发明属于工业监测数据分类的技术领域，具体涉及一种基于增量PCA的工业监测数据分类方法。

背景技术

由于工业经济在我国的迅速发展，随之产生的数据呈指数级增长。不可避免地，在大量的工业数据中会存在冗余数据，这将给数据分析及后续计算带来很大的困难。如果，可以对高维数据进行降维即数据压缩，在对高维数据压缩的同时对其提取有效信息，这将给数据分析带来很大的便利。但是在现有降维方法中，主要针对的对象是离线数据，而对于不断更新的在线数据，离线降维方法是无法对更新的监测数据进行有效压缩。

发明内容

为解决上述问题，提出了一种基于增量PCA(Principal Component Analysis)的工业监测数据分类方法。该方法可实时对有标签的工业监测数据进行有效分类，相对于未降维的高维数据减小了计算量，是一种有效的数据分类方法，且对于线性数据和非线性数据都适用。

本发明采用以下技术方案：一种基于增量PCA的工业监测数据分类方法，包括如下步骤：

步骤1、对工业监测数据进行采集，按采样顺序排列，并记录其数据标签，将其分为训练集和测试集；

步骤2、基于增量PCA方法建立模型，分别对步骤1中的训练集和测试集进行在线降维；

步骤3、步骤2中的训练集作为数据对象建立支持向量机SVM分类模型，并通过对测试集数据进行分类验证该模型。

作为本发明进一步的方案，所述步骤1具体包括如下步骤：

步骤1.1、对工业系统中的传感器进行数据采样，假设采样数据为有标签数据，采集到的工业监测高维数据用X＝{x₁,x₂,…,x_N}∈R^d×N表示，其中d表示高维数据的维数，每间隔1S进行一次采样，N表示采样数据的数目，第t个采样数据用x_t表示，t∈{1,2,...,N}，x_t＝[x_t1 x_t2 … x_td]^T；

步骤1.2、对采样数据进行分配，采样数据的标签信息用Y＝{y₁,y₂,…,y_N}∈R^1×N表示，与高维数据X一一对应，选取高维数据X和数据标签Y的前百分之八十作为训练数据集和训练标签，剩下百分之二十作为测试数据集和测试标签。

作为本发明进一步的方案，所述步骤2包括如下步骤：

步骤2.1、输入高维数据X和所需参数：离线降维目标维数k＜d，在线降维目标维数l＜k，w₀＝0；

步骤2.2、对矩阵U、矩阵Z以及各参数进行初始化：矩阵U和Z为U＝0^d×l，Z＝0^d×l，w＝0，w_U＝0^l×1；