《非完整數據過程的魯棒故障檢測與故障認知方法》是依託上海交通大學，由楊煜普擔任項目負責人的面上項目。
基本介紹
- 中文名：非完整數據過程的魯棒故障檢測與故障認知方法
- 項目類別：面上項目
- 項目負責人：楊煜普
- 依託單位：上海交通大學
項目摘要,結題摘要,
項目摘要
數據的非完整性是複雜過程中非常常見的數據特性，該特性會使數據驅動的故障診斷技術表現出魯棒性變差及誤報漏報嚴重的現象。非負矩陣分解(NMF)是近年來機器學習領域中日益顯現特色的數據變換方法，具有正向純加性、稀疏性、可解釋性並體現了一種深刻的人工智慧認知機理。本申請針對過程數據的非完整性問題，研究基於NMF方法的魯棒故障檢測與故障認知方法，包括：1、研究一類嵌入變換矩陣NMF（TE-NMF）算法，解決NMF用於故障診斷時首先遇到的測量-特徵空間的變換求取問題；2、研究NMF稀疏性強化方法，抑制非完整數據的缺失項影響，提高故障檢測魯棒性；3、研究NMF正向純加性的增量逼近模式，可在數據結構不完備條件下提高故障檢測魯棒性；4、研究在一定正則性和特徵鑑別性約束條件下，NMF基矩陣向量與模糊隸屬度函式的等價關係，以及NMF方法在模糊邏輯空間下的多類故障認知方法；5、搭建理論仿真和實際驗證平台。
結題摘要
數據的非完整性是複雜過程中非常常見的數據特性，該特性會使數據驅動的故障診斷技術表現出魯棒性變差及誤報漏報嚴重的現象。非負矩陣分解NMF是一種基於“部分構成整體思想”的特徵提取方法，能夠產生基於部分的數據表示，能夠很好地反映數據或被研究對象內在隱含的結構，是一種可以用於故障辨識與特徵認知的有效分析工具。本課題還研究了基於統計可解釋性機理的故障特徵認知及主動學習算法。 本課題研究重點集中在以下四個方面。 第一，針對數據結構不完備的非完整問題，研究基於NMF正向純加性結構的魯棒性故障檢測方法，主要成果有：提出了一種嵌入線性投影的廣義非負矩陣投影（GNMP）算法，建立了一種基於GNMP算法的故障檢測與診斷新模型，提出了一種處理不完整數據的RGNMP算法，提出一種針對工況時變性問題MWGNMP算法；研究了結合FDA最優分類思想的有監督FGNMP分類算法。 第二，研究基於NMF 可解釋性機理的故障特徵識別和認知算法，主要成果有：提出了一種基於方差保持正則項的方差保持非負矩陣分解（VNMF）模型；提出了一種低相關非負矩陣分解（LNMF）的模型；研究了一種基於Fisher-KNMF多故障識別與認知算法；研究了一種KNMF 故障診斷算法。 第三，研究基於統計可解釋性機理的多類故障特徵識別和認知算法，主要成果有：提出一種基於符號有向圖（SDG）模型和數據重構的故障診斷方法；提出了一種基於ForeCA的故障診斷方法； 研究了ForeCA與偏最小二乘法（PLS）結合的故障檢測方法以及基於MCUSUM-ForeCA的微小故障特徵識別與認知算法； 研究了一種基於核可預測元分析及集成核主成分分析的非線性故障檢測算法；研究了基於拓撲流形結構的故障特徵辨識與認知算法。 第四， 針對過程數據不完整及故障數據的稀缺性特點，研究適合於工業過程數據處理的主動學習方法。主要成果有：研究了一種基於特徵選擇的主動學習方法；研究了一種基於子空間投影的主動學習方法；研究了一種基於半監督聚類的主動學習支持向量機；提出了一種新的主動學習停止標準。
