【摘要】：礦用球磨機(jī)故障診斷是典型的復(fù)雜工業(yè)過程多維數(shù)據(jù)挖掘問題,難點(diǎn)在于多維數(shù)據(jù)挖掘準(zhǔn)確度低且算法時(shí)間復(fù)雜度高,為此提出基于局部權(quán)重角度離群算法(LW-FastVOA)的數(shù)據(jù)挖掘方法.首先采用角度離群算法(ABOD)在多維空間中衡量數(shù)據(jù)點(diǎn)的離群度,并針對ABOD算法時(shí)間復(fù)雜度算法較高問題,采用FastVOA算法將數(shù)據(jù)集正交投影于隨機(jī)超平面上,利用AMS草圖推導(dǎo)出各點(diǎn)的方差,歸納將其投影到隨機(jī)超平面上作為頻矩參數(shù),算法的時(shí)間復(fù)雜度降低.最后提出LWFastVOA算法增加數(shù)據(jù)點(diǎn)的局部權(quán)重,降低多聚簇間離群點(diǎn)遺漏率,從而提高了算法精度.仿真實(shí)驗(yàn)結(jié)果表明,所提出的LW-FastVOA算法提高了精確率與召回率,驗(yàn)證了算法的有效性和可行性.
【圖文】：

圖1ABOD算法思想示意圖Fig．1SchematicdiagramofABODalgorithmX(i)apb=1α·ri＜p·ri＜b·ri0{其它對于向量ri得出:僅當(dāng)向量a－p和b－p在正交于ri超平面的兩側(cè)且又有(a－p)·ri＜0時(shí)，X(i)apb=1，文［17］和文［18］提出該概率與θapb成正比．更確切地得出:定義2對于全部a，，b，p，i，Pr［X(i)apb=1］=θapb/(2π)，由于對稱性得出Pr［X(i)bpa=1］=θapb/(2π)·P［14］，且θapb=π2∑ti=1X(i)apb．2．2．2AMS草圖Alon等人在文［19］中提出了AMS草圖用于估計(jì)多維度向量的第二頻矩參數(shù)．引理1已知一個(gè)q維向量ω，取一個(gè)4維獨(dú)立向量s∈{±1}q，AMS草圖的值為Z=∑qi=1siωi．定義Y=Z2，有E［Y］=∑qi=1ω2i，var［Y］≤2(E［Y］)2．文［20］和文［21］中利用兩個(gè)不同4維獨(dú)立向量的外積．這樣，把矩陣當(dāng)做矩陣元素向量．引理2已知兩個(gè)不同4維獨(dú)立向量s1，s2∈{±1}q．AMS草圖的外積(uv)，其中定義(uv)ij=uivj，則有:Z=∑(i，j)∈［q］×［q］s1is2j(ων)ij(=∑qi=1s1iu)(i∑qj=1s2jv)j(4)定義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］中最終得到的結(jié)論如下:1)第一頻矩參數(shù):F1(p)=2πt(n－1)(n－2)∑ti=1|L(i)p||Ｒ(i)p|(5)2)第二頻矩參數(shù):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在計(jì)

角度方差的離群檢測算法的一個(gè)權(quán)重因子．可以定義一個(gè)數(shù)據(jù)點(diǎn)的相關(guān)近鄰為ε近鄰．定義3如果說一個(gè)數(shù)據(jù)點(diǎn)q是數(shù)據(jù)點(diǎn)p的一個(gè)ε近鄰，僅當(dāng)p－q≤avgdist(ε)，其中avgdist(ε)表示相同維度下兩個(gè)點(diǎn)相關(guān)程度為1－ε時(shí)平均距離大�。x4定義一個(gè)數(shù)據(jù)點(diǎn)的局部權(quán)重因子為這個(gè)數(shù)據(jù)點(diǎn)ε-近鄰數(shù)量與他臨近點(diǎn)的ε-近鄰數(shù)的偏差程度:wp=ε－neighbourhood(p)2∑q∈ε－neighbourbood(p)ε－neighbourhood(q)(7)結(jié)合式(1)和式(7)提出基于權(quán)重的角度異常因子為LW－VOA(p)=wp·VOA(p)(8)3種算法的聯(lián)系見圖2．圖23種算法的關(guān)系示意圖Fig．2Schematicdiagramoftherelationshipamongthethreealgorithms3仿真分析本文以廣東某礦山V系列球磨機(jī)磨礦系統(tǒng)現(xiàn)場采集的數(shù)據(jù)作為實(shí)驗(yàn)采樣數(shù)據(jù)集，數(shù)據(jù)集的采樣點(diǎn)為現(xiàn)場30個(gè)傳感器采集的溫度、壓力、流量，采樣周期為1h，采樣樣本1000組(1000h)，即1000個(gè)30維數(shù)據(jù)作為實(shí)驗(yàn)樣本數(shù)據(jù)，通過數(shù)據(jù)篩選降維和數(shù)據(jù)清洗發(fā)現(xiàn)，在這30種測量指標(biāo)里面6個(gè)指標(biāo)在運(yùn)行時(shí)變化可忽略，對故障診斷的影響不大，故可以先將這些數(shù)據(jù)剔除掉，這樣數(shù)據(jù)集的縱向維度由30維下降為24維．?dāng)?shù)據(jù)集中還存在個(gè)別缺失的數(shù)據(jù)，對于這些數(shù)據(jù)的處理，本文采用對缺失數(shù)據(jù)前后5小時(shí)之內(nèi)的數(shù)據(jù)進(jìn)行求均值來填充缺失數(shù)據(jù)．該數(shù)據(jù)特征包括溢流濃度c1、旋流器轉(zhuǎn)速n1、給礦壓力p1、電機(jī)電流i、電機(jī)前軸承溫度t1、電機(jī)后軸承溫度t2、稀油站油箱溫度t3、高壓供油壓力p2、低壓供油壓力p3、主軸承給料左溫度t4、給料右溫度t5、排料左溫度t6、排料右溫度t7、給料左壓力p4、給料右壓力p5、排料左壓力p6、排料右壓力p7、給料上流量f1、給料下流量f2、排料上流量


本文編號：2584877