本發(fā)明專利技術(shù)涉及一種智能化的工業(yè)數(shù)據(jù)聚類分組的方法、系統(tǒng)、裝置及介質(zhì)，方法包括：對收集到的原始工業(yè)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化預(yù)處理，得到標(biāo)準(zhǔn)工業(yè)數(shù)據(jù)，依據(jù)所述標(biāo)準(zhǔn)工業(yè)數(shù)據(jù)構(gòu)建出高維特征空間；對所述高維特征空間進(jìn)行工業(yè)特征提取和降維，得到低維特征向量；依據(jù)預(yù)設(shè)的聚類算法對所述低維特征向量進(jìn)行初步分組，得到第一聚類結(jié)果；對第一聚類結(jié)果進(jìn)行二次調(diào)整，得到第二聚類結(jié)果；對所述第二聚類結(jié)果進(jìn)行工業(yè)場景模擬驗(yàn)證，得到驗(yàn)證結(jié)果，并依據(jù)所述驗(yàn)證結(jié)果對所述第二聚類結(jié)果進(jìn)行優(yōu)化調(diào)整，得到目標(biāo)聚類組合。本發(fā)明專利技術(shù)能夠獲得更加合理的聚類結(jié)果，提高了聚類效果的準(zhǔn)確性和適用性。
1、隨著工業(yè)自動(dòng)化和智能制造的快速發(fā)展，大量的生產(chǎn)數(shù)據(jù)和設(shè)備運(yùn)行數(shù)據(jù)被持續(xù)生成。為了從這些海量數(shù)據(jù)中提取有價(jià)值的信息，自動(dòng)化數(shù)據(jù)處理技術(shù)，特別是數(shù)據(jù)聚類分析方法，變得越來越重要。然而，在工業(yè)環(huán)境中應(yīng)用數(shù)據(jù)聚類技術(shù)面臨著多重挑戰(zhàn)。工業(yè)數(shù)據(jù)通常包含多個(gè)特征，形成了高維特征空間，這給數(shù)據(jù)分析帶來了很大的挑戰(zhàn)，尤其是在特征選擇和降維方面。對于工業(yè)數(shù)據(jù)的聚類分析，需要選擇合適的聚類算法，并進(jìn)行參數(shù)調(diào)優(yōu)以獲得最佳的聚類效果，但現(xiàn)有的方法往往缺乏有效的指導(dǎo)原則。
1、本專利技術(shù)的主要目的為提供一種智能化的工業(yè)數(shù)據(jù)聚類分組的方法、系統(tǒng)、裝置及介質(zhì)，能夠獲得更加合理的聚類結(jié)果，提高了聚類效果的準(zhǔn)確性和適用性。
3、對收集到的原始工業(yè)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化預(yù)處理，得到標(biāo)準(zhǔn)工業(yè)數(shù)據(jù)，依據(jù)所述標(biāo)準(zhǔn)工業(yè)數(shù)據(jù)構(gòu)建出高維特征空間；
7、對所述第二聚類結(jié)果進(jìn)行工業(yè)場景模擬驗(yàn)證，得到驗(yàn)證結(jié)果，并依據(jù)所述驗(yàn)證結(jié)果對所述第二聚類結(jié)果進(jìn)行優(yōu)化調(diào)整，得到目標(biāo)聚類組合。
>8、進(jìn)一步地，所述對收集到的原始工業(yè)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化預(yù)處理，得到標(biāo)準(zhǔn)工業(yè)數(shù)據(jù)，依據(jù)所述標(biāo)準(zhǔn)工業(yè)數(shù)據(jù)構(gòu)建出高維特征空間，包括：9、對所述原始工業(yè)數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，剔除異常值和缺失值，得到清洗數(shù)據(jù)，對清洗數(shù)據(jù)進(jìn)行歸一化處理，將不同量綱的數(shù)據(jù)統(tǒng)一到相同尺度，得到歸一化工業(yè)數(shù)據(jù)；
10、對所述歸一化工業(yè)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)化工業(yè)數(shù)據(jù)；
11、根據(jù)所述標(biāo)準(zhǔn)化工業(yè)數(shù)據(jù)，采用預(yù)設(shè)的特征映射函數(shù)對每個(gè)數(shù)據(jù)點(diǎn)進(jìn)行映射，得到高維特征向量；
12、將所有所述高維特征向量組進(jìn)行特征矩陣合成，得到初始特征空間；
13、對所述初始特征空間進(jìn)行稀疏性分析，計(jì)算特征之間的相關(guān)性系數(shù)，得到特征相關(guān)性矩陣；
14、根據(jù)所述特征相關(guān)性矩陣對所述初始特征空間進(jìn)行優(yōu)化處理，得到所述高維特征空間。
15、進(jìn)一步地，所述對所述高維特征空間進(jìn)行工業(yè)特征提取和降維，得到低維特征向量，包括：
16、對所述高維特征空間進(jìn)行迭代中心化處理，得到中心化工業(yè)數(shù)據(jù)矩陣；?根據(jù)所述中心化工業(yè)數(shù)據(jù)矩陣計(jì)算時(shí)序加權(quán)協(xié)方差矩陣，其中權(quán)重系數(shù)采用指數(shù)衰減函數(shù)根據(jù)數(shù)據(jù)時(shí)間順序進(jìn)行動(dòng)態(tài)分配；
17、對所述時(shí)序加權(quán)協(xié)方差矩陣進(jìn)行特征值分解，得到特征值序列和對應(yīng)的特征向量組；
18、根據(jù)所述特征值序列對所述特征向量組進(jìn)行降序排列，并在排序過程中結(jié)合預(yù)設(shè)的方差閾值，選取特征向量構(gòu)建特征向量矩陣；
19、將所述中心化工業(yè)數(shù)據(jù)矩陣與所述特征向量矩陣進(jìn)行張量積運(yùn)算，得到初始工業(yè)特征向量；
20、對所述初始工業(yè)特征向量進(jìn)行非線性降維處理，得到非線性向量；
21、根據(jù)所述非線性向量的分布特性，對所述非線性向量進(jìn)行歸一化處理，得到標(biāo)準(zhǔn)特征向量；
22、結(jié)合所述方差閾值對所述標(biāo)準(zhǔn)特征向量進(jìn)行多層次特征篩選，得到所述低維工業(yè)特征向量。
23、進(jìn)一步地，所述依據(jù)預(yù)設(shè)的聚類算法對所述低維特征向量進(jìn)行初步分組，得到第一聚類結(jié)果，包括：
24、計(jì)算所述低維特征向量之間的歐氏距離，得到距離矩陣，對所述距離矩陣應(yīng)用層次化分組方法，生成分組樹結(jié)構(gòu)；
25、依據(jù)預(yù)設(shè)的動(dòng)態(tài)切割方法對所述分組樹結(jié)構(gòu)進(jìn)行切割處理，得到初始分組中心；
26、以所述初始分組中心為基礎(chǔ)，并依據(jù)預(yù)設(shè)的迭代均值分組方法對所述低維特征向量進(jìn)行分組處理，得到初始分組結(jié)果；
27、對所述初始分組結(jié)果進(jìn)行輪廓系數(shù)分析，得到分組質(zhì)量評估指標(biāo)；
28、依據(jù)所述分組質(zhì)量評估指標(biāo)，對所述初始分組結(jié)果進(jìn)行迭代優(yōu)化，得到所述第一聚類結(jié)果。
29、進(jìn)一步地，所述對第一聚類結(jié)果進(jìn)行二次調(diào)整，得到第二聚類結(jié)果，包括：
30、對所述第一聚類結(jié)果中的每個(gè)聚類簇進(jìn)行簇內(nèi)樣本計(jì)算，得到簇內(nèi)聚合度和簇間分離度；
31、根據(jù)預(yù)設(shè)的聚類閾值對所述簇內(nèi)聚合度和所述簇間分離度進(jìn)行評估，得到待調(diào)整聚類簇，依據(jù)所述待調(diào)整聚類簇對所述第一聚類結(jié)果進(jìn)行聚類簇分類，得到未調(diào)整聚類簇；
32、依據(jù)預(yù)設(shè)的局部聚類算法對所述待調(diào)整聚類簇進(jìn)行重新聚類，得到局部聚類結(jié)果；
33、將所述局部聚類結(jié)果與所述未調(diào)整聚類簇進(jìn)行合并，形成調(diào)整聚類結(jié)果；
34、依據(jù)預(yù)設(shè)的均值聚類算法計(jì)算所述調(diào)整聚類結(jié)果的隸屬度，得到樣本隸屬度矩陣；
35、根據(jù)所述樣本隸屬度矩陣對所述調(diào)整聚類結(jié)果進(jìn)行樣品分配，得到分配聚類結(jié)果；
36、對所述分配聚類結(jié)果進(jìn)行邊界樣本識(shí)別，得到邊界樣本與非邊界樣本；
37、依據(jù)預(yù)設(shè)的近鄰算法對所述邊界樣本進(jìn)行局部優(yōu)化，得到局部邊界樣本；將所述局部邊界樣本與所述非邊界樣本進(jìn)行合并，得到所述第二聚類結(jié)果。
38、進(jìn)一步地，所述對所述第二聚類結(jié)果進(jìn)行工業(yè)場景模擬驗(yàn)證，得到驗(yàn)證結(jié)果，并依據(jù)所述驗(yàn)證結(jié)果對所述第二聚類結(jié)果進(jìn)行優(yōu)化調(diào)整，得到目標(biāo)聚類組合，包括：
39、依據(jù)預(yù)設(shè)的工業(yè)場景參數(shù)集對所述第二聚類結(jié)果進(jìn)行數(shù)值模擬，得到多組模擬數(shù)據(jù)；
40、根據(jù)所述多組模擬數(shù)據(jù)計(jì)算所述第二聚類結(jié)果的每個(gè)聚類組的性能指標(biāo)矩陣，得到聚類組性能評估結(jié)果；
41、依據(jù)預(yù)設(shè)的多維度評分函數(shù)對所述聚類組性能評估結(jié)果進(jìn)行聚類組評分，得到各聚類組的綜合評分；
42、根據(jù)所述各聚類組的綜合評分對所述聚類組進(jìn)行降序排序，得到聚類組排序結(jié)果；
43、依據(jù)預(yù)設(shè)的交叉變異算法對所述聚類組排序結(jié)果進(jìn)行排序處理，生成多個(gè)候選聚類組合方案；
44、對多個(gè)所述候選聚類組合方案分別進(jìn)行工業(yè)場景數(shù)值模擬，得到多組模擬性能數(shù)據(jù)；
45、根據(jù)所述多組模擬性能數(shù)據(jù)計(jì)算每個(gè)候選聚類組合方案的綜合性能指標(biāo)向量，得到候選方案評估結(jié)果；
46、依據(jù)所述候選方案評估結(jié)果進(jìn)行聚類選擇，得到所述目標(biāo)聚類組合。
47、本專利技術(shù)還提供一種智能化的工業(yè)數(shù)據(jù)聚類分組的系統(tǒng)，應(yīng)用于上述任意一項(xiàng)的智能化的工業(yè)數(shù)據(jù)聚類分組的方法，包括：
48、采集模塊，所述采集模塊用于對收集到的原始工業(yè)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化預(yù)處理，得到標(biāo)準(zhǔn)工業(yè)數(shù)據(jù)，依據(jù)所述標(biāo)準(zhǔn)工業(yè)數(shù)據(jù)構(gòu)建出高維特征空間；
49、分析模塊，所述分析模塊用于對所述高維特征空間進(jìn)行工業(yè)特征提取和降維，得到低維特征向量；
50、關(guān)聯(lián)模塊，所述關(guān)聯(lián)模塊用于依據(jù)預(yù)設(shè)的聚類算法對所述低維特征向量進(jìn)行初步分組本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種智能化的工業(yè)數(shù)據(jù)聚類分組的方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的智能化的工業(yè)數(shù)據(jù)聚類分組的方法，其特征在于，所述對收集到的原始工業(yè)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化預(yù)處理，得到標(biāo)準(zhǔn)工業(yè)數(shù)據(jù)，依據(jù)所述標(biāo)準(zhǔn)工業(yè)數(shù)據(jù)構(gòu)建出高維特征空間，包括：
3.根據(jù)權(quán)利要求1所述的智能化的工業(yè)數(shù)據(jù)聚類分組的方法，其特征在于，所述對所述高維特征空間進(jìn)行工業(yè)特征提取和降維，得到低維特征向量，包括：
4.根據(jù)權(quán)利要求1所述的智能化的工業(yè)數(shù)據(jù)聚類分組的方法，其特征在于，所述依據(jù)預(yù)設(shè)的聚類算法對所述低維特征向量進(jìn)行初步分組，得到第一聚類結(jié)果，包括：
5.根據(jù)權(quán)利要求1所述的智能化的工業(yè)數(shù)據(jù)聚類分組的方法，其特征在于，所述對第一聚類結(jié)果進(jìn)行二次調(diào)整，得到第二聚類結(jié)果，包括：
6.根據(jù)權(quán)利要求1所述的智能化的工業(yè)數(shù)據(jù)聚類分組的方法，其特征在于，所述對所述第二聚類結(jié)果進(jìn)行工業(yè)場景模擬驗(yàn)證，得到驗(yàn)證結(jié)果，并依據(jù)所述驗(yàn)證結(jié)果對所述第二聚類結(jié)果進(jìn)行優(yōu)化調(diào)整，得到目標(biāo)聚類組合，包括：
7.一種智能化的工業(yè)數(shù)據(jù)聚類分組的系統(tǒng)，其特征在于，應(yīng)用于上述權(quán)利要求1-6任意一項(xiàng)的智能化的工業(yè)數(shù)據(jù)聚類分組的方法，包括：
8.一種智能化的工業(yè)數(shù)據(jù)聚類分組的裝置，其特征在于，包括：
9.一種存儲(chǔ)介質(zhì)，其特征在于，存儲(chǔ)有計(jì)算機(jī)指令，所述計(jì)算機(jī)指令用于使計(jì)算機(jī)執(zhí)行根據(jù)權(quán)利要求1至6任一項(xiàng)所述的方法。
...
【技術(shù)特征摘要】
1.一種智能化的工業(yè)數(shù)據(jù)聚類分組的方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的智能化的工業(yè)數(shù)據(jù)聚類分組的方法，其特征在于，所述對收集到的原始工業(yè)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化預(yù)處理，得到標(biāo)準(zhǔn)工業(yè)數(shù)據(jù)，依據(jù)所述標(biāo)準(zhǔn)工業(yè)數(shù)據(jù)構(gòu)建出高維特征空間，包括：
3.根據(jù)權(quán)利要求1所述的智能化的工業(yè)數(shù)據(jù)聚類分組的方法，其特征在于，所述對所述高維特征空間進(jìn)行工業(yè)特征提取和降維，得到低維特征向量，包括：
4.根據(jù)權(quán)利要求1所述的智能化的工業(yè)數(shù)據(jù)聚類分組的方法，其特征在于，所述依據(jù)預(yù)設(shè)的聚類算法對所述低維特征向量進(jìn)行初步分組，得到第一聚類結(jié)果，包括：
5.根據(jù)權(quán)利要求1所述的智能化的工業(yè)數(shù)據(jù)聚類分組的方...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：鄭川立，羅俊華，
申請(專利權(quán))人：深圳領(lǐng)馭科技有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會(huì)獲得科技券。