基于半監(jiān)督多視角聚類(lèi)的特種設(shè)備安全預(yù)警方法

徐黃鎮(zhèn) 杜文輝 沈峰敏 張?？?/p>

摘 ?要：隨著我國(guó)經(jīng)濟(jì)社會(huì)的高速發(fā)展，特征設(shè)備在工業(yè)制造、交通建設(shè)、能源動(dòng)力、城市管理、文化旅游等多個(gè)行業(yè)領(lǐng)域?qū)χ械玫搅藦V泛使用，已經(jīng)成為我國(guó)經(jīng)濟(jì)社會(huì)發(fā)展必不可少的重要組成部分。然而，特種設(shè)備在使用過(guò)程中存在許多潛在的安全風(fēng)險(xiǎn)，其危險(xiǎn)系數(shù)較高。為了有效預(yù)防特種設(shè)備在使用過(guò)程中出現(xiàn)安全事故，本文提出了一種基于半監(jiān)督多視角聚類(lèi)的特種設(shè)備安全預(yù)警方法（SM-MVC）。該方法一方面通過(guò)特種設(shè)備多源數(shù)據(jù)融合提高安全預(yù)警的準(zhǔn)確度，另一方面通過(guò)結(jié)合低秩表示方法對(duì)多源數(shù)據(jù)中的噪聲進(jìn)行處理，增強(qiáng)了對(duì)異常設(shè)備的判別能力。最后，通過(guò)在多個(gè)公開(kāi)數(shù)據(jù)集和真實(shí)數(shù)據(jù)集上的仿真實(shí)驗(yàn)驗(yàn)證了本文方法的有效性。

關(guān)鍵詞：特種設(shè)備安全預(yù)警;半監(jiān)督聚類(lèi);多視圖聚類(lèi);非負(fù)矩陣分解;低秩表示

1引言

隨著我國(guó)經(jīng)濟(jì)社會(huì)的高速發(fā)展，特征設(shè)備在工業(yè)制造、交通建設(shè)、能源動(dòng)力、城市管理、文化旅游等多個(gè)行業(yè)領(lǐng)域?qū)χ械玫搅藦V泛使用，直接影響百姓生產(chǎn)和生活的方方面面，已經(jīng)成為我國(guó)經(jīng)濟(jì)社會(huì)發(fā)展必不可少的重要組成部分。然而在我國(guó)目前的特種設(shè)備管理模式中，特種設(shè)備的安全運(yùn)行仍然依賴于操作和監(jiān)管人員的專(zhuān)業(yè)素質(zhì)水平。因此，需要利用現(xiàn)代人工智能技術(shù)推動(dòng)特種設(shè)備安全監(jiān)管模式創(chuàng)新，降低由于人工因素誘發(fā)的特征設(shè)備安全問(wèn)題，提高特種設(shè)備自動(dòng)化、智能化安全監(jiān)管能力。

為了解決上述問(wèn)題，本文提出了一種基于半監(jiān)督多視角聚類(lèi)的特種設(shè)備安全預(yù)警方法（SM-MVC），該算法的目的是利用多源數(shù)據(jù)，從特種設(shè)備的歷史數(shù)據(jù)中找出影響設(shè)備故障因素之間的關(guān)系，并根據(jù)這些關(guān)系對(duì)特種設(shè)備的進(jìn)行分級(jí)預(yù)警。該方法可以利用已有的標(biāo)簽信息在多視角空間對(duì)數(shù)據(jù)進(jìn)行聚類(lèi)。

2相關(guān)工作

國(guó)內(nèi)的特種設(shè)備安全監(jiān)管大數(shù)據(jù)平臺(tái)主要通過(guò)匯聚不同數(shù)據(jù)源的數(shù)據(jù)資源進(jìn)行安全監(jiān)管，其核心在于通過(guò)對(duì)特種設(shè)備基礎(chǔ)數(shù)據(jù)、質(zhì)監(jiān)監(jiān)管數(shù)據(jù)、檢驗(yàn)業(yè)務(wù)數(shù)據(jù)、業(yè)主數(shù)據(jù)、維保數(shù)據(jù)等數(shù)據(jù)資源的收集.采用決策樹(shù)方法對(duì)多源數(shù)據(jù)進(jìn)行利用，時(shí)間復(fù)雜度較小，但如果數(shù)據(jù)存在噪聲，生成分支過(guò)多算法導(dǎo)致過(guò)分?jǐn)M合。

雖然結(jié)合人工智能技術(shù)和特種設(shè)備安全監(jiān)管任務(wù)的研究正在快速發(fā)展，但是相關(guān)研究工作并沒(méi)有考慮融合多平臺(tái)的多源數(shù)據(jù)，其理論基礎(chǔ)仍然比較薄弱。提出在電梯的全生命周期中需要收集其結(jié)構(gòu)化、非結(jié)構(gòu)化的多源數(shù)據(jù)，才能為進(jìn)一步的數(shù)據(jù)處理和分析奠定基礎(chǔ)。提出了一種基于特種設(shè)備多源大數(shù)據(jù)質(zhì)量評(píng)價(jià)方法，為后續(xù)大數(shù)據(jù)分析及一體化集成服務(wù)提供質(zhì)量保障。本文首先基于多視圖的非負(fù)矩陣分解，實(shí)現(xiàn)特種設(shè)備多源數(shù)據(jù)的融合，其次通過(guò)低秩表示方法，對(duì)復(fù)雜的多源數(shù)據(jù)進(jìn)行處理，消除數(shù)據(jù)中的噪聲影響，實(shí)現(xiàn)特種設(shè)備安全狀態(tài)的自適應(yīng)分類(lèi)，從而提高對(duì)特種設(shè)備安全預(yù)警的準(zhǔn)確度。

3基于半監(jiān)督多視角聚類(lèi)的特種設(shè)備安全預(yù)警方法

為了解決傳統(tǒng)特種設(shè)備安全預(yù)警方法無(wú)法將已有設(shè)備特征信息利用的情況。本文提出的基于低秩半監(jiān)督多視角聚類(lèi)的特種設(shè)備安全預(yù)警方法。

3.1原理和目標(biāo)

基于半監(jiān)督非負(fù)矩陣分解，我們一方面引入圖表示矩陣S捕捉每個(gè)數(shù)據(jù)源中的結(jié)構(gòu)信息，另一方面為了降低多源數(shù)據(jù)中的噪聲影響，引入低秩表示對(duì)融合目標(biāo)進(jìn)行處理，通過(guò)最小化如下目標(biāo)函數(shù)實(shí)現(xiàn)多源數(shù)據(jù)融合：

（9）

其中 代表多視圖數(shù)據(jù)集， 和 分別表示通過(guò)分解得到的是基矩陣和表示矩陣。 矩陣表示是半監(jiān)督約束矩陣。在目標(biāo)函數(shù)中，為了進(jìn)一步增強(qiáng)融合目標(biāo)S的魯棒性，我們提出了基于質(zhì)心的正則化方案，最終算法模型如下所示：

（10）

3.3優(yōu)化算法

在目標(biāo)函數(shù)中包括多個(gè)變量，為了實(shí)現(xiàn)目標(biāo)函數(shù)的最小化，我們采用ADMM迭代法進(jìn)行優(yōu)化求解。

Step1：固定變量 ， 和 更新

通過(guò)引入拉格朗日乘數(shù) ，約束 ，對(duì)L1求 的偏導(dǎo)數(shù)：

（11）

通過(guò)設(shè)置 并使用KKT條件令 ，我們得到了 的更新規(guī)則：

（12）

Step2：固定變量 ， 和 更新

通過(guò)引入拉格朗日乘數(shù) ，約束 。通過(guò)設(shè)置 并使用KKT條件[13]令 ，我們得到了 的更新規(guī)則：

（13）

Step3：固定變量 ， 和 更新

引入輔助變量 ，對(duì) 求偏導(dǎo)，得到：

（14）

的更新規(guī)則如下：

（15）

Step4：固定變量 ， 和 更新

對(duì)公式（22）求偏導(dǎo) ，得到：

（16）

算法的詳細(xì)步驟如算法1所示。通過(guò)最小化目標(biāo)函數(shù)，實(shí)現(xiàn)多源數(shù)據(jù)融合，獲取魯棒的融合目標(biāo) 。最后通過(guò)對(duì) 使用譜聚類(lèi)獲得數(shù)據(jù)的簇劃分。在此基礎(chǔ)上，結(jié)合半監(jiān)督樣本信息對(duì)每類(lèi)的安全等級(jí)進(jìn)行劃分。當(dāng)某個(gè)類(lèi)包含大量高風(fēng)險(xiǎn)樣本時(shí)，我們將該類(lèi)其余樣本劃分為高風(fēng)險(xiǎn)設(shè)備，當(dāng)某個(gè)類(lèi)包括少量高風(fēng)險(xiǎn)樣本時(shí)，我們將其余樣本劃分為中風(fēng)險(xiǎn)設(shè)備，當(dāng)某個(gè)類(lèi)內(nèi)不存在高風(fēng)險(xiǎn)設(shè)備時(shí)，該類(lèi)其余樣本屬于低風(fēng)險(xiǎn)設(shè)備。由此我們可以實(shí)現(xiàn)對(duì)特種設(shè)備安全風(fēng)險(xiǎn)的預(yù)警。

算法1：半監(jiān)督多視角聚類(lèi) SM-MVC

輸入：數(shù)據(jù)集 ，低秩參數(shù) ，視圖權(quán)重 ，矩陣因子的維數(shù) ，標(biāo)簽樣本數(shù)比例 ，標(biāo)簽矩陣A

Step 1. For v=1：num_view

Step 2. ? ?初始化 矩陣

Step 3. End for

Step 4. While not converged do

Step 5. For v=1：num_view

Step 6. ? ?通過(guò)公式（12），更新變量

Step 7. ? ?通過(guò)公式（13），更新變量

Step 8. ? ?通過(guò)公式（16），更新變量

Step 9. End for

Step10. End while

輸出：融合目標(biāo)

4仿真實(shí)驗(yàn)

本文的比較方法包括多種多視圖聚類(lèi)方法：多視圖共生圖聚類(lèi)（MCGC），多視角聚類(lèi)圖學(xué)習(xí)（MVGL），基于低秩稀疏分解的魯棒多視圖譜聚類(lèi)（RMSC），非負(fù)矩陣分解（NMF），基于圖正則化的非負(fù)矩陣分解（GNMF），受限非負(fù)矩陣分解（CNMF）。

4.1實(shí)驗(yàn)數(shù)據(jù)集

本文采用了uci-digit1、3-sources2、MSRC_v13、BBCSport4、BBC4五個(gè)仿真數(shù)據(jù)集和一個(gè)真實(shí)電梯數(shù)據(jù)集Elevator。uci-digit數(shù)據(jù)集：包含手寫(xiě)數(shù)字0到9的2000個(gè)樣本，共有10個(gè)類(lèi)。3-Sources數(shù)據(jù)集：包含來(lái)自BBC、Reuter、guardian新聞文章的數(shù)據(jù)集，使用其中169篇。MSRC-v1數(shù)據(jù)集：包含240張共8個(gè)類(lèi)別的圖像，本實(shí)驗(yàn)選擇7個(gè)物體共計(jì)210張。BBCSport數(shù)據(jù)集：包含來(lái)自2個(gè)不同領(lǐng)域的544條體育新聞。BBC數(shù)據(jù)集：包含來(lái)自BBC新聞的685份文檔，可以分為5類(lèi)。Elevator數(shù)據(jù)集：包含來(lái)自湖州市特種設(shè)備檢測(cè)研究院提供的2020年曳引驅(qū)動(dòng)載貨電梯的運(yùn)行數(shù)據(jù)。該數(shù)據(jù)集共包含358份樣本，每個(gè)電梯樣本包括生產(chǎn)數(shù)據(jù)、環(huán)境數(shù)據(jù)和檢修數(shù)據(jù)3個(gè)數(shù)據(jù)源。

4.2實(shí)驗(yàn)結(jié)果

算法中主要包含2個(gè)主要參數(shù)λ和r，分別用于控制低秩的程度和于控制半監(jiān)督標(biāo)簽的百分比。在實(shí)驗(yàn)中，各視圖均設(shè)置相同權(quán)重系數(shù)。實(shí)驗(yàn)結(jié)果如圖1所示，我們首先從區(qū)間[0.001，0.01， 0.1，1.0，10]選擇最佳參數(shù)λ，然后借助最佳參數(shù)從對(duì)應(yīng)區(qū)間選擇最佳參數(shù) ，其余參數(shù)保持一致。

為了避免算法中隨機(jī)初始化引起的誤差，本次實(shí)

驗(yàn)每種算法在數(shù)據(jù)集上均運(yùn)行十次，采用“平均值（標(biāo)準(zhǔn)差）”的格式進(jìn)行展示。相比以RMSC為代表的多視角聚類(lèi)算法，我們的方法在聚類(lèi)精度上均取得最優(yōu)，這證明了我們的方法具有更好的性能，聚類(lèi)結(jié)果更加魯棒。

為了驗(yàn)證我們的半監(jiān)督多視圖聚類(lèi)方法SM-MVC對(duì)特種設(shè)備安全預(yù)警的效果，我們從湖州市2020年曳引驅(qū)動(dòng)載貨電梯的運(yùn)行數(shù)據(jù)中提取出包含三個(gè)數(shù)據(jù)源的電梯數(shù)據(jù)集。該數(shù)據(jù)集共包含358份樣本，每個(gè)電梯樣本包括生產(chǎn)數(shù)據(jù)、環(huán)境數(shù)據(jù)和檢修數(shù)據(jù)3個(gè)數(shù)據(jù)源。實(shí)驗(yàn)過(guò)程中半監(jiān)督標(biāo)簽比例為 [0.1，0.2，0.3，0.4]。

5總結(jié)

為了將已有的特種設(shè)備樣本利用起來(lái)以提高安全預(yù)警能力。本文提出了SM-MVC算法，將已知設(shè)備信息作為標(biāo)簽信息加入。在標(biāo)簽信息的幫助下，我們的模型首先會(huì)將具有相同標(biāo)簽的樣本合并到同一新的表示中。同時(shí)，利用低秩表示，有效的避免了數(shù)據(jù)收集過(guò)程中噪聲造成的干擾。通過(guò)在仿真數(shù)據(jù)集和真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果，證明了算法的有效性。

參考文獻(xiàn)

[1]蘇超，容爍.特種設(shè)備安全監(jiān)管大數(shù)據(jù)平臺(tái)研究[J].物聯(lián)網(wǎng)技術(shù)，2020，10（07）：59-62.

[2]王新浩，羅云，李桐，黃西菲.基于大數(shù)據(jù)的特種設(shè)備宏觀安全風(fēng)險(xiǎn)預(yù)警方法研究[J].中國(guó)安全生產(chǎn)科學(xué)技術(shù)，2018，14（04）：160-166.

[3]徐斌， 李琳， and 鐘珞， “面向大數(shù)據(jù)的智慧電梯分析預(yù)警平臺(tái)，” 武漢理工大學(xué)學(xué)報(bào)（交通科學(xué)與工程版）， no. 41， pp. 359–362， 2017.

[4]劉佳璐 and 賈中輝， “基于大數(shù)據(jù)的電梯維保智能管控云平臺(tái)的設(shè)計(jì)與實(shí)現(xiàn)，” 中國(guó)電梯， vol. 030， no. 016， pp. 39-42，64， 2019.

姓名：徐黃鎮(zhèn)，出生年月：1987年01月，性別：男，民族：漢，籍貫：浙江省湖州市，學(xué)歷：本科，職稱(chēng)：工程師，從事工作：特種設(shè)備檢驗(yàn)。