基于聚类优化的非负矩阵分解方法及其应用

中国机械工程

基于聚类优化的非负矩阵分解方法及其应用

栗茂林1;梁霖2;陈元明2;徐光华2;何康康2

1.西安交通大学工程坊，西安，710049
2.西安交通大学机械工程学院，西安，710049

出版日期:2018-03-25 发布日期:2018-03-21
基金资助:
国家自然科学基金资助项目（51575438）
National Natural Science Foundation of China （No. 51575438）

Non-negative Matrix Factorization Based on Clustering and Its Application

LI Maolin1;LIANG Lin2;CHEN Yuanming2;XU Guanghua2;HE Kangkang2

1.Engineering Workshop,Xi'an Jiaotong University，Xi'an，710049
2.School of Mechanical Engineering,Xi'an Jiaotong University,Xi'an,710049

Online:2018-03-25 Published:2018-03-21
Supported by:
国家自然科学基金资助项目（51575438）
National Natural Science Foundation of China （No. 51575438）

摘要/Abstract

摘要： 针对不断增加的机电系统运行状态信息，传统的特征提取和选择方法已无法满足需求。根据非负矩阵分解典型算法的特点，基于非负矩阵分解的聚类特性，提出了一种面向故障诊断的分解方法。通过分类能力和迭代效率的对比分析，选择了相关性约束和稀疏性约束的改进型交替最小二乘迭代算法，确定了低维嵌入维数及迭代初始化方法，在UCI测试数据集和TEP系统的特征选择应用中验证了该方法的有效性。

关键词: 非负矩阵分解, 聚类, 迭代算法, 特征选择

Abstract: With the increasing complexity of electromechanical system state informations, traditional feature extraction and selection methods were unable to meet the needs. According to the characteristics of conventional non-negative matrix factorization(NMF) algorithm, a NMF method for monitoring and fault diagnosis was proposed based on the clustering property of NMF. By comparing classification accuracy and iteration efficiency, an improved alternating least square iterative algorithm with sparsity and correlation constraints was selected, and the low-dimensional embedded dimension and iterative initialization method were also determined. Experimental results to UCI test datasets and fault diagnosis of Tennessee-Eastman process(TEP) systems show that this approach is more effective to extract the fault features, and enhance the failure pattern capabilities.

Key words: non-negative matrix factorization（NMF）, clustering, iterative algorithm, feature selection

中图分类号:

TH16

栗茂林1;梁霖2;陈元明2;徐光华2;何康康2. 基于聚类优化的非负矩阵分解方法及其应用[J]. 中国机械工程.

LI Maolin1;LIANG Lin2;CHEN Yuanming2;XU Guanghua2;HE Kangkang2. Non-negative Matrix Factorization Based on Clustering and Its Application[J]. China Mechanical Engineering.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.cmemo.org.cn/CN/

https://www.cmemo.org.cn/CN/Y2018/V29/I06/720

参考文献

[1]张培林，王怀光，张磊，等.非负矩阵分解在发动机故障特征提取中的应用[J].振动工程学报，2013，26(6)：944-950.
ZHANG Peilin，WANG Huaiguang，ZHANG Lei，et al. Feature Extraction for Engine Fault Diagnosis by Utilizing Adaptive Multi-scale Morphological Gradient and Non-negative Matrix Factorization[J]. Journal of Vibration Engineering，2013，26(6)：944-950.
[2]李兵，米双山，刘鹏远，等.二维非负矩阵分解在齿轮故障诊断中的应用[J].振动测试与诊断，2012，32(5)：836-840.
LI Bing，MI Shuangshan，LIU Pengyuan，et al. Application of Two-dimensional Non-negative Factorization for Gear Fault Diagnosis[J]. Journal of Viaration, Measurement & Diagnosis，2012，32(5)：836-840.
[3]陈霖，邹金慧.基于NMF-SVM的复杂化工过程故障诊断[J].计算机与应用化学，2014，31(8)：1015-1018.
CHEN Lin，ZOU Jinhui.Fault Diagnosis of Complex Chemical Process Based on NMF-SVM [J].Computers and Applied Chemistry，2014，31(8)：1015-1018.
[4]唐曦凌，梁霖，高慧中，等.结合连续小波变换和多约束非负矩阵分解的故障特征提取方法[J].振动与冲击，2013，32(19)：7-11.
TANG Xiling，LIANG Lin，GAO Huizhong，et al.Fault Feature Extraction Method Combining Continuous Wavelet Transformation with Multi-consitraint Nonnegative Matrix Factorization[J]. Journal of Vibration and Shock，2013，32(19)：7-11.
[5]WANG Yuxiong，ZHANG Yujin.Nonnegative Matrix Factorization: a Comprehensive Review[J]. IEEE Transactions on Knowledge and Data Engineering，2013，25(6)：1336-1353.
[6]BERRY M W，BROWNE M，LANGVILLE A N，et al. Algorithms and Applications for Approximate Nonnegative Matrix Factorization[J]. Computational Statistics & Data Analysis，2007，52(1)：155-173.
[7]LI T，DING C.The Relationships among Various Nonnegative Matrix Factorization Methods for Clustering[C]//Sixth International Conference on Data Mining. Hong Kong，2006：362-371.
[8]CICHOCKI A，ZDUNEK R，PHAN A H，et al. Nonnegative Matrix and Tensor Factorizations: Applications to Exploratory Multi-way Data Analysis and Blind Source Separation [M]. Hoboken：Wiley，2009：203-213.
[9]YU Shaohui，ZHANG Yujun，LIU Wenqing，et al. A Novel Initialization Method for Nonnegative Matrix Factorization and Its Application in Component Recognition with Three-dimensional Fluorescence Spectra[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy，2012，86：315-319.
[10]XUE Yun，TONG C S，CHEN Ying，et al. Clustering-based Initialization for Non-negative Matrix Factorization[J]. Applied Mathematics and Computation，2008，205 (2)：525-536.
[11]JANECEK A，TAN Y. Using Population Based Algorithms for Initializing Nonnegative Matrix Factorization[J]. Lecture Notes in Computer Science, 2011，6729：307-316.

[1]	胡胜1, 2, 高冰冰1, 张溪1, 刘登基1. 基于局部线性嵌入的制造过程多重共线性参数特征选择[J]. 中国机械工程, 2025, 36(06): 1238-1246.
[2]	秦大同, 陈沫机, 曹宇航, 高迪. 基于驾驶事件的驾驶风格分类与识别方法研究[J]. 中国机械工程, 2024, 35(09): 1534-1541.
[3]	郭丰泽, 杨博, 戎志祥, 杨俊曼, 冯熠硕. 基于位敏传感器的对中监测系统[J]. 中国机械工程, 2024, 35(08): 1509-1519.
[4]	高文斌1, 2, 占庆元1, 2. 基于位形相似性聚类的机器人参数标定研究[J]. 中国机械工程, 2024, 35(07): 1168-1177，1187.
[5]	聂昕, 谭天, 申丹凤. 基于深度学习的汽车梁类件冲压回弹研究[J]. 中国机械工程, 2023, 34(07): 838-846.
[6]	余晗琳, 罗亚波. 掺配车间的双中心物流路径规划[J]. 中国机械工程, 2022, 33(21): 2531-2537.
[7]	蒋佳炜, 胡以怀, 方云虎, 张陈, 芮晓松, 汪猛. 基于多尺度时域平均分解和模糊熵的船用风机故障诊断方法[J]. 中国机械工程, 2022, 33(10): 1178-1188.
[8]	李敏波, 董伟伟. 面向不平衡数据集的汽车零部件质量预测[J]. 中国机械工程, 2022, 33(01): 88-96.
[9]	邹裕吉, 宋豫川, 王馨坤, 王毅. 自动导向小车与加工设备多目标集成调度的聚类遗传算法[J]. 中国机械工程, 2022, 33(01): 97-108.
[10]	史红霞, 王建民. 基于法向量区域聚类分割的点云特征线提取[J]. 中国机械工程, 2021, 32(21): 2552-2561.
[11]	路浩, 陈洋, 吴怀宇, 程磊, . 受路网和测量约束的变电站巡检机器人路径规划[J]. 中国机械工程, 2021, 32(16): 1972-1982.
[12]	周晓春, 梁军, 陈龙, 王亚飞, 龚进峰. 智能网联车即插即用组网模型及决策融合算法[J]. 中国机械工程, 2021, 32(16): 1983-1993.
[13]	刘道元, 郭宇, 黄少华, 方伟光, 杨能俊, 崔世婷. 一种面向订单剩余完工时间预测的SOM-FWFCM特征选择算法#br#[J]. 中国机械工程, 2021, 32(09): 1073-1079.
[14]	吕佑龙;许鸿伟;郑城;张洁;郑鹏. 基于混合式特征选择模型的晶圆允收测试关键参数识别方法[J]. 中国机械工程, 2020, 31(16): 1978-1984,1997.
[15]	辜勇, 袁源乙, 张列, 段晶晶. 带时间窗的多中心半开放式车辆路径问题[J]. 中国机械工程, 2020, 31(14): 1733-1740.