本发明涉及数据处理，尤其涉及一种基于数据分析的矿井机电设备的状态评估方法。
背景技术：
1、矿井风机设备是矿井通风系统中的关键组成部分，其运行状态直接关系到矿井的安全生产和作业人员的安全，矿井风机设备的运行状态评估对于及时发现潜在故障、预防重大事故具有重要意义。随着信息技术的发展，数据驱动的状态评估方法逐渐成为研究热点，而聚类分析作为一种无监督学习技术，被广泛应用于矿井风机设备的状态评估，因此，传统的矿井风机设备的运行状态评估方法主要根据矿井风机设备运行时产生的传感器数据，通过对传感器数据进行谱聚类分析，自动将矿井风机设备的运行状态分为不同的类别，如正常运行、异常运行或故障状态。
2、在对传感器数据进行谱聚类分析过程中，采集的传感器数据由于风机工作模式不同，被记录到更高或更低的振动水平数据，如果直接使用谱聚类分析中的传统相似度矩阵，会存在部分传感器数据被错误地认为是相似的，这种相似度误差会导致矿井风机设备的不同部件的运行状态难以准确区分，从而影响设备诊断和维护的准确性。
3、因此，如何提高利用谱聚类方法对矿井机电设备的运行状态进行评估的准确性成为亟需解决的问题。
技术实现思路
1、有鉴于此，本发明实施例提供了一种基于数据分析的矿井机电设备的状态评估方法，以解决如何提高利用谱聚类方法对矿井机电设备的运行状态进行评估的准确性的问题。
2、本发明实施例中提供了一种基于数据分析的矿井机电设备的状态评估方法，该方法包括以下步骤：
3、在矿井通风设备运行过程中，获取所述矿井通风设备的振动时序数据；
4、针对所述振动时序数据中的任一振动数据，根据所述振动数据的局部振动数据变化，获取所述振动数据的局部密度缩放因子，利用所述振动时序数据中的每个振动数据的局部密度缩放因子，对所述振动时序数据进行谱聚类时的相似度矩阵进行优化，对应得到优化后的相似度矩阵；
5、针对所述优化后的相似度矩阵中的任一相似度，根据所述相似度对应的两个振动数据在所述振动时序数据中的近邻窗口数据，获取所述相似度对应的两个振动数据的时序相关性因子，利用所述时序相关性因子对所述相似度进行优化，得到优化后的相似度，将所有优化后的相似度组成最终相似度矩阵；
6、根据所述最终相似度矩阵构建归一化拉普拉斯矩阵，对所述归一化拉普拉斯矩阵进行特征分解，获取预设数量个特征值和每个所述特征值对应的特征向量，对所有特征向量进行k-means聚类，得到所述预设数量个聚类簇，根据每个所述聚类簇中的特征向量，获取所述矿井通风设备的运行状态的评估结果。
7、优选的，所述根据所述振动数据的局部振动数据变化，获取所述振动数据的局部密度缩放因子，包括：
8、利用核函数计算所述振动数据与所述振动时序数据中的每个其他振动数据之间的距离，将所有距离按照从小到大排序，取排序后的前k个距离计算平均距离，将所述平均距离作为所述振动数据的局部密度缩放因子。
9、优选的，所述利用所述振动时序数据中的每个振动数据的局部密度缩放因子，对所述振动时序数据进行谱聚类时的相似度矩阵进行优化，对应得到优化后的相似度矩阵，包括：
10、对所述振动时序数据进行谱聚类时，针对所述振动时序数据中的任一两个振动数据，利用核函数计算所述两个振动数据之间的距离作为初始相似度，对所述两个振动数据的局部密度缩放因子之间的乘积进行二次开方操作，得到对应的开方值，将所述开放值和所述初始相似度之间的比值作为所述两个振动数据之间的相似度；
11、分别获取所述振动时序数据中每两个振动数据之间的相似度，组成优化后的相似度矩阵。
12、优选的，所述根据所述相似度对应的两个振动数据在所述振动时序数据中的近邻窗口数据，获取所述相似度对应的两个振动数据的时序相关性因子，包括：
13、取所述相似度对应的两个振动数据中的任一振动数据作为目标振动数据，在所述振动时序数据中获取以所述目标振动数据为中心的预设大小的近邻窗口，根据所述相似度对应的两个振动数据的近邻窗口之间的振动数据差异，获取所述相似度对应的两个振动数据之间的特征差异归一化因子；
14、根据所述相似度对应的两个振动数据的采样时间，获取对应的时间间隔，获取所述时间间隔和第一预设调整参数之间的差值平方，获取预设倍数的第二预设调整参数与所述特征差异归一化因子之间的相乘结果，利用自然常数为底数的指数函数对所述差值平方和所述相乘结果之间的比值进行负映射，得到对应的映射值作为所述相似度对应的两个振动数据的时序相关性因子。
15、优选的，所述根据所述相似度对应的两个振动数据的近邻窗口之间的振动数据差异，获取所述相似度对应的两个振动数据之间的特征差异归一化因子，包括：
16、根据所述相似度对应的两个振动数据的近邻窗口，分别计算每个所述近邻窗口包含的所有振动数据之间的振动数据均值和振动数据标准差，计算两个所述近邻窗口之间的振动数据均值的第一差值绝对值和第一相加结果，对应得到所述第一差值绝对值和所述第一相加结果之间的第一比值，计算两个所述近邻窗口之间的振动数据标准差的第二差值绝对值和第二相加结果，对应得到所述第二差值绝对值和所述第二相加结果之间的第二比值；
17、获取常数1、所述第一比值和所述第二比值之间的相加结果作为所述相似度对应的两个振动数据之间的特征差异归一化因子。
18、优选的，所述利用所述时序相关性因子对所述相似度进行优化，得到优化后的相似度，包括：
19、将所述时序相关性因子与所述相似度之间的乘积作为优化后的相似度。
20、优选的，所述根据所述最终相似度矩阵构建归一化拉普拉斯矩阵，包括：
21、把所述最终相似度矩阵中的每列元素进行相加，得到度矩阵，根据所述度矩阵和所述最终相似度矩阵获取拉普拉斯矩阵，利用所述度矩阵对所述拉普拉斯矩阵进行对角化处理，对应得到的对角矩阵作为归一化拉普拉斯矩阵。
22、优选的，所述对所有特征向量进行k-means聚类，得到所述预设数量个聚类簇，包括：
23、构建所有特征向量的目标矩阵，所述目标矩阵的每列对应一个特征向量，分别对所述目标矩阵的每行元素进行单位向量的规整，得到对应的行向量，对所有行向量进行k-means聚类，得到所述预设数量个聚类簇。
24、优选的，所述根据每个所述聚类簇中的特征向量，获取所述矿井通风设备的运行状态的评估结果，包括：
25、针对任一聚类簇，根据所述聚类簇中的所有行向量，计算行向量均值和行向量标准差，根据每个所述聚类簇的行向量均值和行向量标准差，计算整体行向量均值和整体行向量标准差，根据所述整体行向量均值和所述整体行向量标准差之间的差值和相加结果，设置所述矿井通风设备处于正常运行状态所对应的行向量均值范围；
26、若所有聚类簇的行向量均值都处于所述行向量均值范围内，则确定所述矿井通风设备的运行状态为正常运行状态，反之，若至少一个聚类簇的行向量均值不处于所述行向量均值范围内，则确定所述矿井通风设备的运行状态为异常运行状态。
27、本发明实施例与现有技术相比存在的有益效果是：
28、本发明在矿井通风设备运行过程中，获取所述矿井通风设备的振动时序数据；针对所述振动时序数据中的任一振动数据，根据所述振动数据的局部振动数据变化，获取所述振动数据的局部密度缩放因子，利用所述振动时序数据中的每个振动数据的局部密度缩放因子，对所述振动时序数据进行谱聚类时的相似度矩阵进行优化，对应得到优化后的相似度矩阵；针对所述优化后的相似度矩阵中的任一相似度，根据所述相似度对应的两个振动数据在所述振动时序数据中的近邻窗口数据，获取所述相似度对应的两个振动数据的时序相关性因子，利用所述时序相关性因子对所述相似度进行优化，得到优化后的相似度，将所有优化后的相似度组成最终相似度矩阵；根据所述最终相似度矩阵构建归一化拉普拉斯矩阵，对所述归一化拉普拉斯矩阵进行特征分解，获取预设数量个特征值和每个所述特征值对应的特征向量，对所有特征向量进行k-means聚类，得到所述预设数量个聚类簇，根据每个所述聚类簇中的特征向量，获取所述矿井通风设备的运行状态的评估结果。其中，根据振动时序数据中各个振动的局部密度分布和时序相关性，对振动时序数据进行谱聚类时的相似度矩阵进行两次优化，有效解决了矿井通风设备的振动数据在不同工况下的密度差异和特征突变导致的误分类问题，优化后的谱聚类不仅提高了矿井通风设备的运行状态评估的准确性，同时，通过引用拉普拉斯矩阵进行聚类划分，以避免采集的数据量过大时，对矿井通风设备的运行状态的实时监控和精准故障诊断不及时。
1.基于数据分析的矿井机电设备的状态评估方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于数据分析的矿井机电设备的状态评估方法，其特征在于，所述根据所述振动数据的局部振动数据变化，获取所述振动数据的局部密度缩放因子，包括：
3.根据权利要求1所述的基于数据分析的矿井机电设备的状态评估方法，其特征在于，所述利用所述振动时序数据中的每个振动数据的局部密度缩放因子，对所述振动时序数据进行谱聚类时的相似度矩阵进行优化，对应得到优化后的相似度矩阵，包括：
4.根据权利要求1所述的基于数据分析的矿井机电设备的状态评估方法，其特征在于，所述根据所述相似度对应的两个振动数据在所述振动时序数据中的近邻窗口数据，获取所述相似度对应的两个振动数据的时序相关性因子，包括：
5.根据权利要求4所述的基于数据分析的矿井机电设备的状态评估方法，其特征在于，所述根据所述相似度对应的两个振动数据的近邻窗口之间的振动数据差异，获取所述相似度对应的两个振动数据之间的特征差异归一化因子，包括：
6.根据权利要求1所述的基于数据分析的矿井机电设备的状态评估方法，其特征在于，所述利用所述时序相关性因子对所述相似度进行优化，得到优化后的相似度，包括：
7.根据权利要求1所述的基于数据分析的矿井机电设备的状态评估方法，其特征在于，所述根据所述最终相似度矩阵构建归一化拉普拉斯矩阵，包括：
8.根据权利要求1所述的基于数据分析的矿井机电设备的状态评估方法，其特征在于，所述对所有特征向量进行k-means聚类，得到所述预设数量个聚类簇，包括：
9.根据权利要求8所述的基于数据分析的矿井机电设备的状态评估方法，其特征在于，所述根据每个所述聚类簇中的特征向量，获取所述矿井通风设备的运行状态的评估结果，包括：
