專利名稱：基于粗糙貝葉斯網(wǎng)絡(luò)分類器的智能故障診斷方法
技術(shù)領(lǐng)域：
本發(fā)明涉及機(jī)電技術(shù)領(lǐng)域，尤其是一種智能故障診斷方法。
背景技術(shù)：
在故障診斷過程中，由于故障產(chǎn)生的機(jī)理 不清楚，故障的表現(xiàn)形式不唯一，在提取描述故障特征的各種參數(shù)時(shí)也常常帶有一定的盲目性，從而導(dǎo)致了故障狀態(tài)之間是不分明的。粗糙集理論能從描述故障狀態(tài)的原始數(shù)據(jù)出發(fā)，在保證信息不丟失的前提下，對(duì)決策系統(tǒng)進(jìn)行有效約簡，去除多余信息，同時(shí)能進(jìn)行規(guī)則提取和約簡，從而能有效解決上述問題。但是，若單獨(dú)運(yùn)用粗糙集進(jìn)行故障診斷，常存在以下兩個(gè)問題①對(duì)規(guī)則的處理多基于知識(shí)庫邏輯理論，效率不高；②沒有給出規(guī)則間的關(guān)系，得到的規(guī)則對(duì)故障狀態(tài)的推理為產(chǎn)生式的推理，診斷速度不高。由于貝葉斯網(wǎng)絡(luò)能有效表示啟發(fā)式知識(shí)，知識(shí)庫系統(tǒng)結(jié)構(gòu)簡單、規(guī)范、空間搜索效率高，易于實(shí)現(xiàn)并行推理，且推理結(jié)果易于解釋，故它能有效克服粗糙集的上述不足。但直接運(yùn)用貝葉斯網(wǎng)絡(luò)模型時(shí)，往往存在因故障特征過多而引起的誤判問題。目前有眾多學(xué)者研究了貝葉斯網(wǎng)絡(luò)分類器的建立與學(xué)習(xí)。RiccardiG，Hakkani-Tur D. Active learning Theory and applications to automatic speechRecognition[J]. IEEE Transactions on Speech and Audio Processing，2005，13(4)504 - 510將主動(dòng)貝葉斯分類器用于語音識(shí)別中。但該方法還存在以下不足主動(dòng)貝葉斯分類器對(duì)特征的提取只限于固定長度，模型的檢測(cè)率及精度有待提高，建立模型時(shí)計(jì)算量大，話費(fèi)時(shí)間多。黃偉，戴蓓倩，李輝.基于分類特征空間高斯混合模型和神經(jīng)網(wǎng)絡(luò)融合的說話人識(shí)別[J].電子與信息學(xué)報(bào)，2004，26 (10) 1607 - 1612.薛方正，方帥等.多機(jī)器人對(duì)抗系統(tǒng)仿真中的對(duì)手建模[J].系統(tǒng)仿真學(xué)報(bào)，2005，9 2138 一 2141將多模塊集成貝葉斯網(wǎng)絡(luò)應(yīng)用于說話人識(shí)別與多機(jī)器人對(duì)抗系統(tǒng)建模中。但該方法在使用中仍然存在以下問題當(dāng)劃分中包含的實(shí)例過少時(shí)，在這些小的劃分上關(guān)于條件概率的估計(jì)是不可靠的；在訓(xùn)練集中，對(duì)于數(shù)據(jù)缺損的情況，均采取了看作一個(gè)特殊的值或在訓(xùn)練之前就將含有缺損值的實(shí)例去掉的方法，這必將不可避免地會(huì)引起信息的丟失。劉大有，王飛等.基于遺傳算法的Bayesian網(wǎng)結(jié)構(gòu)學(xué)習(xí)研究[J].計(jì)算機(jī)研究與發(fā)展，2001，20 (5) :916 — 922對(duì)基于遺傳算法的貝葉斯網(wǎng)絡(luò)分類器進(jìn)行了理論上的研究，包括貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)學(xué)習(xí)、算法的實(shí)現(xiàn)及系統(tǒng)平臺(tái)的開發(fā)。但該方法在貝葉斯網(wǎng)絡(luò)分類器的學(xué)習(xí)算法中只考慮了離散屬性且理想的數(shù)據(jù)，對(duì)于丟失數(shù)據(jù)的處理采取了舍去的方法，而且沒有考慮到數(shù)據(jù)集中存在隱藏變量的情況；另外，該方法的學(xué)習(xí)算法在初始群體的生成上采用了隨機(jī)生成并對(duì)產(chǎn)生的結(jié)構(gòu)進(jìn)行修復(fù)的做法，沒有結(jié)合先驗(yàn)知識(shí)來生成初始群體，算法的適應(yīng)度函數(shù)需要大量的條件互信息的計(jì)算，計(jì)算需要的時(shí)間開銷較大，執(zhí)行效率較差。

發(fā)明內(nèi)容
為了克服現(xiàn)有技術(shù)效率不高和容易引起誤判的不足，本發(fā)明提供一種基于粗糙貝葉斯網(wǎng)絡(luò)分類器的智能故障診斷方法，不但可以從診斷數(shù)據(jù)中提取關(guān)鍵條件屬性，而且可以減少貝葉斯網(wǎng)絡(luò)模型的規(guī)模，縮短貝葉斯網(wǎng)絡(luò)推理計(jì)算時(shí)間，從而避免了貝葉斯網(wǎng)絡(luò)診斷法中存在的“維數(shù)災(zāi)難”問題，克服了粗糙集診斷法剛性推理和臨界誤判的弱點(diǎn)，大大提高了故障診斷的效率與正確率。本發(fā)明解決其技術(shù) 問題所采用的技術(shù)方案包括以下步驟(I)以標(biāo)準(zhǔn)故障特征數(shù)據(jù)作為故障診斷條件屬性集，以標(biāo)準(zhǔn)故障模式作為故障診斷決策屬性集，采用粗糙集原理構(gòu)建原始故障診斷信息表T1 ；(2)采用最小熵法對(duì)T1中的各連續(xù)故障診斷條件屬性值進(jìn)行離散處理，形成離散化故障診斷信息表T2，具體包括以下步驟(2a)將連續(xù)故障診斷條件屬性值按從小到大進(jìn)行排序，并計(jì)算兩兩相連的條件屬性值的平均值及其信息熵；(2b)選擇信息熵最小的平均值作為第一個(gè)門限值PRI，并將區(qū)間劃分為兩個(gè)子區(qū)間[O, PRI]和[PRI，+ )；(2c)針對(duì)每個(gè)小于PRI的平均值，重新計(jì)算其在子區(qū)間
內(nèi)所對(duì)應(yīng)的信息熵，選擇信息熵最小的平均值作為第二個(gè)門限值SEC1 ；(2d)針對(duì)每個(gè)大于PRI的平均值，重新計(jì)算其在子區(qū)間[PRI，+ )內(nèi)所對(duì)應(yīng)的信息熵，選擇信息熵最小的平均值作為第三個(gè)門限值SEC2 ；(2e)基于三個(gè)門限值計(jì)算各條件屬性值隸屬度，并按最大隸屬度原則進(jìn)行離散化，從而形成離散化故障診斷信息表T2 ；(3)采用粗糙集分辨矩陣和核理論對(duì)T2進(jìn)行屬性約簡和最優(yōu)特征優(yōu)選，形成約簡故障診斷信息表T3，具體包括以下步驟(3a)計(jì)算離散化故障診斷信息表T2的分辨矩陣M ；(3b)計(jì)算離散化故障診斷信息表T2的核屬性，并生成新的分辨矩陣M1 ；(3c)計(jì)算分辨矩陣M1的分辨函數(shù)；(3d)將分辨函數(shù)化為析取范式形式；(3e)將核屬性中所有屬性加入到析取范式中每一個(gè)合取式中，析取范式每一個(gè)合取項(xiàng)就對(duì)應(yīng)于一個(gè)屬性約簡的結(jié)果；(3f)計(jì)算各約簡的聚類精度，并根據(jù)具有最大聚類精度的約簡形成約簡故障診斷信息表T3 ；(4)采用T3建立貝葉斯網(wǎng)絡(luò)分類器從而實(shí)現(xiàn)高效快速的智能故障診斷，具體包括以下步驟(4a)由約簡故障診斷信息表T3建立診斷推理貝葉斯網(wǎng)絡(luò)模型；(4b)計(jì)算每個(gè)故障新樣本相對(duì)于每個(gè)標(biāo)準(zhǔn)故障模式的后驗(yàn)概率；(4c)基于最大后驗(yàn)概率原則確定該新故障樣本所對(duì)應(yīng)故障類型。本發(fā)明的有益效果是粗糙集診斷法的優(yōu)點(diǎn)在于通過約簡條件屬性，可以對(duì)診斷特征規(guī)則進(jìn)行壓縮，剔除不需要的特征，使診斷規(guī)則得到有效簡化，能提高故障診斷的效率。但是，當(dāng)采用粗糙集進(jìn)行推理時(shí)，若故障特征數(shù)據(jù)量較大，查表搜索規(guī)則是一個(gè)計(jì)算量很大的過程；此外，它要求處理離散量屬性值，本質(zhì)上是一種定性分析，容易出現(xiàn)臨界問題，從而造成分類錯(cuò)誤或誤判。貝葉斯網(wǎng)絡(luò)診斷法的優(yōu)點(diǎn)是結(jié)構(gòu)簡單規(guī)范，空間搜索效率高，易于實(shí)現(xiàn)并行定量推理。但是貝葉斯網(wǎng)絡(luò)模型的推理能力完全依賴于先驗(yàn)知識(shí)，且沒有對(duì)知識(shí)進(jìn)行簡化的能力，而往往先驗(yàn)知識(shí)中存在一定的冗余性，這導(dǎo)致貝葉斯網(wǎng)絡(luò)模型的規(guī)模過于龐大，故障特征的獲取工作繁重，直接影響推理的正確率和效率。本發(fā)明將粗糙集和貝葉斯網(wǎng)絡(luò)的功能作了串行集成，有機(jī)融合了粗糙集的容錯(cuò)分析能力和貝葉斯網(wǎng)絡(luò)的并行推理能力，不僅克服了粗糙集診斷法的規(guī)則搜索和臨界誤判問題，而且避免了貝葉斯診斷法的維數(shù)災(zāi)難問題，同時(shí)本發(fā)明也將定性與定量分析結(jié)合了起來。因此，本發(fā)明要優(yōu)于現(xiàn)有粗糙集診斷法和貝葉斯網(wǎng)絡(luò)診斷法。


圖I為本發(fā)明所述智能故障診斷的系統(tǒng)功能圖；
圖2為本發(fā)明的最小熵法離散化過程的說明圖，其中，(a)為第一次劃分，(b)為第二次劃分；圖3為本發(fā)明的貝葉斯網(wǎng)絡(luò)診斷模型的說明圖。
具體實(shí)施例方式下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明進(jìn)一步說明。一、采集特征數(shù)據(jù)并基于粗糙集構(gòu)建故障診斷信息決策表本發(fā)明以某復(fù)雜轉(zhuǎn)子系統(tǒng)為實(shí)例進(jìn)行故障診斷。根據(jù)采集到故障特征數(shù)據(jù)，可建立原始故障診斷信息決策表T1如表I所示，其中七個(gè)條件屬性分別是=C1表示O. 01
O.40f，C2 表示 O. 41 O. 50f，C3 表示 O. 51 O. 99f，C4 表示 If, C5 表示 2f，C6 表示 3 5f,C7表示5f ;五種故障類型分別是=D1表示轉(zhuǎn)子不平衡，D2表示轉(zhuǎn)子不對(duì)中，D3表示油膜振蕩，D4表示喘振，D5表示碰撞。表I某轉(zhuǎn)子系統(tǒng)原始故障診斷信息決策表
權(quán)利要求
1.一種基于粗糙貝葉斯網(wǎng)絡(luò)分類器的智能故障診斷方法，其特征在于包括下述步驟 (1)以標(biāo)準(zhǔn)故障特征數(shù)據(jù)作為故障診斷條件屬性集，以標(biāo)準(zhǔn)故障模式作為故障診斷決策屬性集，采用粗糙集原理構(gòu)建原始故障診斷信息表T1 ； (2)采用最小熵法對(duì)T1中的各連續(xù)故障診斷條件屬性值進(jìn)行離散處理，形成離散化故障診斷信息表T2,具體包括以下步驟 (2a)將連續(xù)故障診斷條件屬性值按從小到大進(jìn)行排序，并計(jì)算兩兩相連的條件屬性值的平均值及其信息熵； (2b)選擇信息熵最小的平均值作為第一個(gè)門限值PRI，并將區(qū)間劃分為兩個(gè)子區(qū)間[O, PRI]和[PRI, + )； (2c)針對(duì)每個(gè)小于PRI的平均值，重新計(jì)算其在子區(qū)間
內(nèi)所對(duì)應(yīng)的信息熵，選擇信息熵最小的平均值作為第二個(gè)門限值SEC1 ； (2d)針對(duì)每個(gè)大于PRI的平均值，重新計(jì)算其在子區(qū)間[PRI，+ m)內(nèi)所對(duì)應(yīng)的信息熵，選擇信息熵最小的平均值作為第三個(gè)門限值SEC2 ； (2e)基于三個(gè)門限值計(jì)算各條件屬性值隸屬度，并按最大隸屬度原則進(jìn)行離散化，從而形成離散化故障診斷信息表T2 ； (3)采用粗糙集分辨矩陣和核理論對(duì)T2進(jìn)行屬性約簡和最優(yōu)特征優(yōu)選，形成約簡故障診斷信息表T3，具體包括以下步驟 (3a)計(jì)算離散化故障診斷信息表T2的分辨矩陣M ； (3b)計(jì)算離散化故障診斷信息表T2的核屬性，并生成新的分辨矩陣M1 ； (3c)計(jì)算分辨矩陣M1的分辨函數(shù)； (3d)將分辨函數(shù)化為析取范式形式； (3e)將核屬性中所有屬性加入到析取范式中每一個(gè)合取式中，析取范式每一個(gè)合取項(xiàng)就對(duì)應(yīng)于一個(gè)屬性約簡的結(jié)果； (3f)計(jì)算各約簡的聚類精度，并根據(jù)具有最大聚類精度的約簡形成約簡故障診斷信息表T3; (4)采用T3建立貝葉斯網(wǎng)絡(luò)分類器，具體包括以下步驟 (4a)由約簡故障診斷信息表T3建立診斷推理貝葉斯網(wǎng)絡(luò)模型； (4b)計(jì)算每個(gè)故障新樣本相對(duì)于每個(gè)標(biāo)準(zhǔn)故障模式的后驗(yàn)概率； (4c)基于最大后驗(yàn)概率原則確定該新故障樣本所對(duì)應(yīng)故障類型。
全文摘要
本發(fā)明提供了一種基于粗糙貝葉斯網(wǎng)絡(luò)分類器的智能故障診斷方法，以標(biāo)準(zhǔn)故障特征數(shù)據(jù)作為故障診斷條件屬性集，以標(biāo)準(zhǔn)故障模式作為故障診斷決策屬性集，采用粗糙集原理構(gòu)建原始故障診斷信息表T1；采用最小熵法對(duì)T1中的各連續(xù)故障診斷條件屬性值進(jìn)行離散處理，形成離散化故障診斷信息表T2；用粗糙集分辨矩陣和核理論對(duì)T2進(jìn)行屬性約簡和最優(yōu)特征優(yōu)選，形成約簡故障診斷信息表T3；采用T3建立貝葉斯網(wǎng)絡(luò)分類器從而實(shí)現(xiàn)高效快速的智能故障診斷。本發(fā)明避免了貝葉斯網(wǎng)絡(luò)診斷法中存在的“維數(shù)災(zāi)難”問題，克服了粗糙集診斷法剛性推理和臨界誤判的弱點(diǎn)，大大提高了故障診斷的效率與正確率。
文檔編號(hào)G01R31/00GK102879677SQ20121035868
公開日2013年1月16日 申請(qǐng)日期2012年9月24日 優(yōu)先權(quán)日2012年9月24日
發(fā)明者劉貞報(bào), 張超, 布樹輝 申請(qǐng)人:西北工業(yè)大學(xué)