专利名称：基于粗糙贝叶斯网络分类器的智能故障诊断方法
技术领域：
本发明涉及机电技术领域，尤其是一种智能故障诊断方法。
背景技术：
在故障诊断过程中，由于故障产生的机理 不清楚，故障的表现形式不唯一，在提取描述故障特征的各种参数时也常常带有一定的盲目性，从而导致了故障状态之间是不分明的。粗糙集理论能从描述故障状态的原始数据出发，在保证信息不丢失的前提下，对决策系统进行有效约简，去除多余信息，同时能进行规则提取和约简，从而能有效解决上述问题。但是，若单独运用粗糙集进行故障诊断，常存在以下两个问题①对规则的处理多基于知识库逻辑理论，效率不高；②没有给出规则间的关系，得到的规则对故障状态的推理为产生式的推理，诊断速度不高。由于贝叶斯网络能有效表示启发式知识，知识库系统结构简单、规范、空间搜索效率高，易于实现并行推理，且推理结果易于解释，故它能有效克服粗糙集的上述不足。但直接运用贝叶斯网络模型时，往往存在因故障特征过多而引起的误判问题。目前有众多学者研究了贝叶斯网络分类器的建立与学习。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将主动贝叶斯分类器用于语音识别中。但该方法还存在以下不足主动贝叶斯分类器对特征的提取只限于固定长度，模型的检测率及精度有待提高，建立模型时计算量大，话费时间多。黄伟，戴蓓倩，李辉.基于分类特征空间高斯混合模型和神经网络融合的说话人识别[J].电子与信息学报，2004，26 (10) 1607 - 1612.薛方正，方帅等.多机器人对抗系统仿真中的对手建模[J].系统仿真学报，2005，9 2138 一 2141将多模块集成贝叶斯网络应用于说话人识别与多机器人对抗系统建模中。但该方法在使用中仍然存在以下问题当划分中包含的实例过少时，在这些小的划分上关于条件概率的估计是不可靠的；在训练集中，对于数据缺损的情况，均采取了看作一个特殊的值或在训练之前就将含有缺损值的实例去掉的方法，这必将不可避免地会引起信息的丢失。刘大有，王飞等.基于遗传算法的Bayesian网结构学习研究[J].计算机研究与发展，2001，20 (5) :916 — 922对基于遗传算法的贝叶斯网络分类器进行了理论上的研究，包括贝叶斯网络的结构和参数学习、算法的实现及系统平台的开发。但该方法在贝叶斯网络分类器的学习算法中只考虑了离散属性且理想的数据，对于丢失数据的处理采取了舍去的方法，而且没有考虑到数据集中存在隐藏变量的情况；另外，该方法的学习算法在初始群体的生成上采用了随机生成并对产生的结构进行修复的做法，没有结合先验知识来生成初始群体，算法的适应度函数需要大量的条件互信息的计算，计算需要的时间开销较大，执行效率较差。
发明内容
为了克服现有技术效率不高和容易引起误判的不足，本发明提供一种基于粗糙贝叶斯网络分类器的智能故障诊断方法，不但可以从诊断数据中提取关键条件属性，而且可以减少贝叶斯网络模型的规模，缩短贝叶斯网络推理计算时间，从而避免了贝叶斯网络诊断法中存在的“维数灾难”问题，克服了粗糙集诊断法刚性推理和临界误判的弱点，大大提高了故障诊断的效率与正确率。本发明解决其技术 问题所采用的技术方案包括以下步骤(I)以标准故障特征数据作为故障诊断条件属性集，以标准故障模式作为故障诊断决策属性集，采用粗糙集原理构建原始故障诊断信息表T1 ；(2)采用最小熵法对T1中的各连续故障诊断条件属性值进行离散处理，形成离散化故障诊断信息表T2，具体包括以下步骤(2a)将连续故障诊断条件属性值按从小到大进行排序，并计算两两相连的条件属性值的平均值及其信息熵；(2b)选择信息熵最小的平均值作为第一个门限值PRI，并将区间划分为两个子区间[O, PRI]和[PRI，+ )；(2c)针对每个小于PRI的平均值，重新计算其在子区间
内所对应的信息熵，选择信息熵最小的平均值作为第二个门限值SEC1 ；(2d)针对每个大于PRI的平均值，重新计算其在子区间[PRI，+ )内所对应的信息熵，选择信息熵最小的平均值作为第三个门限值SEC2 ；(2e)基于三个门限值计算各条件属性值隶属度，并按最大隶属度原则进行离散化，从而形成离散化故障诊断信息表T2 ；(3)采用粗糙集分辨矩阵和核理论对T2进行属性约简和最优特征优选，形成约简故障诊断信息表T3，具体包括以下步骤(3a)计算离散化故障诊断信息表T2的分辨矩阵M ；(3b)计算离散化故障诊断信息表T2的核属性，并生成新的分辨矩阵M1 ；(3c)计算分辨矩阵M1的分辨函数；(3d)将分辨函数化为析取范式形式；(3e)将核属性中所有属性加入到析取范式中每一个合取式中，析取范式每一个合取项就对应于一个属性约简的结果；(3f)计算各约简的聚类精度，并根据具有最大聚类精度的约简形成约简故障诊断信息表T3 ；(4)采用T3建立贝叶斯网络分类器从而实现高效快速的智能故障诊断，具体包括以下步骤(4a)由约简故障诊断信息表T3建立诊断推理贝叶斯网络模型；(4b)计算每个故障新样本相对于每个标准故障模式的后验概率；(4c)基于最大后验概率原则确定该新故障样本所对应故障类型。本发明的有益效果是粗糙集诊断法的优点在于通过约简条件属性，可以对诊断特征规则进行压缩，剔除不需要的特征，使诊断规则得到有效简化，能提高故障诊断的效率。但是，当采用粗糙集进行推理时，若故障特征数据量较大，查表搜索规则是一个计算量很大的过程；此外，它要求处理离散量属性值，本质上是一种定性分析，容易出现临界问题，从而造成分类错误或误判。贝叶斯网络诊断法的优点是结构简单规范，空间搜索效率高，易于实现并行定量推理。但是贝叶斯网络模型的推理能力完全依赖于先验知识，且没有对知识进行简化的能力，而往往先验知识中存在一定的冗余性，这导致贝叶斯网络模型的规模过于庞大，故障特征的获取工作繁重，直接影响推理的正确率和效率。本发明将粗糙集和贝叶斯网络的功能作了串行集成，有机融合了粗糙集的容错分析能力和贝叶斯网络的并行推理能力，不仅克服了粗糙集诊断法的规则搜索和临界误判问题，而且避免了贝叶斯诊断法的维数灾难问题，同时本发明也将定性与定量分析结合了起来。因此，本发明要优于现有粗糙集诊断法和贝叶斯网络诊断法。
图I为本发明所述智能故障诊断的系统功能图；
图2为本发明的最小熵法离散化过程的说明图，其中，(a)为第一次划分，(b)为第二次划分；图3为本发明的贝叶斯网络诊断模型的说明图。
具体实施例方式下面结合附图和实施例对本发明进一步说明。一、采集特征数据并基于粗糙集构建故障诊断信息决策表本发明以某复杂转子系统为实例进行故障诊断。根据采集到故障特征数据，可建立原始故障诊断信息决策表T1如表I所示，其中七个条件属性分别是=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 ;五种故障类型分别是=D1表示转子不平衡，D2表示转子不对中，D3表示油膜振荡，D4表示喘振，D5表示碰撞。表I某转子系统原始故障诊断信息决策表
权利要求
1.一种基于粗糙贝叶斯网络分类器的智能故障诊断方法，其特征在于包括下述步骤 (1)以标准故障特征数据作为故障诊断条件属性集，以标准故障模式作为故障诊断决策属性集，采用粗糙集原理构建原始故障诊断信息表T1 ； (2)采用最小熵法对T1中的各连续故障诊断条件属性值进行离散处理，形成离散化故障诊断信息表T2,具体包括以下步骤 (2a)将连续故障诊断条件属性值按从小到大进行排序，并计算两两相连的条件属性值的平均值及其信息熵； (2b)选择信息熵最小的平均值作为第一个门限值PRI，并将区间划分为两个子区间[O, PRI]和[PRI, + )； (2c)针对每个小于PRI的平均值，重新计算其在子区间
内所对应的信息熵，选择信息熵最小的平均值作为第二个门限值SEC1 ； (2d)针对每个大于PRI的平均值，重新计算其在子区间[PRI，+ m)内所对应的信息熵，选择信息熵最小的平均值作为第三个门限值SEC2 ； (2e)基于三个门限值计算各条件属性值隶属度，并按最大隶属度原则进行离散化，从而形成离散化故障诊断信息表T2 ； (3)采用粗糙集分辨矩阵和核理论对T2进行属性约简和最优特征优选，形成约简故障诊断信息表T3，具体包括以下步骤 (3a)计算离散化故障诊断信息表T2的分辨矩阵M ； (3b)计算离散化故障诊断信息表T2的核属性，并生成新的分辨矩阵M1 ； (3c)计算分辨矩阵M1的分辨函数； (3d)将分辨函数化为析取范式形式； (3e)将核属性中所有属性加入到析取范式中每一个合取式中，析取范式每一个合取项就对应于一个属性约简的结果； (3f)计算各约简的聚类精度，并根据具有最大聚类精度的约简形成约简故障诊断信息表T3; (4)采用T3建立贝叶斯网络分类器，具体包括以下步骤 (4a)由约简故障诊断信息表T3建立诊断推理贝叶斯网络模型； (4b)计算每个故障新样本相对于每个标准故障模式的后验概率； (4c)基于最大后验概率原则确定该新故障样本所对应故障类型。
全文摘要
本发明提供了一种基于粗糙贝叶斯网络分类器的智能故障诊断方法，以标准故障特征数据作为故障诊断条件属性集，以标准故障模式作为故障诊断决策属性集，采用粗糙集原理构建原始故障诊断信息表T1；采用最小熵法对T1中的各连续故障诊断条件属性值进行离散处理，形成离散化故障诊断信息表T2；用粗糙集分辨矩阵和核理论对T2进行属性约简和最优特征优选，形成约简故障诊断信息表T3；采用T3建立贝叶斯网络分类器从而实现高效快速的智能故障诊断。本发明避免了贝叶斯网络诊断法中存在的“维数灾难”问题，克服了粗糙集诊断法刚性推理和临界误判的弱点，大大提高了故障诊断的效率与正确率。
文档编号G01R31/00GK102879677SQ20121035868
公开日2013年1月16日 申请日期2012年9月24日 优先权日2012年9月24日
发明者刘贞报, 张超, 布树辉 申请人:西北工业大学