一种基于粗糙集和证据理论的故障诊断方法及系统

1.本发明属于机械装备故障诊断领域，具体涉及一种基于粗糙集和证据理论的故障诊断方法及系统。


背景技术：

2.以数据为核心的故障诊断技术是实现船舶动力系统智能运维的关键技术之一，通过运行监测数据对设备及系统的运行状态进行预报、判断及识别，据此确定其是否处于正常运行状态区间。船舶动力系统长期监测数据通常具有容量大、纬度高、有效信息密度低等典型工业大数据特征，常规方法难以有效挖掘数据中潜在的特征信息，难以直接用于支持管理人员的运行维护及维修决策，需要寻找一种有效的数据处理手段并对数据处理结果进行有效性评估以支撑智能运维决策。
3.粗糙集理论可以在不借助对数据的先验知识的前提下发掘隐藏在数据中的潜在信息，为海量数据中知识获取提供了一种较为可行的数学机制。但在实际应用中，粗糙集理论推理能力较弱，与概率论、模糊数学和证据理论等其它处理不确定或不精确问题的理论有很强的互补性，以粗糙集结合证据理论的信息融合方法在故障诊断、多传感器数据融合、状态评估、数据挖掘及模式识别等领域具有重要研究意义。
4.证据理论可以在决策级为不确定信息的表征与融合提供有力的证据支持，但在基本概率确定时存在较大的主观因素影响，同时在证据组合过程中会由于推理规则维度过高引起焦元爆炸，一般在使用证据理论进行决策级数据融合前需要对原始数据进行必要的约简，以降低数据维度。粗糙集在数据处理环节的优势与证据理论的推理能力可以形成良好的优势互补，在海量数据处理中获得较为客观的推理结果，并可在一定程度上降低证据组合中的主观性及处理难度。
5.基于粗糙集和证据理论的信息融合方法目前有较多的研究成果，但是大部分研究成果仅针对具体应用对象特性提出了相应的数据融合方法，缺少能够推广应用的普适性方法。


技术实现要素：

6.本发明的目的在于给出一种基于粗糙集和证据理论的故障诊断方法及系统，充分利用粗糙集在处理高维度数据过程中的属性约简能力，以及d-s证据理论在决策级证据合成过程中的置信度计算方法，以克服决策证据在基本置信度分配的主观性过强缺陷。
7.为实现上述目的，本发明提供了如下方案：
8.一种基于粗糙集和证据理论的故障诊断方法，包括如下步骤：
9.s1、根据原始数据表中带标签数据的参数名称和数据类别，得到条件属性集，所述条件属性集表示为c＝{c1，c2，c3，...，cn}，其中n为输入的条件属性的维度；
10.s2、根据系统常见故障状态得到决策属性集，所述决策属性集表示为d＝{d1，d2，d3，...，dm}，其中m为输出的决策属性的维度；
11.s3、基于所述条件属性集和所述决策属性集，建立基于不同工况下第i条原始采集数据样本的输入条件属性与决策属性相对应的数据决策表，所述数据决策表表示为s；
12.s4、对所述数据决策表进行属性的约简处理，获得约简决策表；
13.s5、根据所述约简决策表，获得约简决策表中所有条件属性对每个决策属性的基本置信度，所述基本置信度用于进行故障诊断。
14.优选的，s1中所述原始数据表中的原始数据类型为连续的条件属性时，按照标准参数范围对原始数据进行离散化处理；正常区间范围数据离散化后设置条件属性码为1，低于正常区间范围下限则设置条件属性码为0，高于正常区间范围上限则设置其条件属性码为2。
15.优选的，所述离散化处理采用额定工况下参数指标范围，对于非额定工况下采集的参数数据，根据数据采集时对应的设备工况点，并结合变工况参数变化曲线来确定参数的正常区间范围。
16.优选的，s2中所述决策属性集为已知的故障状态，其与条件属性之间的推理关系为非线性或非一一映射关系，对于条件属性与决策属性间存在简单一一映射关系的决策属性直接剔除。
17.优选的，s4中所述属性的约简处理的方法包括：基于粗糙集的等价属性定义进行的属性约简处理，剔除数据决策表中的冗余属性及相关数据信息。
18.优选的，所述等价属性为在保持知识库分类能力不变的前提下，对数据决策表中存在的冗余条件属性及其相关信息进行简约的原则；
19.所述等价属性定义为：
20.其中，x为样本数据向量，其数据维度取决于原始采集数据的输入条件属性维度n；x为所有样本数据向量构成的样本数据集，x＝{x1，x2，x3，...，xk}，其中k为样本数据的数量；ci为条件属性，ci(x)为样本数据x在属性下ci的值，c＝{c1，c2，c3，...，cn}为所有条件属性集合。
21.优选的，s5中获取所述基本置信度的方法包括：采用基于证据置信度的基本置信度分配方法。
22.优选的，所述基本置信度的计算方法如下：
[0023][0024]
其中i＝1,2,...,n，yi＝{y|y∈u∧yd＝di}，di∈vd，u为原始数据表。
[0025]
本发明还提供了一种基于粗糙集和证据理论的故障诊断系统，包括：条件属性模块、决策属性模块、决策表模块、处理模块、计算模块；
[0026]
所述条件属性模块用于根据原始数据表中带标签数据的参数名称和数据类别，得到条件属性集；
[0027]
所述决策属性模块用于根据系统常见故障状态得到决策属性集；
[0028]
所述决策表模块用于基于所述条件属性集和所述决策属性集，建立基于不同工况下第i条原始采集数据样本的输入条件属性与决策属性相对应的数据决策表；
[0029]
所述处理模块用于对所述数据决策表进行属性的约简处理，获得约简决策表；
[0030]
所述计算模块用于根据所述约简决策表，获得约简决策表中所有条件属性对每个决策属性的基本置信度。
[0031]
本发明的有益效果为：
[0032]
(1)通过粗糙集方法与d-s证据理论相结合，充分利用粗糙集在处理高维度数据过程中的属性约简能力，以及d-s证据理论在决策级证据合成过程中的置信度计算方法，克服了决策证据在基本置信度分配的主观性过强缺陷；
[0033]
(2)采用等价属性对输入条件属性进行约简，确定能够满足构建等价决策表所需的最小条件属性的数量，有利于减少决策级数据推理规则数量，避免焦元爆炸及其带来的计算负荷增加问题；
[0034]
(3)提出的证据置信度计算方法，充分利用了决策表中的所有信息，将证据置信度作为条件基本置信度分配函数更加符合实际情况，从而提高了决策结论的客观性和准确性。
附图说明
[0035]
为了更清楚地说明本发明的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0036]
图1为本发明一种基于粗糙集和证据理论的故障诊断方法的流程示意图。
具体实施方式
[0037]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0038]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0039]
实施例一
[0040]
在本实施例一中，如图1所示，一种基于粗糙集和证据理论的故障诊断方法，包括如下步骤：
[0041]
s1、根据原始数据表u中带标签数据的参数名称和数据类别，得到条件属性集，所述条件属性集表示为c＝{c1，c2，c3，...，cn}，其中n为输入的条件属性的维度；
[0042]
s2、根据系统常见故障状态得到决策属性集，所述决策属性集表示为d＝{d1，d2，d3，...，dm}，其中m为输出的决策属性的维度；
[0043]
s3、基于所述条件属性集和所述决策属性集，建立基于不同工况下第i条原始采集数据样本的输入条件属性与决策属性相对应的数据决策表，所述数据决策属性表表示为s；
[0044]
s4、对所述数据决策表s进行属性的约简处理，获得约简决策表；
[0045]
所述属性的约简处理方法如下：
[0046]
s41、在决策表s＝(u,cud,v,f)中，定义约简条件属性集
[0047]
s42、计算等价属性，保留每组等价属性中的任意一个属性，剔除冗余属性，得到约
简后的等价属性集c’＝{γ1，γ2，...，γ
l
}，其中l为等价属性集中条件属性的个数，γi(i＝1，2，...，l)为等价属性类；
[0048]
s43、计算c’中每一个每一个条件属性的近似质量，按从大到小排序为c”；为条件属性的近似质量；
[0049]
为决策表s中决策属性集d的c正域；
[0050]
s44、选择c”中近似质量最大的属性ci,计算约简条件属性集r在加入条件属性ci后的近似质量如果得到的则r＝r∪{ci}，将ci从c”中剔除；
[0051]
s45、如果则约简结束，否则返回s44；
[0052]
s46、按照s44-s45循环计算c”中近似质量由高到低的每一个条件属性，得到最终约简条件属性集r及约简决策表；
[0053]
s5、根据所述约简决策表，获得约简决策表中所有条件属性对每个决策属性的基本置信度，所述基本置信度用于进行故障诊断。
[0054]
s1中所述原始数据表中的原始数据类型为连续的条件属性时，按照标准参数范围对原始数据进行离散化处理；正常区间范围数据离散化后设置条件属性码为1，低于正常区间范围下限则设置条件属性码为0，高于正常区间范围上限则设置其条件属性码为2。
[0055]
所述离散化处理标准采用额定工况下参数指标范围，对于非额定工况下采集的参数数据，根据数据采集时对应的设备工况点，并结合变工况参数变化曲线来确定参数的正常区间范围。
[0056]
s2中所述决策属性集为已知设备或系统的故障状态，其与条件属性之间的推理关系为非线性或非一一映射关系，对于条件属性与决策属性间存在简单一一映射关系的决策属性直接剔除。
[0057]
s4中所述属性的约简处理的方法包括：基于粗糙集的等价属性定义进行的属性约简处理，剔除数据决策表中的冗余属性及相关数据信息。
[0058]
所述等价属性为在保持知识库分类能力不变的前提下，对数据决策表中存在的冗余条件属性及其相关信息进行简约的原则；
[0059]
所述等价属性定义为：
[0060]
其中，x为样本数据向量，其数据维度取决于原始采集数据的输入条件属性维度n；x为所有样本数据向量构成的样本数据集，x＝{x1，x2，x3，...，xk}，其中k为样本数据的数量；ci为条件属性，ci(x)为样本数据x在属性下ci的值，c＝{c1，c2，c3，...，cn}为所有条件属性集合。
[0061]
s5中获取所述基本置信度的方法包括：采用基于证据置信度的基本置信度分配方法，所述基本置信度的计算方法如下：
[0062][0063]
其中i＝1,2,...,n，yi＝{y|y∈u∧yd＝di}，di∈vd。
[0064]
实施例二
[0065]
一种基于集成学习的船舶动力系统故障诊断方法，其特征在于，包括以下步骤：
[0066]
s1、根据原始数据表u中带标签数据的参数名称和数据类别，得到条件属性集c＝{c1，c2，c3，...，cn}，其中n为输入的条件属性的维度；
[0067]
具体的，船舶中央冷却系统条件属性集c共包含26个输入条件属性，分别为：c
1-海水泵进口压力、c
2-海水泵出口压力、c
3-中央冷却器海水进口温度、c
4-中央冷却器海水出口温度、c
5-中央冷却器淡水进口温度、c
6-低温淡水泵进口压力、c
7-低温淡水泵出口压力、c
8-滑油冷却器滑油进口压力、c
9-滑油冷却器滑油出口压力、c
10-空冷器空气进出口压差、c
11-低温淡水温度、c
12-滑油冷却器淡水出口温度、c
13
滑油冷却器滑油进口温度、c
14-滑油冷却器滑油出口温度、c
15-空冷器冷却水出口温度、c
16-空冷器空气进口温度、c
17-空冷器空气出口温度、c
18-主机缸套水冷却泵进口压力、c
19-主机缸套水冷却泵出口压力、c
20-缸套水冷却器缸套水进口压力、c
21-缸套水冷却器缸套水出口压力、c
22-缸套水冷却器低温淡水进口压力、c
23-缸套水冷却器低温淡水出口压力、c
24-主机缸套水出口温度、c
25-缸套水冷却器缸套水出口温度、c
26-缸套水冷却器冷却水出口温度。
[0068]
根据系统说明书确定的各参数在额定工况下的离散化标准，对原始数据表u＝{x1,...,x
30
}进行离散化处理后得到条件属性的离散数据表。
[0069]
s2、根据系统常见故障状态定义决策属性集d＝{d1，d2，d3，...，dm}，其中m为输出的决策属性的维度；决策属性向量集为已知的故障状态，其与输入条件属性之间的推理关系通常为非线性或非一一映射关系。对于条件属性与决策属性间存在简单一一映射关系的决策属性可以直接剔除；
[0070]
具体的，船舶中央冷却水系统决策属性集包括d1＝1为正常状态、d2＝2为中央冷却器海水管路脏堵隐患状态、d3＝3为低温淡水泵机械故障隐患状态、d4＝4为滑油冷却器油路脏堵隐患状态、d5＝5为高温淡水泵机械故障隐患状态。
[0071]
s3、基于条件属性集和决策属性集，建立基于不同工况下第i条原始采集数据样本的输入条件属性与决策属性相对应的数据决策表s；
[0072]
具体的，根据已知设备或系统的故障状态，确定包含输入条件属性集c中各条件属性ci(i＝1，2，...，26)与决策属性集d中各决策属性dj(i＝1，2，...，5)对应关系决策信息表。
[0073]
s4、对数据决策表s进行属性的约简处理，获得约简决策表；
[0074]
s41、在决策表s＝(u，c∪d，v，f)中，定义约简条件属性集
[0075]
s42、计算等价属性，保留每组等价属性中的任意一个属性，剔除冗余属性，得到约简后的等价属性集c’＝{γ1，γ2，...，γ
l
}，其中l为等价属性集中条件属性的个数，γi(i＝1，2，...，l)为等价属性类；
[0076]
具体的，通过等价属性约简后获得的等价属性类如下：
[0077]
γ1＝{c1，c3，c6，c8，c
10
，c
13
，c
16
，c
18
，c
20
，c
21
}；
[0078]
γ2＝{c2，c
11
}；
[0079]
γ3＝{c4，c5}：
[0080]
γ4＝{c
15
，c
17
}；
[0081]
γ5＝{c
22
，c
23
}；
[0082]
γ6＝{c
25
，c
26
}；
[0083]
约简后条件属性集c’：
[0084]
c’＝{c1，c2，c4，c7，c9，c
12
，c
14
，c
15
，c
19
，c
22
，c
24
，c
25
}
[0085]
s43、计算c’中每一个每一个条件属性的近似质量，按从大到小排序为c
″
；为条件属性的近似质量；
[0086]
为决策表s中决策属性集d的c正域；
[0087]
具体的：
[0088][0089][0090][0091]
s44、选择c
″
中近似质量最大的条件属性ci，计算初始条件属性集r在加入条件属性ci后的近似质量如果得到的则r＝r∪{ci}，将ci从c
″
中剔除；
[0092]
s45、如果则约简结束，否则返回s44；
[0093]
s46：按照s44-s45循环计算c
″
中近似质量由高到低的每一个条件属性，得到最终约简条件属性集r及约简决策表。
[0094]
具体的，经过属性约简之后得到的约简条件属性集r＝{c2，c7，c9，c
25
}；
[0095]
s5、根据所述约简决策表，获得约简决策表中所有条件属性对每个决策属性的基本置信度，所述基本置信度用于进行故障诊断。
[0096]
本发明给出了基于证据置信度的基本置信度分配方法，用于解决传统仅考虑属性权重的基本置信度分配方法的主观缺陷性问题。其基本计算方法如下：
[0097][0098]
其中i＝1，2，...，n，yi＝{y|y∈u∧yd＝di}，di∈vd。
[0099]
具体的，根据约简决策表，应用s5给出的计算方法计算基本置信度，以获得约简决策表中所有条件属性对每个决策属性的基本置信度为：
[0100]
m1(d1/c2＝0)＝0，m1(d1/c2＝1)＝3/11，m1(d1/c2＝2)＝0；
[0101]
m1(d2/c2＝0)＝0，m1(d2/c2＝1)＝1/22，m1(d2/c2＝2)＝1；
[0102]
m1(d3/c2＝0)＝1/3，m1(d3/c2＝1)＝5/22，m1(d3/c2＝2)＝0；
[0103]
m1(d4/c2＝0)＝1/3，m1(d4/c2＝1)＝5/22，m1(d4/c2＝2)＝0；
[0104]
m1(d5/c2＝0)＝1/3，m1(d5/c2＝1)＝5/22，m1(d5/c2＝0)＝0；
[0105]
m2(d1/c7＝0)＝0，m2(d1/c7＝1)＝3/11，m2(d1/c7＝2)＝0；
[0106]
m2(d2/c7＝0)＝1/6，m2(d2/c7＝1)＝5/22，m2(d2/c7＝2)＝0；
[0107]
m2(d3/c7＝0)＝5/6，m2(d3/c7＝1)＝1/22，m2(d3/c7＝2)＝0；
[0108]
m2(d4/c7＝0)＝0，m2(d4/c7＝1)＝2/11，m2(d4/c7＝2)＝1；
[0109]
m2(d5/c7＝0)＝0，m2(d5/c7＝1)＝3/11，m2(d5/c7＝2)＝0；
[0110]
m3(d1/c9＝0)＝0，m3(d1/c9＝1)＝3/11，m3(d1/c9＝2)＝0；
[0111]
m3(d2/c9＝0)＝0，m3(d2/c9＝1)＝3/11，m3(d2/c9＝2)＝0；
[0112]
m3(d3/c9＝0)＝1/6，m3(d3/c9＝1)＝5/22，m3(d3/c9＝2)＝0；
[0113]
m3(d4/c9＝0)＝5/6，m3(d4/c9＝1)＝1/22，m3(d4/c9＝2)＝0；
[0114]
m3(d5/c9＝0)＝5/6，m3(d4/c9＝1)＝1/22，m3(d4/c9＝2)＝0；
[0115]
m3(d5/c9＝0)＝0，m3(d5/c9＝1)＝2/11，m3(d5/c9＝2)＝1；
[0116]
m4(d1/c
25
＝0)＝0，m4(d1/c
25
＝1)＝6/19，m4(d1/c
25
＝2)＝0；
[0117]
m4(d2/c
25
＝0)＝0，m4(d2/c
25
＝1)＝2/19，m4(d2/c
25
＝2)＝1；
[0118]
m4(d3/c
25
＝0)＝2/7，m4(d3/c
25
＝1)＝4/19，m4(d3/c
25
＝2)＝0；
[0119]
m4(d4/c
25
＝0)＝0，m4(d4/c
25
＝1)＝6/19，m4(d4/c
25
＝2)＝0；
[0120]
m4(d5/c
25
＝0)＝5/7，m4(d5/c
25
＝0)＝1/29，m4(d5/c
25
＝2)＝0；
[0121]
对基本置信度的物理意义可做如下理解：
[0122]
以m1(d1/c2)为例，当c2＝0，即条件属性c2离散后条件属性码为0时(对应海水泵出口压力低于正常范围低限值)，判定为决策属性为d1(对应正常状态)的基本置信度为0；当c2＝1，即条件属性c2离散后条件属性码为1时(对应海水泵出口压力处于正常范围)，判定为决策属性d1(对应正常状态)的基本置信度为3/11；当c2＝2，即条件属性c2离散后条件属性码为2时(对应海水泵出口压力高于正常范围高限值)，判定为决策属性为d1(对应正常状态)的基本置信度为0。
[0123]
实施例三
[0124]
本发明还提供了一种基于粗糙集和证据理论的故障诊断系统，包括：条件属性模块、决策属性模块、决策表模块、处理模块、计算模块；
[0125]
所述条件属性模块用于根据原始数据表中带标签数据的参数名称和数据类别，得到条件属性集；
[0126]
所述决策属性模块用于根据系统常见故障状态得到决策属性集；
[0127]
所述决策表模块用于基于所述条件属性集和所述决策属性集，建立基于不同工况下第i条原始采集数据样本的输入条件属性与决策属性相对应的数据决策表；
[0128]
所述处理模块用于对所述数据决策表进行属性的约简处理，获得约简决策表；
[0129]
所述计算模块用于根据所述约简决策表，获得约简决策表中所有条件属性对每个决策属性的基本置信度。
[0130]
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行
限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。