[发明专利]基于粗糙贝叶斯网络分类器的智能故障诊断方法

说明书

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。Riccardi G，Hakkani-Tur D．Active learning：Theory and applications to automatic speech Recognition[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，2005，9：2138－2141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：

(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[0,PRI]和[PRI,+∞)；

(2c)针对每个小于PRI的平均值，重新计算其在子区间[0,PRI]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；