[发明专利]复杂电子设备故障预测的方法

说明书

技术领域

本发明涉及故障预测技术领域，具体涉及一种复杂电子设备故障预测的方法。

背景技术

目前最常见的故障预测的方法有：

1)趋势图分析法

该方法通过趋势分析来掌握复杂电子设备的运行状态。但是，由于影响复杂电子设备运行状态的原因很多，一旦某部分的统计规律发生变化，该方法无法对其未来的运行状态进行预测。

2)曲线拟合法

该方法只适合于曲线的参数方程比较明确的预测工作，对于一些复杂电子设备具有的非线性、时变性等特点，很难建立合适的曲线方程，预测效果并不理想。

3)时间序列法

该方法对于线性、平稳随机时间序列的预测能够起到较好的预测效果，应用范围受到限制。

4)基于灰色理论的预测方法

该方法仅适用于有一定上升或下降趋势的弱随机性时间序列的预测，对于复杂电子设备中随机性较强的系统进行预测时，还需进一步改进。

5)人工神经网络预测方法

人工神经网络以其独特的联想、记忆、存储和学习功能以及高度的非线性映射能力在设备的故障诊断和故障预测中被广泛应用。但是，在实际应用中也存在着以下问题：

a)训练样本的获取常常存在一定困难，神经网络的泛化能力有待提高；

b)神经网络的收敛速度和收敛性无法保证；

c)神经网络的训练容易陷入局部最小。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是:如何设计一种复杂电子设备故障预测的方法，以便能够有效的对复杂电子设备进行故障预测。

(二)技术方案

为了解决上述技术问题，本发明提供了一种复杂电子设备故障预测的方法，所述方法包括以下步骤：首先利用差别矩阵的属性约简方法建立复杂电子设备最小故障诊断特征子集，并对属性样本进行归一化处理；然后根据改进的遗传算法获得最佳神经元初始权值和阈值；对BP神经网络进行改进，动态调整学习速率，并用改进后的训练算法训练网络的连接强度；最后对预测的故障样本进行反归一化处理，得到复杂电子设备的故障样本的预测值。

(三)有益效果

本发明利用粗糙集属性约简方法对样本数据进行预处理，粗糙集理论具有很强的定性分析能力，能在保留关键信息的前提下对样本数据进行约简，达到简化训练样本的目的；根据改进的遗传算法获得最佳神经元初始权值和阈值，对经典遗传算法进行改进，以网络误差最小作为进化准则，经过多次迭代，最后获得BP神经网络开始训练的初始权值和阈值；基于改进的BP神经网络训练算法训练网络的连接强度，计算BP神经网络输出层的预测值，为进一步缩短训练时间，对BP神经网络进行改进，动态调整学习速率，提高了网络的收敛速度。对样本数据进行反归一化处理，得到复杂电子设备故障样本数据的预测值。

具体实施方式

为使本发明的目的、内容、和优点更加清楚，下面结合实施例，对本发明的具体实施方式作进一步详细描述。

对于复杂电子设备，可以设为自定义的一些电子设备。

本发明实施例的复杂电子设备故障预测的方法包括以下步骤：首先利用差别矩阵的属性约简方法建立复杂电子设备最小故障诊断特征子集，并对属性样本进行归一化处理；然后根据改进的遗传算法获得最佳神经元初始权值和阈值；对BP神经网络进行改进，动态调整学习速率，并用改进后的训练算法训练网络的连接强度；最后对预测的故障样本进行反归一化处理，得到复杂电子设备的故障样本的预测值。该方法具体包括以下步骤：

S₁：将采集得到的复杂电子设备的原始数据通过特征提取获得每一个故障对应的所有故障征兆，选取能体现复杂电子设备状况的特征参数作为条件属性，发生故障的类型作为决策属性。对复杂电子设备的条件属性和决策属性进行编码，建立复杂电子设备的决策表T。

假设C是复杂电子设备的条件属性(是决策表T的差别矩阵，是一个n乘以n的方阵)，D是复杂电子设备的决策属性，c(w)是记录w在属性c(c∈C)上的值，C_ij为差别矩阵中第i行第j列的元素，则差别矩阵C可表示为：

基于差别矩阵的属性约简方法如下：(A是属性约简后的条件属性集合，C是决策表T的差别矩阵，)a_k∈{c_ij}，C₀为核属性集合)

1)定义集合B、集合Q、集合R，且初始值均为空集；