[发明专利]基于平均影响值数据变换的特征加权K近邻故障诊断方法

说明书

本发明公开了一种基于平均影响值数据变换的特征加权K近邻故障诊断方法。本发明中MIV的计算过程是通过对系统的输入值做等比例增加和减小，得到增加和减少后的数据分别作为系统输入，求解其对应的系统输出值。求取各个输入变量做等比例增加对应的系统输出值减去各个输入变量做等比例减小对应的系统输出值得到系统输入的各个参变量对系统输出的影响程度值及MIV值；采用多次计算求平均值的方式确定各个特征变量最终的MIV值。通过对MIV值一定的等比例放缩，将其用作K近邻方法输入数据的特征权值来进行故障诊断。通过UCI标准数据集的仿真测试，验证了本方法的有效性。

技术领域

本发明属于故障诊断领域，具体涉及一种基于平均影响值数据变换的特征加权K近邻故障诊断方法。

背景技术

在现在工业生产和社会服务中，各类自动化设备越来越复杂，使得精细建模较为困难。但近年来传感器技术的发展，我们可以获得大量的监测数据。常存在着大量的高度相关的状态变量，而这些变量的瞬时采样值都反映着设备运行是否正常、系统输出是否达标等关键信息。因此基于数据驱动的故障诊断方法越来越受到人们的重视。然而基于数据驱动的方法必然要面临各类变量量纲差异的问题，现有基于数据驱动的故障诊断方法有很多，像主元分析、小波变换、支持向量机等大多是在原有量纲的基础上进行故障诊断。即使进行数据标准化，同样要面临标准化之后变量之间的多样性降低，几何角度呈均匀分布等问题。这给后续数据压缩和特征提取带来了一定的难度。尽管后来提出了一些基于像信息增益、信息熵、Gini不纯度等方法求取特征权值的方法，但因其计算的复杂性，使得其实际应用较为困难。为解决上述问题，从业人员进行了大量的探索，也提出了一些方法。其中一种称为相对主元分析(Relative Principle Component Analysis，RPCA)的方法，它利用系统的先验信息来引入每个变量的权重，以消除由于标准化后数据“均匀”分布造成的特征提取困难的问题，但是该方法的不足之处在于它需要来自系统的大量先验信息这在实际工程应用中难以获得。MIV方法能够反映处神经网络的权重矩阵的变化情况，被认为评价神经网络输入参数相关性的最佳指标，MIV可以测定出神经网络输入神经元对输出神经元的影响权重。MIV符号代表相关的方向，绝对值大小代表影响的相对权重。

发明内容

本发明针对现有技术的不足，设计一种基于平均影响值数据变换的特征加权K近邻故障诊断方法。本方法通过运用平均影响值(MIV)算法计算经过标准化处理后各个特征分量对系统输出的影响程度，根据其数值上的比例关系为各个特征变量赋权值。然后，采用UI-balance标准数据集，根据创建的机器学习故障诊断模型进行模型测试，并将其应用到智能电网信息物理系统的攻击检测中。

本发明包括以下各步骤：

步骤(1)依据信号的前向传播和误差的反向传播来构建BP神经网络：

步骤(1-1)网络的初始化：

假设输入层的节点个数为n，隐含层的节点个数为l，输出层的节点个数为m；各层节点的个数无统一的标准，一般是根据输入输出序列在经过多次实验来确定。输入层到隐含层的权重ω_ij，隐含层到输出层的权重为ω_jk'，输入层到隐含层的偏置为a_j，隐含层到输出层的偏置为b_k'。以上权重及偏置参数的初始化是随机的，在接下来的多次迭代中进行一次次的更新修正。学习速率为η，取[0.01,0.1]之间，激励函数g(x)的输出结果是[-1,1]或者[0,1]，其中激励函数g(x)有诸多形式，本方法将其取作Sigmoid函数。形式为：

步骤(1-2)正向传递：有了输入和初始参数以及激活函数，一个节点的输出表示如下，对应输入乘以连接隐含层的对应权值加上阈值，最后经过激活函数得到隐含层节点的一个输出，假设系统输入为X＝[x₁,x₂,....x_n]，计算表达式如下。

隐含层节点的输入：