[发明专利]概率神经网络创建方法、故障诊断方法及装置、存储介质

权利要求书

1.一种故障诊断方法，其特征在于，包括：

获取各故障类别的传感器采集信号样本，对所述样本经过信号处理得到特征数据，将得到的特征数据划分为输入训练数据和输入测试数据；

根据输入训练数据以及相对应的训练标签矩阵，生成概率神经网络模型的训练参数，所述训练参数为训练数据的属性概率矩阵；

计算输入测试数据的属性概率矩阵，将输入训练数据和输入测试数据的属性概率矩阵相乘，得到输入训练数据和输入测试数据的联合概率矩阵，根据联合概率矩阵和训练标签矩阵计算各类别的求和概率；

根据计算得出的各类别的求和概率，对输入测试数据进行分类判别，并获得所创建的概率神经网络的分类准确度；

利用创建的概率神经网络对待诊断的传感器采集信号的特征数据进行故障诊断；

其中，所述生成概率神经网络模型的训练参数，包括：

根据所述输入训练数据traindata生成所述输入训练数据的属性概率矩阵w_train：其中，输入训练数据traindata为M*N的矩阵，M为输入训练数据的样本数目，N为特征属性个数，I_M为M*1的单位矩阵；w_train为N*M的概率矩阵；

根据所述输入训练数据traindata生成所述输入训练数据的训练标签矩阵B，其中B为M*C的矩阵，C为训练标签类别数目，所述训练标签矩阵B中每个训练样本序号所对应的标签类别值被标记为1。

2.根据权利要求1所述的故障诊断方法，其特征在于，所述根据联合概率矩阵和训练标签矩阵计算各类别的求和概率，包括：

根据所述输入训练数据的训练标签矩阵B_Mj生成每类联合概率对应的标签标记矩阵d：d＝B_Mj*I₁，其中，d为M*P的单位矩阵，P为输入测试数据的样本数目，B_Mj为第j类类别的训练标签矩阵，j为1至C之间的自然数，I₁为1*P的单位矩阵；

计算各类别的求和概率cp：σ为预设的平滑系数，w_new为所述输入训练数据和输入测试数据的联合概率矩阵，大小为M*P。

3.根据权利要求1所述的故障诊断方法，其特征在于，在所述将得到的特征数据划分为输入训练数据和输入测试数据之前，所述方法还包括：

对所述得到的特征数据进行加入白化处理的主要成分分析。

4.一种存储介质，其特征在于，所述存储介质上存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1至3中任一项所述的故障诊断方法的步骤。

5.一种故障诊断装置，其特征在于，包括输入单元、样本单元、求和单元、竞争单元、特征提取单元、划分单元、准确度评估单元和故障诊断单元，其中：

输入单元，用于输入训练数据以及相对应的训练标签矩阵，并输入测试数据；

样本单元，用于根据输入训练数据以及相对应的训练标签矩阵生成概率神经网络模型的训练参数，所述训练参数为输入训练数据的属性概率矩阵；计算输入测试数据的属性概率矩阵，将输入训练数据和输入测试数据的属性概率矩阵相乘，得到输入训练数据和输入测试数据的联合概率矩阵；

求和单元，用于根据联合概率矩阵和训练标签矩阵计算各类别的求和概率；

竞争单元，用于根据计算出的各类别的求和概率，得到输入测试数据被判别出的分类类别；

特征提取单元，用于获取各故障类别的传感器采集信号样本，对所述样本经过信号处理得到特征数据；

划分单元，用于将得到的特征数据划分为输入所述概率神经网络创建装置的输入训练数据和输入测试数据；

准确度评估单元，用于计算所创建的概率神经网络的分类准确度；

故障诊断单元，用于利用所述概率神经网络创建装置创建的概率神经网络对待诊断的传感器采集信号的特征数据进行故障诊断；

其中，所述生成概率神经网络模型的训练参数，包括：

根据所述输入训练数据traindata生成所述输入训练数据的属性概率矩阵w_train：其中，输入训练数据traindata为M*N的矩阵，M为输入训练数据的样本数目，N为特征属性个数，I_M为M*1的单位矩阵；w_train为N*M的概率矩阵；

根据所述输入训练数据traindata生成所述输入训练数据的训练标签矩阵B，其中B为M*C的矩阵，C为训练标签类别数目，所述训练标签矩阵B中每个训练样本序号所对应的标签类别值被标记为1。