[发明专利]基于知识的故障诊断方法

权利要求书

1.一种基于知识的故障诊断方法，其特征在于，包括以下步骤：

第一步，典型故障数据库建立：针对工业控制系统，建立典型故障数据库；

第二步，故障特征信息提取：基于建立的典型故障数据库，利用信号处理技术，提取得到时域特征参数、时-频域特征参数；

第三步，特征选取：根据特征参数组成的数据集，采取主要成分分析方法，将数据集的主要数据属性变量提取出来；

第四步，神经网络算法训练学习：利用神经网络算法，对系统故障样本集合进行学习训练，完成故障诊断知识的获取；

第五步，面向系统故障诊断的知识表示：针对获取的故障诊断知识，采用框架与产生式规则相结合的方式，用故障树框架法来表示具体的故障模块，用产生式规则来表示故障的前提和结果，得到故障诊断知识的规则表示；

第六步，系统故障传播模型构建：首先，构建系统任务到完成任务的能力映射关系模型；然后，构建能力到系统组成模块的映射关系模型；最后，构建基于模块依存关系的故障传播模型；

第七步，基于知识推理的故障定位：分析系统故障诊断知识中的元素及关系类型，确定限定关系类型，确定推理规则，构建知识图，引入路代数对推理关系进行表述和运算，对推理结果可信度进行计算，给出可信度依据，实现系统故障的定位。

2.根据权利要求1所述的基于知识的故障诊断方法，其特征在于，第二步中，时域特征参数包括均方根、歪度因子、峭度因子、波峰因子、裕度因子、波形因子和脉冲因子，时-频域特征参数为信号经过经验模态分解得出的本征模函数值。

3.根据权利要求2所述的基于知识的故障诊断方法，其特征在于，第二步中，时-频域特征参数提取方法为：

确定原始信号所处时间内数据集x(t)局部极大值与极小值；

根据极大值与极小值作三次样条插值以确定x(t)在上下包络线之间；

根据上下包络线求出x(t)的局部均值m_n(t)，除去该包络线所代表的低频成分h_n(t)＝x(t)-m_n(t)；

以h_n(t)作为原始信号重复上述步骤，直到满足IMF的2个标准，记作c₁(t)作为第一个IMF；

用原始信号减去c₁(t)作为新信号r(t)＝x(t)-c₁(t)，重复之前的所有步骤直到所有的IMF找出即：其中c_i代表原始信号中包含不同的时间尺度特征信号；

其中，IMF的2个标准：

(1)整个信号中过零点的数目与极值数相同或最多相差为1；

(2)在任何时间点上，由极大值包络线和极小值包络线所定义的均值包络线必须为0。

4.根据权利要求1所述的基于知识的故障诊断方法，其特征在于，第三步特征选取的过程为：

①计算数据矩阵X各列的平均值，数据矩阵X中的每个数值减去该数所在列的列平均值；

②计算该数据矩阵X的特征协方差矩阵C，采用公式：C＝X*X′；

③对上一步得到的协方差矩阵C进行奇异值分解，公式如下：C＝U*D₀*U′，其中U为酉矩阵，D₀为特征值对角矩阵；

④计算白化矩阵M，采用公式：

⑤计算该数据矩阵X的特征协方差矩阵C，并求出特征协方差矩阵C的特征值D与特征向量V；

⑥将特征值矩阵D转换为列向量D_n，并将其进行降序排列；

⑦计算列向量特征值总和，并计算累加每次列向量总和与列向量特征值总和的比值，进而与设置的信息贡献度比较大小；若第K次累加列向量总和与列向量特征值总和大于设置信息贡献度h，则将其所对应的K个特征向量作为新的特征向量；反之，继续增加累加次数，直到累加列向量总和与列向量特征值总和的比值大于设置信息贡献度h；

⑧最后，将输入数据矩阵X投影到新的特征向量上，产生降低维数后的新数据矩阵X_new。