[发明专利]基于粒计算的电动汽车故障诊断神经网络方法

摘要

本发明提供了一种基于粒计算的电动汽车故障诊断神经网络方法。本方法将粒计算作为BP神经网络的前端信息处理器，利用粒计算对决策信息系统进行约简，得到决策信息系统的最小属性集R，将所得到的决策信息系统的最小属性集R作为BP神经网络的训练样本，再将采样到的故障样本数据输入到训练好的BP神经网络中，输出故障诊断结果；本发明降低了BP神经网络的网络规模并减少了BP神经网络的学习训练时间，能较快的输出故障诊断结果，提高了故障诊断的智能性和诊断效率。

主权项

1.一种基于粒计算的电动汽车故障诊断神经网络方法，其特征在于，将粒计算作为BP神经网络的前端信息处理器，利用粒计算对决策信息系统进行约简，得到决策信息系统的最小属性集R，将所得到的决策信息系统的最小属性集R作为BP神经网络的训练样本，再将采样到的故障样本数据输入到训练好的BP神经网络中，输出故障诊断结果，包括以下步骤：步骤1，采样故障样本数据，故障样本数据包括加速踏板位置传感器电压、车速、电动机转速，设采样次数为m；步骤2，对采样到的故障样本数据进行离散化处理，所述的离散化处理过程如下：步骤2.1，将步骤1采样得到的m个加速踏板位置传感器电压按照其数值进行排序，并将其中的任一个加速踏板位置传感器电压记为传感器电压u_g，g＝1,2,…,m；将步骤1采样得到的m个车速按照其数值进行排序，并将其中的任一个车速记为车速v_g，g＝1,2,…,m；将步骤1采样得到的m个电动机转速按照其数值进行排序，并将其中的任一个电动机转速记为电动机转速n_g，g＝1,2,…,m；步骤2.2，写出按照步骤2.1排序得到的m个传感器电压的集合U_u、m个车速的集合V和m个电动机转速的集合N的表达式，并进行离散化处理；则经过离散化得到的传感器电压U_u、经过离散化得到的车速V和经过离散化得到的电动机转速N分别为：步骤3，根据离散化处理后结果构造决策信息系统；所述决策信息系统记为S，S＝(U,C∪D)；其中：U是论域且为非空有限集，C是条件属性集，D是决策属性集；步骤4，列写出离散化后的条件属性结果和决策属性结果，形成决策表；所述决策表，包括：条件属性定义为{a,b,c}，{a,b,c}＝{1,2,3,4}；其中，{a,b,c}由离散化后的传感器电压U_u、离散化后的车速V、离散化后的电动机转速N确定，即a代表加速踏板位置传感器电压信号，b代表车速信号，c代表电动机转速信号；决策属性定义为d，d＝{1,2}，其中1代表无故障，2代表有故障；步骤5，对决策信息系统中的数据进行属性约简，得到包含采集到的电动汽车故障样本数据特征的最小属性集R，将其作为BP神经网络的学习样本；所述属性约简是基于粒矩阵知识约简算法，该算法的输出量为：系统的最小属性集R；在论域U中，包含h个元素，h为论域U的势；U＝{d_k|k＝1,2,…,h}，d_k为论域U中的元素，k为论域U中元素的序列号；包括以下步骤：步骤5.1，选定粒化准则，根据条件属性C和决策属性D导出的等价关系分别为Y,X，其中Y＝{Y₁,Y₂,…Y_p}，Y表示从条件属性C导出的类，p为具有条件属性C的二进制粒个数，具有条件属性C的二进制粒Y_i的二进制位串表示为：Y_i＝{a_i1,a_i2,…a_ik,…,a_ih}；其中，i为具有条件属性C的二进制粒Y_i的序列号，i＝1,2,…,p，a_ik表示为具有条件属性C的二进制粒的二进制位；X＝{X₁,X₂,…,X_q}，X表示从决策属性D导出的类，q为具有决策属性D的二进制粒个数，具有决策属性D的二进制粒X_j的二进制位串表示为：X_j＝{b_j1,b_j2,…b_jk,…,b_jh}；其中，j为具有决策属性D的二进制粒X_j的序列号，j＝1,2,…,q，b_jk表示为具有决策属性D的二进制粒的二进制位；根据该粒化准则来构建知识粒，即求取二进制粒矩阵BGrM：所述的二进制粒矩阵BGrM＝{Y_p×h,X_q×h,C_p×q}，其中，Y_p×h为具有条件属性C的二进制粒矩阵，X_q×h为具有决策属性D的二进制粒矩阵，C_p×q为条件属性C和决策属性D的关系矩阵，C_p×q中各元素由公式计算得到，C_ij为C_p×q中第i行第j列的元素；步骤5.2，在所述的决策表中，判断决策信息系统的相容性，决策属性D依赖于条件属性C的依赖度为γ_C(D)，其中，pos_C(D)为决策属性D的条件属性C正域，card(pos_C(D))为决策属性D的条件属性C正域的势；若γ_C(D)＝1，则该决策信息系统相容，继续向下执行，否则将其分解成相容的决策信息系统，同时完全删除相同的决策规则，再继续向下执行；步骤5.3，求取条件属性C相对于决策属性D的核属性C₀，如果则α∈C₀；其中，α为核属性C₀中的属性，γ_C‑α(D)为决策属性D依赖于属性C‑α的依赖度，NE(i)代表C_i中非零元素的个数，C_i为C_p×q矩阵中第i行的元素；步骤5.4，设R＝C₀,T＝C‑C₀，T为条件属性C中除去核属性C₀的属性，然后转到步骤5.7；步骤5.5，将条件属性C中除去核属性C₀的属性T中的任一属性记为t，t∈T,计算γ_R∪{t}(D)，γ_R∪{t}(D)为决策属性D依赖于属性R∪{t}的依赖度；步骤5.6，若γ_R∪{t}(D)＝1，则令R＝R∪{t}，转到步骤5.8，否则令R＝R∪{t}，继续向下执行；步骤5.7，若γ_R(D)＝γ_C(D),γ_R(D)为决策属性D依赖于核属性C₀的依赖度，则停止运算，转到步骤5.8，否则转到步骤5.5；步骤5.8，获得决策信息系统的一个最小属性集R；步骤6，基于步骤5得到的电动汽车故障样本数据特征的最小属性集R，训练BP神经网络；步骤7，将步骤1采集到的加速踏板位置传感器电压、车速、电动机转速输入到步骤6得到的训练好的BP神经网络中，输出故障诊断结果。