The invention discloses a feature weighted K nearest neighbor fault diagnosis method based on the average influence value data transformation. The calculation process of MIV in the present invention is to increase or decrease the input value of the system by increasing the proportion and decreasing the data. For each input variables and increase the proportion of output value corresponding to the system output system subtracted from each input variable do to reduce the proportion of the corresponding to the degree of influence of each parameter on the system input and system output value and MIV value; multiple averaging calculation method to determine the final MIV value of each feature variable. By reducing the equal proportion of the MIV value, it is used as the characteristic weight of the input data of the K nearest neighbor method to diagnose the fault. The validity of this method is verified by the simulation test of UCI standard data set.
【技术实现步骤摘要】
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
本专利技术属于故障诊断领域,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。
技术介绍
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(RelativePrincipleComponentAnalysis,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 ...
【技术保护点】
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,其特征在于该方法具体包括以下各步骤: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;输入层到隐含层的权重ωij,隐含层到输出层的权重为ωjk',输入层到隐含层的偏置为aj,隐含层到输出层的偏置为bk';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)将其取作Sigmoid函数;形式为:
【技术特征摘要】
1.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,其特征在于该方法具体包括以下各步骤: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;输入层到隐含层的权重ωij,隐含层到输出层的权重为ωjk',输入层到隐含层的偏置为aj,隐含层到输出层的偏置为bk';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)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,....xn],计算表达式如下;隐含层节点的输入:隐含层节点的输出:输出节点的输出:其中,;i=1,2,…,n;j=1,2,…,l;k'=1,2,…,m;步骤(1-3)反向传递:误差计算,我们定义损失函数如下:以上,Y为期望输出,O为实际输出,权值更新即是隐含层和输出层权值更新;其表达式如下隐含层到输出层的权值更新计算:ωjk'=ωjk'+ηHjek'(8)输出层到隐含层的权值更新计算:
【专利技术属性】
技术研发人员:文成林,姬思雨,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。