基于粒计算的电动汽车故障诊断神经网络方法技术

本发明专利技术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；本发明专利技术降低了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。

Neural Network Method for Fault Diagnosis of Electric Vehicle Based on Granular Computing

【技术实现步骤摘要】
基于粒计算的电动汽车故障诊断神经网络方法
本专利技术涉及电动汽车故障诊断领域，尤其涉及一种基于粒计算的电动汽车故障诊断神经网络方法。技术背景基于神经网络的故障诊断技术，就是通过对故障信息和诊断经验的训练学习，用分布在网络内部的连接权值来表达所学习的故障诊断知识，它具有对故障模式的联想记忆、模式匹配和相似归纳能力，实现故障与征兆之间复杂的非线性映射关系，对比传统的故障诊断方法，具有许多优点，如：神经网络具有分辨原因及故障类型的能力、神经网络允许样本中带有较大的误差甚至有个别错误、神经网络是从本质上模拟专家直觉且通过量化过程来解决知识中不确定性问题，由于具有可贵的自学习能力，从而避免了复杂的数学建模。虽然采用神经网络的故障诊断技术是一种更有效、更有前途的诊断方法，但是存在要实现对多个故障模式的诊断需要大量的学习样本，构造特征向量、确定网络结构有一定难度等问题。如《基于神经网络的汽车故障诊断分析》。论文《基于神经网络的汽车故障诊断分析》(刘欣欣，内燃机与配件期刊论文，2017年12月3日)，从提高故障诊断的精度和可靠性出发，针对汽车故障的复杂性、多样性以及诊断中多信息的特点，将神经网络技术应用到故障诊断中。但此方法存在以下不足：(1)神经网络在对大型复杂问题求解时，学习时间长；(2)在故障样本数据比较庞大时，神经网络收敛速度慢，甚至难以达到收敛。
技术实现思路
本专利技术针对上面所述的一些问题，提供一种基于粒计算的电动汽车故障诊断神经网络方法，能够简化BP神经网络的结构，减少了网络的学习时间，保证故障诊断准确性。为解决本专利技术的技术问题，本专利技术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，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ug，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vg，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ng，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Uu、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Uu、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Uu、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＝{dk|k＝1,2,…,h}，dk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,…Yp}，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Yi的二进制位串表示为：Yi＝{ai1,ai2,…aik,…,aih}；其中，i为具有条件属性C的二进制粒Yi的序列号，i＝1,2,…,p，aik表示为具有条件属性C的二进制粒的二进制位；X＝{X1,X2,…,Xq}，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Xj的二进制位串表示为：Xj＝{bj1,bj2,…bjk,…,bjh}；其中，j为具有决策属性D的二进制粒Xj的序列号，j＝1,2,…,q，bjk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＝{Yp×h,Xq×h,Cp×q}，其中，Yp×h为具有条件属性C的二进制粒矩阵，Xq×h为具有决策属性D的二进制粒矩阵，Cp×q为条件属性C和决策属性D的关系矩阵，Cp×q中各元素由公式(i＝1,…,p；j＝1,…,q)计算得到，Cij为Cp×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γC(D)，其中，posC(D)为决策属性D的条件属性C正域，card(posC(D))为决策属性D的条件属性C正域的势；若γC(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，γC-α(D)为决策属性D依赖于属性C-α的依赖度，NE(i)代表Ci中非零元素的个数，Ci为Cp×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γR∪{t}(D)，γR∪{t}(D)为决策属性D依赖于属性R∪{t}的依赖度；步骤5.6，若γR∪{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γR(D)＝γC(D),γR(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。本专利技术公开的基于粒计算的电动汽车故障诊断神经网络方法，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，将所得到的决策信息系统的最小属性集作为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。其有效益效果具体体现在：1、本文档来自技高网...

【技术保护点】
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ug，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vg，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ng，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Uu、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；

【技术特征摘要】
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ug，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vg，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ng，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Uu、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Uu、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Uu、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＝{dk|k＝1,2,…,h}，dk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,…Yp}，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...

【专利技术属性】
技术研发人员：孔慧芳，盛阳，胡杰，张晓雪，
申请(专利权)人：合肥工业大学智能制造技术研究院，
类型：发明
国别省市：安徽,34