用于故障诊断的因果关系邻接矩阵特征提取方法技术

本发明专利技术提供一种用于故障诊断的因果关系邻接矩阵特征提取方法，其包括如下步骤：S1、采集原始故障监测数据为原始故障特征变量数据集；S2、对原始故障特征变量数据集进行预处理，得到预处理后的故障特征变量数据集X；S3、根据预处理后的故障特征变量数据集X构建因果关系网络图G；S4、根据因果关系网络图G进行故障特征提取，构建基于因果关系提取的新的故障特征变量数据集。本发明专利技术提供的用于故障诊断的因果关系邻接矩阵特征提取方法，应用在故障诊断领域，对于一个复杂系统或设备来说，能够对监测数据进行特征选择及特征提取，对预防故障或者维修提供针对性的建议，利用因果关系的展示也可以使模型更加透明，更具解释性，泛化能力更强，可信度更高。

Feature extraction method of causal adjacency matrix for fault diagnosis

【技术实现步骤摘要】
用于故障诊断的因果关系邻接矩阵特征提取方法
本专利技术属于故障诊断领域，具体涉及一种用于故障诊断的因果关系邻接矩阵特征提取方法。
技术介绍
随着社会的不断进步和科技的持续发展，各种现代高新技术及智能化设备层出不穷，也越来越多地应用在航空、航天、核工业、铁路运输等重要领域。尽管这些智能化设备的功能越来越完善，自动化程度也越来越高，但与此同时其结构组成也越来越复杂，不可避免地会因为各种环境、工况和人为因素出现故障或事故，因此伴随这些复杂系统或设备的故障诊断技术也越发重要。但故障诊断在实际工程应用中，往往会遇到所监测故障特征数据维度非常之高、而又因为系统复杂度过高等原因无法借助已有的领域知识人工构建有效特征的情况，与此同时，算法的时间复杂度也会与数据维数成指数级增加。另外，在数据可视化方面，当故障特征超过三个维度时，人们也不能用肉眼直接观测到。因此，对故障数据集开展特征选择和特征提取等技术是很重要的一个环节，它们不仅能够有效减少故障数据中的冗余信息，降低故障数据规模，提高处理速度，而且也为故障数据可视化提供了可能。传统的故障诊断的特征选择和特征提取方法一般来说都是根据监测故障特征变量与目标故障特征变量间的相关性强弱来进行的，但两个变量间存在相关关系并不意味者二者间存在因果关系，因果关系与相关关系的区别主要体现在以下几个方面：①因果关系是有方向的，而相关关系则没有方向。即存在因果关系的两个事件有且只有一个为原因，该事件的发生会导致另外一个事件的发生。而相关关系则只表示两个事件的发生具有一定相关性：②事件间存在因果关系则往往存在相关关系，而事件间存在相关关系则并不意味着一定存在因果关系；③相关关系蕴含万物皆有联系，也就是十分密集的，而因果关系则是稀疏的；④因果关系可以比相关关系提供更加精准的干预建议。例如：“吸烟”是“黄牙”和“肺癌”的原因。三者之间均有较强的相关关系，但只有“吸烟”与“黄牙”、“吸烟”与“肺癌”之间才有因果关系。因此对“吸烟”这一直接原因事件的干预才能降低其果事件“肺癌”的发生概率，而对“黄牙”这一相关事件的干预则不能降低“肺癌”的发生概率。因此现有技术中利用基于相关关系选择或者提取出的故障特征变量来进行后续的诊断方法并不一定能够保证结果的准确性和实时性。
技术实现思路
本专利技术的目的在于提供一种用于故障诊断的因果关系邻接矩阵特征提取方法，对于一个复杂系统或设备来说，推断得到其各个故障特征变量间的因果关系网络，不仅能够实现对采集到的高维故障监测数据进行特征选择及特征提取过程，从而降低故障数据维度，以便于后续更高效的开展故障诊断，而且能够对预防故障或者维修提供针对性的建议，同时其因果关系的展示也能使模型更加透明，更具解释性，泛化能力更强，可信度更高，更有说服力。一种用于故障诊断的因果关系邻接矩阵特征提取方法，其包括如下步骤：S1、采集原始故障监测数据作为原始故障特征变量数据集；S2、对原始故障特征变量数据集进行预处理，得到预处理后的故障特征变量数据集X；S3、根据预处理后的故障特征变量数据集X，采用因果推断方法构建因果关系网络图G:G＝(V,E)其中，V为故障特征变量节点集，E为故障特征变量间的因果关系边组成的集合；S4、根据因果关系网络图G进行故障特征提取，构建基于因果关系提取的新的故障特征变量数据集T，步骤如下：S41、将因果关系网络图G转换为相应的因果关系邻接矩阵A(m×m)；根据因果关系网络图G将数据集X中故障特征变量间的因果关系转换为相对应的因果关系邻接矩阵A(m×m)，其中第i行第j列的元素为aij；其中，m为故障特征变量个数；S42、对因果邻接矩阵A(m×m)和预处理后的故障特征变量数据集X进行初步删减，得到删减后的因果邻接矩阵Ar((m-r)×m)和删减后的数据集Xr(n×(m-r))；在因果关系邻接矩阵A(m×m)中，找到在因果关系网络图中没有子节点的r个果节点，删除A(m×m)中r个果节点故障特征变量在矩阵A(m×m)中所在行，得到最终的因果关系邻接矩阵Ar((m-r)×m)，同时删除数据集X中对应故障特征变量所在列，得到删减后的数据集Xr(n×(m-r))；S43、对删减后的因果邻接矩阵Ar((m-r)×m)转置后进行奇异值分解，得到奇异值较大的几组奇异向量组成的奇异向量矩阵Ve((m-r)×K)；将删减后的因果关系邻接矩阵Ar((m-r)×m)进行转置，对转置后矩阵进行奇异值分解，得到从大到小排序的m-r个奇异值以及相对应的m-r组奇异向量，最终选取K个最大的奇异值对应的K组奇异向量组成奇异向量矩阵Ve((m-r)×K)；S44、将删减后的数据集矩阵与奇异向量矩阵做矩阵相乘，得到基于因果关系提取的新的故障特征变量数据集T；将删减后的数据集Xr(n×(m-r))与此奇异向量矩阵Ve((m-r)×K)相乘得到最终K组新的故障特征变量数据集T(n×K)，即T＝XrVe，得到原始的高维故障监测数据集进行降维所提取出来的新的基于因果关系的故障特征变量数据集。优选地，所述S2中的预处理过程如下：S21、删除离散数据故障特征变量中仅有一种状态的故障特征变量；S22、将原始故障特征变量数据集中的连续数据故障特征变量的监测数据离散化转换为离散数据故障特征变量的监测数据；S23、将原始故障特征变量数据集中离散数据故障特征变量状态中的标签属性值转换为数值型值，假设某离散数据故障特征变量的z种状态值为标签属性值，即分别将其转换为0,1…z-1这z种数值型值。优选地，所述离散数据故障特征变量数据集X为：其中，故障特征变量个数为m，每一故障特征变量有n个数据样本，标签变量除外。优选地，S22的转换方法为采用无监督离散化方法中的等宽算法。优选地，S23中的转换方法为将z种状态值为标签属性值的离散变量，分别转换为0,1，…，z-1的z种数值型值。优选地，所述因果推断方法采用的搜索策略为爬山算法。优选地，所述因果推断方法采用的评分函数为贝叶斯信息准则。优选地，所述S43中得到转置后的矩阵ArT为：本专利技术的有益效果如下：1、方法本身更具解释性。该方法通过构建因果关系网络图清楚展现了各故障特征变量间的因果关系，在进行故障诊断时能够对故障来源有更清晰快速的定位。2、适用于高维故障监测数据，能够有效实现对高维故障数据降维，便于后续故障诊断的开展。3、该方法效果稳定，通用性较强。实验结果表明用于故障诊断的因果关系邻接矩阵特征提取方法在三种不同的分类方法上均具有较好的故障检测分类效果，具有较好的通用性。附图说明图1是本专利技术用于故障诊断的因果关系邻接矩阵特征提取方法的一个实施例的高铁制动系统实验流程图；图2是本专利技术的一个实施例构建的因果关系网络本文档来自技高网...

【技术保护点】
1.一种用于故障诊断的因果关系邻接矩阵特征提取方法，其特征在于，其包括如下步骤：/nS1、采集原始故障监测数据作为原始故障特征变量数据集；/nS2、对原始故障特征变量数据集进行预处理，得到预处理后的故障特征变量数据集X；/nS3、根据预处理后的故障特征变量数据集X，采用因果推断方法构建因果关系网络图G:/nG＝(V,E)/n其中，V为故障特征变量节点集，E为故障特征变量间的因果关系边组成的集合；/nS4、根据因果关系网络图G进行故障特征提取，构建基于因果关系提取的新的故障特征变量数据集T，步骤如下：/nS41、将因果关系网络图G转换为相应的因果关系邻接矩阵A

【技术特征摘要】
1.一种用于故障诊断的因果关系邻接矩阵特征提取方法，其特征在于，其包括如下步骤：
S1、采集原始故障监测数据作为原始故障特征变量数据集；
S2、对原始故障特征变量数据集进行预处理，得到预处理后的故障特征变量数据集X；
S3、根据预处理后的故障特征变量数据集X，采用因果推断方法构建因果关系网络图G:
G＝(V,E)
其中，V为故障特征变量节点集，E为故障特征变量间的因果关系边组成的集合；
S4、根据因果关系网络图G进行故障特征提取，构建基于因果关系提取的新的故障特征变量数据集T，步骤如下：
S41、将因果关系网络图G转换为相应的因果关系邻接矩阵A(m×m)；
根据因果关系网络图G将数据集X中故障特征变量间的因果关系转换为相对应的因果关系邻接矩阵A(m×m)，其中第i行第j列的元素为aij；






其中，m为故障特征变量个数；
S42、对因果邻接矩阵A(m×m)和预处理后的故障特征变量数据集X进行初步删减，得到删减后的因果邻接矩阵Ar((m-r)×m)和删减后的数据集Xr(n×(m-r))；
在因果关系邻接矩阵A(m×m)中，找到在因果关系网络图中没有子节点的r个果节点，删除A(m×m)中r个果节点故障特征变量在矩阵A(m×m)中所在行，得到最终的因果关系邻接矩阵Ar((m-r)×m)，



同时删除数据集X中对应故障特征变量所在列，得到删减后的数据集Xr(n×(m-r))；



S43、对删减后的因果邻接矩阵Ar((m-r)×m)转置后进行奇异值分解，得到奇异值较大的几组奇异向量组成的奇异向量矩阵Ve((m-r)×K)；
将删减后的因果关系邻接矩阵Ar((m-r)×m)进行转置，对转置后矩阵进行奇异值分解，得到从大到小排序的m-r个奇异值以及相对应的m-r组奇异向量，最终选取K个最大的奇异值对应的K组奇异向量组成奇异向量矩阵Ve((m-r)×K)；



S44、将删减后的数据集矩阵与奇异向量矩阵做矩阵相乘，得到基于因果关系提取的新的故障特...

【专利技术属性】
技术研发人员：刘杰，徐煜博，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11