一种基于粗糙集和证据理论的故障诊断方法及系统技术方案

本发明专利技术公开了一种基于粗糙集和证据理论的故障诊断方法及系统，包括如下步骤：S1、根据原始数据表中带标签数据的参数名称和数据类别，得到条件属性集；S2、根据系统常见故障状态得到决策属性集；S3、基于条件属性集和决策属性集，建立基于不同工况下第i条原始采集数据样本的输入条件属性与决策属性相对应的数据决策表；S4、对数据决策表进行属性的约简处理，获得约简决策表；S5、根据约简决策表，获得约简决策表中所有条件属性对每个决策属性的基本置信度。本发明专利技术通过粗糙集与D

【技术实现步骤摘要】
一种基于粗糙集和证据理论的故障诊断方法及系统


[0001]本专利技术属于机械装备故障诊断领域，具体涉及一种基于粗糙集和证据理论的故障诊断方法及系统。

技术介绍

[0002]以数据为核心的故障诊断技术是实现船舶动力系统智能运维的关键技术之一，通过运行监测数据对设备及系统的运行状态进行预报、判断及识别，据此确定其是否处于正常运行状态区间。船舶动力系统长期监测数据通常具有容量大、纬度高、有效信息密度低等典型工业大数据特征，常规方法难以有效挖掘数据中潜在的特征信息，难以直接用于支持管理人员的运行维护及维修决策，需要寻找一种有效的数据处理手段并对数据处理结果进行有效性评估以支撑智能运维决策。
[0003]粗糙集理论可以在不借助对数据的先验知识的前提下发掘隐藏在数据中的潜在信息，为海量数据中知识获取提供了一种较为可行的数学机制。但在实际应用中，粗糙集理论推理能力较弱，与概率论、模糊数学和证据理论等其它处理不确定或不精确问题的理论有很强的互补性，以粗糙集结合证据理论的信息融合方法在故障诊断、多传感器数据融合、状态评估、数据挖掘及模式识别等领域具有重要研究意义。
[0004]证据理论可以在决策级为不确定信息的表征与融合提供有力的证据支持，但在基本概率确定时存在较大的主观因素影响，同时在证据组合过程中会由于推理规则维度过高引起焦元爆炸，一般在使用证据理论进行决策级数据融合前需要对原始数据进行必要的约简，以降低数据维度。粗糙集在数据处理环节的优势与证据理论的推理能力可以形成良好的优势互补，在海量数据处理中获得较为客观的推理结果，并可在一定程度上降低证据组合中的主观性及处理难度。
[0005]基于粗糙集和证据理论的信息融合方法目前有较多的研究成果，但是大部分研究成果仅针对具体应用对象特性提出了相应的数据融合方法，缺少能够推广应用的普适性方法。

技术实现思路

[0006]本专利技术的目的在于给出一种基于粗糙集和证据理论的故障诊断方法及系统，充分利用粗糙集在处理高维度数据过程中的属性约简能力，以及D
‑
S证据理论在决策级证据合成过程中的置信度计算方法，以克服决策证据在基本置信度分配的主观性过强缺陷。
[0007]为实现上述目的，本专利技术提供了如下方案：
[0008]一种基于粗糙集和证据理论的故障诊断方法，包括如下步骤：
[0009]S1、根据原始数据表中带标签数据的参数名称和数据类别，得到条件属性集，所述条件属性集表示为C＝{c1，c2，c3，...，c
n
}，其中n为输入的条件属性的维度；
[0010]S2、根据系统常见故障状态得到决策属性集，所述决策属性集表示为D＝{d1，d2，d3，...，d
m
}，其中m为输出的决策属性的维度；
[0011]S3、基于所述条件属性集和所述决策属性集，建立基于不同工况下第i条原始采集数据样本的输入条件属性与决策属性相对应的数据决策表，所述数据决策表表示为S；
[0012]S4、对所述数据决策表进行属性的约简处理，获得约简决策表；
[0013]S5、根据所述约简决策表，获得约简决策表中所有条件属性对每个决策属性的基本置信度，所述基本置信度用于进行故障诊断。
[0014]优选的，S1中所述原始数据表中的原始数据类型为连续的条件属性时，按照标准参数范围对原始数据进行离散化处理；正常区间范围数据离散化后设置条件属性码为1，低于正常区间范围下限则设置条件属性码为0，高于正常区间范围上限则设置其条件属性码为2。
[0015]优选的，所述离散化处理采用额定工况下参数指标范围，对于非额定工况下采集的参数数据，根据数据采集时对应的设备工况点，并结合变工况参数变化曲线来确定参数的正常区间范围。
[0016]优选的，S2中所述决策属性集为已知的故障状态，其与条件属性之间的推理关系为非线性或非一一映射关系，对于条件属性与决策属性间存在简单一一映射关系的决策属性直接剔除。
[0017]优选的，S4中所述属性的约简处理的方法包括：基于粗糙集的等价属性定义进行的属性约简处理，剔除数据决策表中的冗余属性及相关数据信息。
[0018]优选的，所述等价属性为在保持知识库分类能力不变的前提下，对数据决策表中存在的冗余条件属性及其相关信息进行简约的原则；
[0019]所述等价属性定义为：
[0020]其中，x为样本数据向量，其数据维度取决于原始采集数据的输入条件属性维度n；X为所有样本数据向量构成的样本数据集，X＝{x1，x2，x3，...，x
k
}，其中k为样本数据的数量；c
i
为条件属性，c
i
(x)为样本数据x在属性下c
i
的值，C＝{c1，c2，c3，...，c
n
}为所有条件属性集合。
[0021]优选的，S5中获取所述基本置信度的方法包括：采用基于证据置信度的基本置信度分配方法。
[0022]优选的，所述基本置信度的计算方法如下：
[0023][0024]其中i＝1,2,...,n，Y
i
＝{y|y∈U∧y
D
＝d
i
}，d
i
∈V
D
，U为原始数据表。
[0025]本专利技术还提供了一种基于粗糙集和证据理论的故障诊断系统，包括：条件属性模块、决策属性模块、决策表模块、处理模块、计算模块；
[0026]所述条件属性模块用于根据原始数据表中带标签数据的参数名称和数据类别，得到条件属性集；
[0027]所述决策属性模块用于根据系统常见故障状态得到决策属性集；
[0028]所述决策表模块用于基于所述条件属性集和所述决策属性集，建立基于不同工况下第i条原始采集数据样本的输入条件属性与决策属性相对应的数据决策表；
[0029]所述处理模块用于对所述数据决策表进行属性的约简处理，获得约简决策表；
[0030]所述计算模块用于根据所述约简决策表，获得约简决策表中所有条件属性对每个决策属性的基本置信度。
[0031]本专利技术的有益效果为：
[0032](1)通过粗糙集方法与D
‑
S证据理论相结合，充分利用粗糙集在处理高维度数据过程中的属性约简能力，以及D
‑
S证据理论在决策级证据合成过程中的置信度计算方法，克服了决策证据在基本置信度分配的主观性过强缺陷；
[0033](2)采用等价属性对输入条件属性进行约简，确定能够满足构建等价决策表所需的最小条件属性的数量，有利于减少决策级数据推理规则数量，避免焦元爆炸及其带来的计算负荷增加问题；
[0034](3)提出的证据置信度计算方法，充分利用了决策表中的所有信息，将证据置信度作为条件基本置信度分配函数更加符合实际情况，从而提高了决策结论的客观性和准确性。
附图说明
[0035]为了更清楚地说明本专利技术的技术方案，下面对实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于粗糙集和证据理论的故障诊断方法，其特征在于，包括如下步骤：S1、根据原始数据表中带标签数据的参数名称和数据类别，得到条件属性集，所述条件属性集表示为C＝{c1，c2，c3，...，c
n
}，其中n为输入的条件属性的维度；S2、根据系统常见故障状态得到决策属性集，所述决策属性集表示为D＝{d1，d2，d3，...，d
m
}，其中m为输出的决策属性的维度；S3、基于所述条件属性集和所述决策属性集，建立基于不同工况下第i条原始采集数据样本的输入条件属性与决策属性相对应的数据决策表，所述数据决策表表示为S；S4、对所述数据决策表进行属性的约简处理，获得约简决策表；S5、根据所述约简决策表，获得约简决策表中所有条件属性对每个决策属性的基本置信度，所述基本置信度用于进行故障诊断。2.根据权利要求1所述的基于粗糙集和证据理论的故障诊断方法，其特征在于，S1中所述原始数据表中的原始数据类型为连续的条件属性时，按照标准参数范围对原始数据进行离散化处理；正常区间范围数据离散化后设置条件属性码为1，低于正常区间范围下限则设置条件属性码为0，高于正常区间范围上限则设置其条件属性码为2。3.根据权利要求2所述的基于粗糙集和证据理论的故障诊断方法，其特征在于，所述离散化处理采用额定工况下参数指标范围，对于非额定工况下采集的参数数据，根据数据采集时对应的设备工况点，并结合变工况参数变化曲线来确定参数的正常区间范围。4.根据权利要求1所述的基于粗糙集和证据理论的故障诊断方法，其特征在于，S2中所述决策属性集为已知的故障状态，其与条件属性之间的推理关系为非线性或非一一映射关系，对于条件属性与决策属性间存在简单一一映射关系的决策属性直接剔除。5.根据权利要求1所述的基于粗糙集和证据理论的故障诊断方法，其特征在于，S4中所述属性的约简处理的方法包括：基于粗糙集的等价属性定义进行的属性约简处理，剔除数据决策表中的冗余属性及相关数据信息。6.根...

【专利技术属性】
技术研发人员：贾宝柱，廖志强，孔德峰，
申请(专利权)人：广东海洋大学，
类型：发明
国别省市：