邻域互信息与随机森林相融合故障检测方法、系统及应用技术方案

本发明专利技术属于民机持续安全性分析管理技术领域，公开了邻域互信息与随机森林相融合故障检测方法、系统及应用。首先基于传感器信号数据，构建加权复合评价指标，优化VMD模态分解参数，实现数据降噪，进行数据信号重构，构建高维特征数据集，利用NMI

【技术实现步骤摘要】
邻域互信息与随机森林相融合故障检测方法、系统及应用


[0001]本专利技术属于民机持续安全性分析管理
，尤其涉及邻域互信息与随机森林相融合故障检测方法、系统及应用。

技术介绍

[0002]随着国产民机项目稳步发展，ARJ21已有多家航司开始运营，C919已经取得国内适航证并即将交付首批航司，CR929项目也有序推进，但适合于国产民机系统设计理念的故障诊断技术尚未成熟，国外制造商提出的相关方法不能完全满足国产民机持续安全性需求，给国产民机运营安全管理工作带来了巨大挑战。
[0003]民机持续安全性分析管理建立在民机故障高效、快速、准确的基础之上，民机故障诊断技术是通过传感器对民机系统运行状态和设备参数的监测，通过算法模型对监测数据进行分析处理，达到诊断设备故障的目的，以保障民机运行安全。伴随民机系统的复杂化和人工智能的发展，单一的故障诊断知识库不能实现危险源高效、准确识别，无法满足民机全生命周期的安全性分析、控制与管理需要。
[0004]通过上述分析，现有技术存在的问题及缺陷为：
[0005](1)现有技术采用的民机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种邻域互信息与随机森林相融合故障检测方法，其特征在于，该方法基于故障信号数据，构建加权复合评价指标优化VMD模态分解参数，去除噪声干扰，进行信号重构，构建高维特征集，利用NMI
‑
RF选择包含故障信息的特征子集，输入到在线贯序极限学习机进行故障诊断；具体包括以下步骤：S1、采用变分模态分解对传感器(13)采集到的非线性、非平稳波形数据信号进行分析处理；S2、提取特征参数，对原始信号序列去噪后，构造重构信号，分别提取原始信号和去噪信号的时域特征和频域特征，构建高维特征集合；S3、通过reliefF算法计算属性重要度，根据步骤S2构建的特征集合，确定reliefF算法中最近邻样本个数，用k个最近邻距离的平均值进行权值迭代后赋予每维特征权重；S4、通过MI算法计算属性相关性，将步骤S2中的特征集合按照步骤S3所赋予的权重大小重新排序，设定互信息阈值，计算拟加入属性与约简集合中的属性互信息值，比较互信息值与阈值大小，衡量特征间冗余度；S5、正域判定，根据步骤S4的属性相关性判断结果，通过特征属性划入正域样本大小作为判断标准，若拟加入属性使得划入正域样本增加，则选择拟加入的属性，进入步骤S6，若拟加入属性使得划入正域样本减少或无变动，则删除拟加入的属性；S6、组合权重构建，采用随机森林算法，基于分类器平均精确率减少作为评价指标，度量添加时域特征和频域特征，扰动后每个特征对RF模型的影响程度，赋予特征重要性权重，并与步骤S5输出的特征属性权重相结合，构建组合权重；S7、特征向量的选择，依据权重大小依次排列，重新得到特征矩阵，并逐渐递减特征维度，依次去除权重较小的特征向量，输入概率神经网络进行训练，获取不同特征子集分类准确率；S8、确定OSELM网络参数，所述参数包括激活函数、隐含层个数以及故障样本的分配；S9、OSELM网格训练与分类模型，基于ELM数学模型进入初始化阶段，求得隐含层权值0，进入在线顺序学习的阶段，通过批量添加调整单隐层神经网络的输出权重和训练完成的OSELM分类模型；S10、故障诊断，基于划分的训练数据输入已训练完成的OSELM分类模型，并进行故障诊断结果分析。2.根据权利要求1所述的邻域互信息与随机森林相融合故障检测方法，其特征在于，步骤S1中，分析处理具体包括：采用线性组合的方式，利用方差贡献率将规划到同一尺度范围内的均方根误差RMSE和平滑度r两个评价指标定权处理，传感器(13)采集到的非线性、非平稳波形数据信号分析处理表达式为：式中，W
k
为各个分量的方差累计贡献率、RMSE为均方根误差、r为平滑度。3.根据权利要求1所述的邻域互信息与随机森林相融合故障检测方法，其特征在于，步骤S2中，构建高维特征集合包括以下步骤：S2.1、VMD分解：设定K的取值范围[2，10]，使VMD模型对信号进行分解，依次得到K个模态分量u
k
；
S2.2、符合评价指标计算：将每一个分量与原始信号进行网格化处理，分别计算均方根误差RMSE和曲线平滑度r值；S2.3、归一化处理：将均方根误差RMSE和曲线平滑度r值两个指标规划到同一尺度范围内，进行归一化处理；S2.4、计算单个分量方差贡献：通过对信号分解的各IMF分量进行数据标准化处理，构造协方差矩阵，利用奇异值分解法对标准化后的数据矩阵进行线性变换，获得各IMF分量特征值，计算相对应的方差贡献率W
k
；S2.5、赋权：基于主成分降维思路，将每个分量的方差贡献率W
k
作为权重，对归一化的符合评价指标赋权处理，得到第k个分量的加权复合评价指标值T
k
；S2.6、K值确定：依据权重最小值原则确定K值大小；S2.7、评价：与粒子群、信息熵及合成峭度等确定变分模态分解参数K的方法进行重构信号误差比较；以及利用相关系数P和均方根误差RMSE分析去噪信号与原始信号的相似度和偏差程度；S2.8、特征提取：将分解后的各IMF分量进行信号重构，与原始信号提取时频域特征指标，构建高维特征子集。4.根据权利要求1所述的邻域互信息与随机森林相融合故障检测方法，其特征在于，步骤S3中，所述通过reliefF算法计算属性重要度包括以下步骤：S3.1、样本数据处理：在初始阶段，对提取的时域和频域特征集合，进行归一化处理；S3.2、初始化相关参数：初始化约简集合red＝φ，邻域半径为δ，样本抽样次数为N，最近邻样本个数为K，互信息阈值为γ；S3.3、样本抽样：样本数据包括f个特征的原始特征矩阵P＝[x1,x2,
…
,x
p
]，从中划分训练数据矩阵D，包含n个样本，随机选择一个样本M＝[x
m1
,x
m2
,
…
,x
mf
]，样本抽样迭代N次；S3.4、选择最近邻样本：分别计算抽样样本M和相同类别与不同类别数据集的欧式距离，从中寻找最邻近距离样本L＝[x
l1
,x
l2
,
…
,x
ln
]和H＝[x
h1
,x
h2
,
…
,x
hn
]；其中欧式距离计算公式如下：式中：x
i
为样本数据的原始特征；y
i
为抽样样本数据的原始特征；S3.5、更新特征系数权值：置零所有权重系数，按照以下规则进行相关特征权重的更新：基于某个同样特征，分别计算抽样样本M和距离样本L和距离样本H之间的欧式距离，记为ED
L
和ED
H
，通过比较ED
L
和ED
H
之间的大小来赋予各个特征权重，若D
L
＞ED
H
，该特征属性同类别样本欧式距离大于异类别样本欧式距离，降低该特征的权重；若ED
L
＜ED

【专利技术属性】
技术研发人员：贾宝惠，高源，李耀华，温迪，马金亮，单泽众，王若丁，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：