基于粗糙集的故障诊断特征提取-.docVIP

1引言 随着设备结构日趋复杂,其故障类别越来越多,反映故障的状态、特征也相应增加。在实际诊断过程中,为了使诊断准确可靠,总要采集尽可能多的数据样本,以获得足够多的信息。但是,数据样本的分类边界常常是不确定的,并且故障与征兆之间的关系往往也是不确定的。因此,需要进行故障特征提取,从数据样本中提取对诊断故障贡献最大的信息。 故障特征提取的方法受到了广泛的重视。研究成果很多[1,2]。有主元特征提取,基于人工神经网络的提取,模糊信息优化处理提取及基于互信息熵提取方法等。但是,主元特征提取会因为输入变量的变化而改变主分量的特征值计算结果;当特征输入太多时,基于人工神经网络的方法存在耗时费工以及合适的网络结构选取问题;模糊信息优化处理和基于互信息熵的方法需要预先确定隶属函数或数据样本的概率分布。 粗糙集(Rough Set,RS理论由波兰的Z.Pawlak教授于上世纪80年代初提出[3],被认为是处理模糊和不确定性问题的新的数学工具,近年来在人工智能界引起了极大关注。它最显著的特点是不需要任何预备的或额外的有关数据信息,比如统计学中的概率分布、DS证据理论中的基本概率赋值、模糊集理论中的隶属函数等。 本文主要研究基于粗糙集理论的故障特征提取方法。首先阐述粗糙集的基本概念,然后介绍常用的连续数据样本离散化方法,继而在“知识的依赖性”概念和定义的基础上,提出根据条件属性(集对决策属性的正域的大小来选择属性,进行故障诊断特征提取的方法。最后,通过对热电厂发电机组和汽车发动机两个实例的故障诊断特征提取对该方法进行了验证。 2粗糙集的基本理论[3-7] 2.1知识表达系统和决策表 在粗糙集理论中,知识表达系统S是一个四元组。S=(U, A,V,f,其中 U:对象的非空有限集合,称为论域; A:属性的非空有限集合; V= a∈A V a,V a是属性a值域; f:U×A→V是一个信息函数,它为每个对象的每个属性指定一个属性值。 设S=(U,A,V,f,A=C∪D,C∩D=!,C和D分别称为条件属性集和决策属性集。具有条件属性和决策属性的知识表达系统称为决策表。 基于粗糙集的故障诊断特征提取 郭小荟1,2,马小平1 GUO Xiao-hui1,2,MA Xiao-ping1 1.中国矿业大学信息与电气工程学院,江苏徐州221008 2.徐州师范大学计算机科学与技术学院,江苏徐州221116 1.College of Information and Electrical Engineering,CUMT,Xuzhou,Jiangsu221008,China 2.College of Computer Science and Techology,XZNU,Xuzhou,Jiangsu221116,China E-mail:gxhzjr@ GUO Xiao-hui,MA Xiao-ping.Fault diagnosis feature subset selection using rough set.Computer Engineering and Applications,2007,43(1:221-224. Abstract:Feature subset selection is of prime important for effective fault diagnosis.But the classification boundary of real fault diagnosis data sets is often ambiguous,and the relationships between faults and symptoms are always uncertain.Rough set theory is a novel mathematical tool dealing vagueness and uncertainty.This paper introduces rough set theory and proposes a method for fault diagnosis feature subset selection.By two fault diagnosis examples,this paper validates the method.The results show that this method can efficiently extract the main fault features while the fault classification result is invariable.The research in this paper supplies a basis for further st