[发明专利]一种基于概率密度比的数据融合的设备故障诊断方法

权利要求书

1.一种基于概率密度比的数据融合的设备故障诊断方法，其特征在于，包括如下步骤：

步骤A：将历史特征数据与诊断对象特征数据分为若干区间，分别统计各区间数据所占整个数据集的比例，求二者比例的比值，取此比值作为数据的相似度权重，融合两部分数据构造训练数据集；

步骤B：取训练数据集中一部分数据训练softmax分类器，用另一部分数据验证分类准确度，采用梯度下降法调整模型参数，当误差小于预先设定阈值或训练次数达到预先设定次数时停止训练，或通过多次交叉验证，训练得到最优分类器；

步骤C：将诊断对象特征数据代入softmax分类器得到诊断对象故障状态。

2.如权利要求1所述的一种基于概率密度比的数据融合的设备故障诊断方法，其特征在于，所述步骤A中相似度权重求解采用以下方式：

a)设历史特征数据为{xo}，诊断对象特征数据为{xn}，将两部分数据进行归一化得到

{Xo}＝{xo-min{xo}}/max{xo}

{Xn}＝{xn-min{xn}}/max{xn}

b)当特征数据是多维特征时，用每个特征点的二范数，即特征的多维空间的向量长度表征大小，按照二范数将特征数据划分为N个区间，每个区间长度为Δ＝(max{||Xn||}-min{||Xn||})/N，划分结果为：

Si～{(i-1)Δ,iΔ},i＝1,2...,N

c)统计每个区间特征占所在数据集的概率密度比，即：

Poi＝num{||Xo|||Si}/num{||Xo||}

Pni＝num{||Xn|||Si}/num{||Xn||}

其中num{·|Si}表示特征属于区间Si的特征个数，则历史特征数据与诊断对象特征数据相似度权重w为：

w i = P o i / P n i , ( P o i / P n i ) ≤ 1 P n i / P o i , ( P o i / P n i ) > 1 . ]]>

3.如权利要求2所述的一种基于概率密度比的数据融合的设备故障诊断方法，其特征在于，采用梯度下降法调整模型参数训练得到最优分类器具体采用以下方式：构造带所述相似度权重的softmax分类器目标函数，对所述目标函数求偏导数，得到分类概率误差相对于模型参数α的梯度，采用梯度下降法对α进行修正，当α收敛则训练完毕，得到最优分类器用于故障分类诊断。