[发明专利]基于流向图和非朴素贝叶斯推理的轴承故障程度识别方法

权利要求书

1.一种基于流向图和非朴素贝叶斯推理的轴承故障程度识别方法，其特征在于所述识别方法包括如下步骤：

步骤一、提取训练样本中滚柱轴承的故障诊断特征，用于构建标准化流向图；

步骤二、采用基于征兆属性节点重要度的节点约简算法删除标准化流向图中冗余的征兆属性节点，获得节点约简后流向图，其中，基于征兆属性节点重要度的节点约简算法的具体步骤如下：

步骤二一、计算标准化流向图G的信息熵H(G)；

步骤二二、计算征兆属性节点集N_C相对于决策属性节点集N_D的互信息H(N_C,N_D)；

步骤二三、计算征兆属性节点x_i∈N_C，i＝1,...,m，m为征兆属性节点个数，Sig(x_i,N_D)为相对于决策属性节点集N_D的重要度；

步骤二四、如果征兆属性节点x_i∈N_C的重要度Sig(x_i,N_D)＝0，那么征兆属性节点x_i是不必要的，否则是必不可少的；

步骤二五、重复步骤二三和步骤二四，直至最后一个征兆属性节点；

步骤二六、删除所有不必要的征兆属性节点，构建节点约简后流向图G'＝(N',B',σ')，N',B',σ'分别代表节点约简后流向图中的节点集、有向分支集和标准化流量函数；

步骤三、提取待诊样本中滚柱轴承的故障诊断特征，利用基于流向图的非朴素贝叶斯推理算法识别待诊样本中滚柱轴承的状态，其中，基于流向图的非朴素贝叶斯推理算法的具体步骤如下：

步骤三一、分别计算节点约简后流向图中决策属性节点的最优带宽h_k和高斯核函数k(l)，其中：最优带宽h_k和高斯核函数k(l)的计算公式分别为：

其中，σ为标准化流量函数，c为征兆属性节点的层数，n_k为流过第k个决策属性节点的训练路径数，d为决策属性节点数，l为待诊完整路径，k∈d；

步骤三二、计算待诊完整路径l的所有类别属性；

步骤三三、根据待诊完整路径l最大的类别属性，确定待诊完整路径l对应的滚柱轴承状态。

2.根据权利要求1所述的基于流向图和非朴素贝叶斯推理的轴承故障程度识别方法，其特征在于所述步骤二三中，征兆属性节点x∈N_C相对于决策属性节点集N_D的重要度Sig(x,N_D)的定义如下：

设标准化流向图G＝(N,B,σ)，N代表节点集，B代表有向分支集，σ为标准化流量函数，N_C和N_D分别为征兆属性节点集和决策属性节点集，则征兆属性节点x∈N_C相对于决策属性节点集N_D的重要度为：

Sig(x,N_D)＝H(N_C,N_D)-H(N_C-{x},N_D)；

其中，H(N_C,N_D)为征兆属性节点集N_C相对于决策属性节点集N_D的互信息，H(N_C-{x},N_D)为去掉征兆属性节点x∈N_C后征兆属性节点集N_C-{x}相对于决策属性节点集N_D的互信息。

3.根据权利要求1所述的基于流向图和非朴素贝叶斯推理的轴承故障程度识别方法，其特征在于所述步骤二四中，征兆属性节点x_i∈N_C是不必要的，当且仅当征兆属性节点x_i的重要度Sig(x_i,N_D)＝0。

4.根据权利要求1所述的基于流向图和非朴素贝叶斯推理的轴承故障程度识别方法，其特征在于所述步骤三二中，待诊完整路径l属于类d_p的类别属性的计算公式为：

其中，训练路径集合{l₁,l₂,...,l_n}，1≤i≤n，且l_i＝{l_i1,l_i2,...,l_ic}，n为路径数，c为征兆属性节点的层数；决策属性节点集为{y₁,y₂,...,y_d}，d为决策属性节点数；