[发明专利]基于扩展多属性决策的诊断预测数据和特征再认知方法

权利要求书

1.一种基于扩展多属性决策的诊断预测数据和特征再认知方法，包括：

将用于检测设备故障的传感器定义为扩展多属性决策数据模型的条件属性，将设备典型故障模式或状态定义为扩展多属性决策数据模型的决策属性；

根据所述决策属性与条件属性间的依赖关系进行条件属性子集选择，以便从多个用于检测设备故障的传感器中筛选出有价值的传感器集合；

通过为选择出的条件属性子集中的每个条件属性分配权重，得到条件属性子集中每个条件属性的属性权重；

将所述条件属性子集对应的传感器采集的且进行数据预处理的数据样本和条件属性子集的属性权重输入到相应的故障诊断和预测模型中，对设备故障进行诊断和预测。

2.根据权利要求1所述的方法，其中，进行数据预处理的数据样本是不改变原始数据空间结构的归一化数据样本。

3.根据权利要求2所述的方法，其中，对于传感器采集的随时间单调减少的数据样本，采用收入归一化模型将数据样本缩放到[0,1]。

4.根据权利要求2所述的方法，其中，对于传感器采集的随时间单调增加的数据样本，采用成本归一化模型将数据样本缩放到[0,1]。

5.根据权利要求2所述的方法，其中，扩展多属性决策数据模型为决策系统DS＝(U,C∪D)，U＝{x₁,x₂,…,x_m}为一组候选数据集，C＝{c₁,c₂,…,c_n}为条件属性集合，D＝{d₁,d₂,…,d_K} (K≤m)是一组反映设备典型故障模式或状态的集合。

6.根据权利要求5所述的方法，其中，所述条件属性与决策属性间的依赖关系是指检测设备故障的传感器采集的数据样本与故障模式或状态集合的依赖关系；

根据所述决策属性与条件属性间的依赖关系进行条件属性子集选择包括：

利用模糊邻域半径δ，确定模糊邻域决策粗糙集模型；

利用所确定的模糊邻域决策粗糙集模型，得到用于选取所述条件属性子集的属性约简算法的全局决策风险R和属性重要度Sig_risk；

将所述DS＝(U,C∪D)和属性约简参数ζ输入到所述属性约简算法中，将属性约简算法的输出作为选取的条件属性子集。

7.根据权利要求5所述的方法，其中，利用全局决策风险R为选择出的条件属性子集的每个条件属性分配权重。

8.根据权利要求6所述的方法，其中，模糊邻域决策粗糙集模型为；

POS＝{x∈U|P(X|[x]^δ)≥α}，

BND＝{x∈U|βP(X|[x]^δ)α}，

NEG＝{x∈U|P(X|[x]^δ)≤β}(8)，

其中，POS为正域，BND为边界域，NEG为负域，P(X|[x]^δ)是模糊条件概率；X为数据样本x在决策系统DS中指定归属的类别，[x]^δ是模糊邻域集合；α,β为一对阈值参数，0≤βα≤1。

9.根据权利要求8所述的方法，其中，所述全局决策风险R为：

其中，λ_PN，λ_BP，λ_BN和λ_NP是损失函数。

10.根据权利要求8所述的方法，其中，基于全局决策风险的属性重要度为：

其中，c∈C，C为决策系统中的条件属性集合，R_B为B的全局决策风险，R_C为C的全局决策风险，R_B∪c为B∪c的全局决策风险。

11.条件属性子集中每个条件属性的属性权重w_ci为：

其中，