[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

说明书

本发明公开了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的标签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预测模型中，对设备故障进行诊断和预测。

技术领域

本发明涉及一种故障诊断知识和预测知识提取方法，特别涉及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，属于一种基于扩展型标签化多属性决策生成故障诊断预测数据的方法。

背景技术

标签化多属性决策(LMADM)是一种专门为带有标签的数据集提出的决策理论。决策系统中的决策属性(即标签)仅为实例提供了一些粗略的分类信息，通常根据给定的实际情况手动设置或校准这些信息。标签化多属性决策是多属性决策(MADM)的一种特例，二者的区别在于LMADM比MADM的应用系统中多了决策属性(标签)的辅助作用。标签化多属性决策的本质是通过挖掘条件属性和决策属性之间的依赖关系而得出更进一步的推断决策信息，如决策属性的排序信息和新样本数据的归属问题。正是由于这种特殊的功用使得标签化多属性决策非常适用于故障预测和健康管理(PHM)中的诊断和预测问题研究。其中，用于故障预测的知识本质上是分析数据的梯度关系，即一种时序性的排序关系；用于故障诊断的知识本质上是分析数据的区分性关系，即一种样本的归属关系。因此，本发明将标签化多属性决策理论应用于故障诊断和预测知识提取中。

然而，值得注意的是，现有的标签化多属性决策理论的研究将重点落在了条件属性赋权和集结算子的改进和应用中，尝试使用各种数据刻画手段及人工干预手段，实现更精准的条件属性赋权和集结运算。但是，随着PHM应用对象的日益复杂化和体系化，PHM系统采集的测点和获取的数据也呈现了激增的趋势。海量数据中蕴藏着丰富的可用于PHM实践的知识，如何在海量测试数据中应用标签化多属性决策理论提取用于故障诊断和预测的知识是现阶段装备PHM应用亟待解决的难题。上述难题是本发明重点解决的问题，在原始的标签化多属性决策理论基础上进行扩展，以应对海量数据对PHM应用带来的挑战，实现在海量数据条件下提取有效的故障诊断知识和预测知识。

发明内容

本发明旨在解决两个方面的问题：工程应用方面，解决海量数据条件下故障诊断和预测的知识提取不便的问题；理论方面，解决标签化多属性决策不能有效挖掘数据隐藏知识和应对海量数据挖掘的问题。

本发明的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，典型故障模式或状态可以是从知识库中获取的数据集，或者根据检验得到的数据集；

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(即，对故障诊断起到关键作用的传感器)集合；

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模型(即，已知的任何一种故障诊断模型)中，对设备故障进行诊断。同样地，对于决策属性为设备状态的数据集，则将条件属性子集数据和权重输入到相应的预测模型，对设备未来状态进行预测。

优选地，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。

优选地，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]。